#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#include <math.h>
#include <pthread.h>
// 一个word的最大长度
#define MAX_STRING 100
// 对f的运算结果进行缓存，存储1000个，需要用的时候查表
#define EXP_TABLE_SIZE 1000
// 最大计算到6 (exp^6 / (exp^6 + 1))，最小计算到-6 (exp^-6 / (exp^-6 + 1))
#define MAX_EXP 6
// 定义最大的句子长度，句子以</s>结束，如果没有结束符，则长度最长为1000
#define MAX_SENTENCE_LENGTH 1000
// 定义最长的霍夫曼编码长度
#define MAX_CODE_LENGTH 40// 哈希，线性探测，开放定址法，装填系数0.7
const int vocab_hash_size = 30000000;  // 词库中最多有30 * 0.7 = 21M个单词
typedef float real;                    // 浮点数精度
struct vocab_word {long long cn; // 单词词频int *point; // 霍夫曼树中从根节点到该词的路径，存放路径上每个非叶结点的索引char *word, *code, codelen; // 分别是词的字面，霍夫曼编码，编码长度
};// 训练文件、输出文件名称定义
char train_file[MAX_STRING], output_file[MAX_STRING];
// 词汇表输出文件和词汇表读入文件名称定义
char save_vocab_file[MAX_STRING], read_vocab_file[MAX_STRING];
// 声明词汇表结构体
struct vocab_word *vocab;
// binary 0则vectors.bin输出为二进制（默认），1则为文本形式
// cbow 1使用cbow框架，0使用skip-gram框架
// debug_mode 大于0，加载完毕后输出汇总信息，大于1，加载训练词汇的时候输出信息，训练过程中输出信息
// window 窗口大小，在cbow中表示了word vector的最大的sum范围，在skip-gram中表示了max space between words（w1,w2,p(w1 | w2)）
// min_count 删除长尾词的词频标准
// num_threads 线程数
// min_reduce ReduceVocab删除词频小于这个值的词，因为哈希表总共可以装填的词汇数是有限的
int binary = 0, cbow = 0, debug_mode = 2, window = 5, min_count = 5, num_threads = 1, min_reduce = 1;
int *vocab_hash; // 词汇表的hash存储，下标是词的hash，内容是词在vocab中的位置，a[word_hash] = word index in vocab
// vocab_max_size 词汇表的最大长度，动态扩增，每次扩1000
// vocab_size 词汇表的现有长度，接近vocab_max_size的时候会扩容
// layer1_size 隐层的节点数/词向量大小
long long vocab_max_size = 1000, vocab_size = 0, layer1_size = 100;
// train_words 训练的单词总数（词频累加）
// word_count_actual 已经训练完的word个数
// file_size 训练文件大小，ftell得到
// classes 输出word clusters的类别数
long long train_words = 0, word_count_actual = 0, file_size = 0, classes = 0;
// alpha BP算法的学习速率，过程中自动调整
// starting_alpha 初始alpha值
// sample 亚采样概率的参数，亚采样的目的是以一定概率拒绝高频词，使得低频词有更多出镜率，默认为0，即不进行亚采样
real alpha = 0.025, starting_alpha, sample = 0;
// syn0 单词的向量输入 concatenate word vectors
// syn1 hs(hierarchical softmax)算法中隐层节点到霍夫曼编码树非叶结点的映射权重
// syn1neg ns(negative sampling)中隐层节点到分类问题的映射权重
// expTable 预先存储f函数结果，算法执行中查表
real *syn0, *syn1, *syn1neg, *expTable;
// start 算法运行的起始时间，会用于计算平均每秒钟处理多少词
clock_t start;
// hs 采用hs还是ns的标志位，默认采用hs
int hs = 1, negative = 0;
// table_size 静态采样表的规模
// table 采样表
const int table_size = 1e8;
int *table;// 根据词频生成采样表，词频越高，占据在表中的数目越大，用于表示词频分布
void InitUnigramTable() {int a, i;long long train_words_pow = 0;real d1, power = 0.75; // 概率与词频的power次方成正比table = (int *)malloc(table_size * sizeof(int));for (a = 0; a < vocab_size; a++) train_words_pow += pow(vocab[a].cn, power);i = 0;d1 = pow(vocab[i].cn, power) / (real)train_words_pow; // 第一个词出现的概率for (a = 0; a < table_size; a++) {table[a] = i;if (a / (real)table_size > d1) {i++;d1 += pow(vocab[i].cn, power) / (real)train_words_pow;}if (i >= vocab_size) i = vocab_size - 1; // 处理最后一段概率，防止越界}
}// Reads a single word from a file, assuming space + tab + EOL to be word boundaries
// 每次从fin中读取一个单词
void ReadWord(char *word, FILE *fin) {int a = 0, ch;while (!feof(fin)) {ch = fgetc(fin);if (ch == 13) continue;// ASCII值为8、9、10 和13 分别转换为退格、制表、换行和回车字符if ((ch == ' ') || (ch == '\t') || (ch == '\n')) { // 词的分隔符if (a > 0) {if (ch == '\n') 　　　　　　ungetc(ch, fin); // 把一个字符回退到输入流中break;}if (ch == '\n') {strcpy(word, (char *)"</s>");return;} else continue;}word[a] = ch;a++;if (a >= MAX_STRING - 1)　　　　a--;   // 如果单词过长}word[a] = 0;
}// 获取单词的哈希值
int GetWordHash(char *word) {unsigned long long a, hash = 0;for (a = 0; a < strlen(word); a++) 　　　　hash = hash * 257 + word[a]; // hash计算方法hash = hash % vocab_hash_size;return hash;
}
// Returns position of a word in the vocabulary; if the word is not found, returns -1
// 线性探索，开放定址法
int SearchVocab(char *word) {unsigned int hash = GetWordHash(word);while (1) {if (vocab_hash[hash] == -1) return -1; // 没有这个词if (!strcmp(word, vocab[vocab_hash[hash]].word)) return vocab_hash[hash]; // 返回单词在词汇表中的索引hash = (hash + 1) % vocab_hash_size;}return -1; // 应该到不了这里吧……
}
// 获取单词的索引值
int ReadWordIndex(FILE *fin) {char word[MAX_STRING];ReadWord(word, fin);if (feof(fin)) return -1;return SearchVocab(word);
}
// 将单词添加到词汇表中
int AddWordToVocab(char *word) {unsigned int hash, length = strlen(word) + 1;if (length > MAX_STRING) length = MAX_STRING; vocab[vocab_size].word = (char *)calloc(length, sizeof(char)); // 单词存储strcpy(vocab[vocab_size].word, word);vocab[vocab_size].cn = 0; // 在调用函数之外赋值1vocab_size++; // 词汇表现有单词数// Reallocate memory if neededif (vocab_size + 2 >= vocab_max_size) {vocab_max_size += 1000; // 每次增加1000个词位vocab = (struct vocab_word *)realloc(vocab, vocab_max_size * sizeof(struct vocab_word));}hash = GetWordHash(word); // 获得hash表示while (vocab_hash[hash] != -1) hash = (hash + 1) % vocab_hash_size; // 线性探索hashvocab_hash[hash] = vocab_size - 1; // 记录在词汇表中的存储位置return vocab_size - 1; // 返回添加的单词在词汇表中的存储位置
}// 比较函数，词汇表需使用词频进行排序(qsort)
int VocabCompare(const void *a, const void *b) {return ((struct vocab_word *)b)->cn - ((struct vocab_word *)a)->cn;
}// 对单词按照词频排序
void SortVocab() {int a, size;unsigned int hash;// Sort the vocabulary and keep </s> at the first position// 保留回车在首位qsort(&vocab[1], vocab_size - 1, sizeof(struct vocab_word), VocabCompare); // 对词汇表进行快速排序for (a = 0; a < vocab_hash_size; a++) vocab_hash[a] = -1; // 词汇重排了，哈希记录的index也乱了，所有的hash记录清除，下面会重建size = vocab_size;train_words = 0; // 用于训练的词汇总数（词频累加）for (a = 0; a < size; a++) {// Words occuring less than min_count times will be discarded from the vocabif (vocab[a].cn < min_count) { // 清除长尾词vocab_size--;free(vocab[vocab_size].word);} else {// Hash will be re-computed, as after the sorting it is not actualhash=GetWordHash(vocab[a].word); while (vocab_hash[hash] != -1) hash = (hash + 1) % vocab_hash_size;vocab_hash[hash] = a;train_words += vocab[a].cn; // 词频累加}}vocab = (struct vocab_word *)realloc(vocab, (vocab_size + 1) * sizeof(struct vocab_word)); // 分配的多余空间收回// 给霍夫曼编码和路径的词汇表索引分配空间for (a = 0; a < vocab_size; a++) { vocab[a].code = (char *)calloc(MAX_CODE_LENGTH, sizeof(char));vocab[a].point = (int *)calloc(MAX_CODE_LENGTH, sizeof(int));}
}

// 删除词频不大于min_reduce的词
void ReduceVocab() {int a, b = 0;unsigned int hash;for (a = 0; a < vocab_size; a++){if (vocab[a].cn > min_reduce) {vocab[b].cn = vocab[a].cn;vocab[b].word = vocab[a].word;b++;} else free(vocab[a].word);vocab_size = b; // 最后剩下b个词，词频均大于min_reduce// 重新分配hash索引for (a = 0; a < vocab_hash_size; a++) vocab_hash[a] = -1;for (a = 0; a < vocab_size; a++) {// Hash will be re-computed, as it is not actualhash = GetWordHash(vocab[a].word);while (vocab_hash[hash] != -1) hash = (hash + 1) % vocab_hash_size;vocab_hash[hash] = a;}fflush(stdout);min_reduce++;
}
// 根据词频生成霍夫曼树
void CreateBinaryTree() {long long a, b, i, min1i, min2i, pos1, pos2, point[MAX_CODE_LENGTH]; // 最长的编码值char code[MAX_CODE_LENGTH];//词频记录，前一半是叶子节点，即文本中单词的词频，后一半是非叶子节点的词频long long *count = (long long *)calloc(vocab_size * 2 + 1, sizeof(long long));//记录哈夫曼编码的逆序，因为是从底向上构建的long long *binary = (long long *)calloc(vocab_size * 2 + 1, sizeof(long long));//记录节点的父节点long long *parent_node = (long long *)calloc(vocab_size * 2 + 1, sizeof(long long));for (a = 0; a < vocab_size; a++) count[a] = vocab[a].cn;for (a = vocab_size; a < vocab_size * 2; a++) count[a] = 1e15;pos1 = vocab_size - 1;pos2 = vocab_size;// Following algorithm constructs the Huffman tree by adding one node at a timefor (a = 0; a < vocab_size - 1; a++) {// 每次寻找两个最小的点做合并，最小的点的分支为0，词小的点的分支为1//由于是已经按照词频高低排好序的，最后的两个单词就是词频最低的//pos1控制叶子节点，pos2控制非叶子节点//min1i是左分支，min2i是右分支if (pos1 >= 0) {if (count[pos1] < count[pos2]) {min1i = pos1;pos1--;} else {min1i = pos2;pos2++;}} else {min1i = pos2;pos2++;}if (pos1 >= 0) {if (count[pos1] < count[pos2]) {min2i = pos1;pos1--;} else {min2i = pos2;pos2++;}} else {min2i = pos2;pos2++;}count[vocab_size + a] = count[min1i] + count[min2i];parent_node[min1i] = vocab_size + a;parent_node[min2i] = vocab_size + a;binary[min2i] = 1;}// Now assign binary code to each vocabulary word// 顺着父子关系找回编码for (a = 0; a < vocab_size; a++) {b = a;i = 0;while (1) {code[i] = binary[b]; // 编码赋值point[i] = b; // 路径赋值，第一个是自己i++; // 码个数b = parent_node[b];if (b == vocab_size * 2 - 2) break;}// 以下要注意的是，同样的位置，point总比code深一层vocab[a].codelen = i; // 编码长度赋值，少1，没有算根节点vocab[a].point[0] = vocab_size - 2; // 逆序，把第一个赋值为root（即2*vocab_size - 2 - vocab_size）for (b = 0; b < i; b++) { // 逆序处理vocab[a].code[i - b - 1] = code[b]; // 编码逆序，没有根节点，左子树0，右子树1vocab[a].point[i - b] = point[b] - vocab_size; // 其实point数组最后一个是负的，用不到，point的长度是编码的真正长度，比code长1}}free(count);free(binary);free(parent_node);
}// 装载训练文件到词汇表数据结构
void LearnVocabFromTrainFile() {char word[MAX_STRING];FILE *fin;long long a, i;for (a = 0; a < vocab_hash_size; a++) vocab_hash[a] = -1;fin = fopen(train_file, "rb");if (fin == NULL) {printf("ERROR: training data file not found!\n");exit(1);}vocab_size = 0;AddWordToVocab((char *)"</s>"); // 首先添加的是回车while (1) {ReadWord(word, fin);if (feof(fin)) break;train_words++;if ((debug_mode > 1) && (train_words % 100000 == 0)) {printf("%lldK%c", train_words / 1000, 13);fflush(stdout);}i = SearchVocab(word);if (i == -1) { // 如果这个单词不存在，我们将其加入hash表a = AddWordToVocab(word);vocab[a].cn = 1;} else vocab[i].cn++; // 否则词频加一if (vocab_size > vocab_hash_size * 0.7) ReduceVocab(); // 如果超出装填系数，将词汇表扩容}SortVocab(); // 所有词汇加载完毕后进行排序，词频高的靠前if (debug_mode > 0) { printf("Vocab size: %lld\n", vocab_size);printf("Words in train file: %lld\n", train_words);}file_size = ftell(fin); // 文件大小fclose(fin);
}// 输出单词和词频到文件
void SaveVocab() {long long i;FILE *fo = fopen(save_vocab_file, "wb");for (i = 0; i < vocab_size; i++) fprintf(fo, "%s %lld\n", vocab[i].word, vocab[i].cn);fclose(fo);
}// 读入词汇表文件到词汇表数据结构
void ReadVocab() {long long a, i = 0;char c;char word[MAX_STRING];FILE *fin = fopen(read_vocab_file, "rb");if (fin == NULL) {printf("Vocabulary file not found\n");exit(1);}for (a = 0; a < vocab_hash_size; a++) vocab_hash[a] = -1;vocab_size = 0;while (1) {ReadWord(word, fin);if (feof(fin)) break;a = AddWordToVocab(word);fscanf(fin, "%lld%c", &vocab[a].cn, &c);i++;}SortVocab();if (debug_mode > 0) {printf("Vocab size: %lld\n", vocab_size);printf("Words in train file: %lld\n", train_words);}fin = fopen(train_file, "rb"); // 还得打开以下训练文件好知道文件大小是多少if (fin == NULL) {printf("ERROR: training data file not found!\n");exit(1);}fseek(fin, 0, SEEK_END);file_size = ftell(fin);fclose(fin);
}// 网络结构初始化，就是把所有参数初始化
void InitNet() {long long a, b;// posix_memalign() 成功时会返回size字节的动态内存，并且这块内存的地址是alignment(这里是128)的倍数// syn0 存储的是就是单词向量a = posix_memalign((void **)&syn0, 128, (long long)vocab_size * layer1_size * sizeof(real));if (syn0 == NULL) {printf("Memory allocation failed\n"); exit(1);}if (hs) { // hierarchical softmax// hs中，用syn1a = posix_memalign((void **)&syn1, 128, (long long)vocab_size * layer1_size * sizeof(real));if (syn1 == NULL) {printf("Memory allocation failed\n"); exit(1);}for (b = 0; b < layer1_size; b++) for (a = 0; a < vocab_size; a++)syn1[a * layer1_size + b] = 0;}if (negative>0) { // negative sampling// ns中，用syn1nega = posix_memalign((void **)&syn1neg, 128, (long long)vocab_size * layer1_size * sizeof(real));if (syn1neg == NULL) {printf("Memory allocation failed\n"); exit(1);}for (b = 0; b < layer1_size; b++) 　　　　for (a = 0; a < vocab_size; a++)syn1neg[a * layer1_size + b] = 0;}for (b = 0; b < layer1_size; b++) 　　for (a = 0; a < vocab_size; a++)syn0[a * layer1_size + b] = (rand() / (real)RAND_MAX - 0.5) / layer1_size; // 随机初始化word vectorsCreateBinaryTree(); // 创建霍夫曼树
}void *TrainModelThread(void *id) {// word 向sen中添加单词用，句子完成后表示句子中的当前单词// last_word 上一个单词，辅助扫描窗口// sentence_length 当前句子的长度（单词数）// sentence_position 当前单词在当前句子中的indexlong long a, b, d, word, last_word, sentence_length = 0, sentence_position = 0;// word_count 已训练语料总长度// last_word_count 保存值，以便在新训练语料长度超过某个值时输出信息// sen 单词数组，表示句子long long word_count = 0, last_word_count = 0, sen[MAX_SENTENCE_LENGTH + 1];// l1 ns中表示word在concatenated word vectors中的起始位置，之后layer1_size是对应的word vector，因为把矩阵拉成长向量了// l2 cbow或ns中权重向量的起始位置，之后layer1_size是对应的syn1或syn1neg，因为把矩阵拉成长向量了// c 循环中的计数作用// target ns中当前的sample// label ns中当前sample的labellong long l1, l2, c, target, label;// id 线程创建的时候传入，辅助随机数生成unsigned long long next_random = (long long)id;// f e^x / (1/e^x)，fs中指当前编码为是0（父亲的左子节点为0，右为1）的概率，ns中指label是1的概率// g 误差(f与真实值的偏离)与学习速率的乘积real f, g;// 当前时间，和start比较计算算法效率clock_t now;real *neu1 = (real *)calloc(layer1_size, sizeof(real)); // 隐层节点real *neu1e = (real *)calloc(layer1_size, sizeof(real)); // 误差累计项，其实对应的是Gneu1FILE *fi = fopen(train_file, "rb");fseek(fi, file_size / (long long)num_threads * (long long)id, SEEK_SET); // 将文件内容分配给各个线程while (1) {if (word_count - last_word_count > 10000) {word_count_actual += word_count - last_word_count;last_word_count = word_count;if ((debug_mode > 1)) {now=clock();printf("%cAlpha: %f  Progress: %.2f%%  Words/thread/sec: %.2fk  ", 13, alpha,word_count_actual / (real)(train_words + 1) * 100,word_count_actual / ((real)(now - start + 1) / (real)CLOCKS_PER_SEC * 1000));fflush(stdout);}alpha = starting_alpha * (1 - word_count_actual / (real)(train_words + 1)); // 自动调整学习速率if (alpha < starting_alpha * 0.0001) alpha = starting_alpha * 0.0001; // 学习速率有下限}if (sentence_length == 0) { // 如果当前句子长度为0while (1) {word = ReadWordIndex(fi);if (feof(fi)) break; // 读到文件末尾if (word == -1) continue; // 没有这个单词word_count++; // 单词计数增加if (word == 0) break; // 是个回车// 这里的亚采样是指 Sub-Sampling，Mikolov 在论文指出这种亚采样能够带来 2 到 10 倍的性能提升，并能够提升低频词的表示精度。// 低频词被丢弃概率低，高频词被丢弃概率高if (sample > 0) {real ran = (sqrt(vocab[word].cn / (sample * train_words)) + 1) * (sample * train_words) / vocab[word].cn;next_random = next_random * (unsigned long long)25214903917 + 11;if (ran < (next_random & 0xFFFF) / (real)65536) continue;}sen[sentence_length] = word;sentence_length++;if (sentence_length >= MAX_SENTENCE_LENGTH) break; }sentence_position = 0; // 当前单词在当前句中的index，起始值为0}if (feof(fi)) break; // 照应while中的break，如果读到末尾，退出if (word_count > train_words / num_threads) break; // 已经做到了一个thread应尽的工作量，就退出word = sen[sentence_position]; // 取句子中的第一个单词，开始运行BP算法if (word == -1) continue; // 如果没有这个单词，则继续// 隐层节点值和隐层节点误差累计项清零for (c = 0; c < layer1_size; c++) neu1[c] = 0; for (c = 0; c < layer1_size; c++) neu1e[c] = 0;next_random = next_random * (unsigned long long)25214903917 + 11;b = next_random % window; // b是个随机数，0到window-1，指定了本次算法操作实际的窗口大小// cbow 框架if (cbow) {  //train the cbow architecture// in -> hidden// 从输入层到隐层所进行的操作实际就是窗口内上下文向量的加和for (a = b; a < window * 2 + 1 - b; a++) if (a != window) {c = sentence_position - window + a;if (c < 0) continue;if (c >= sentence_length) continue;last_word = sen[c]; if (last_word == -1) continue; // 这个单词没有for (c = 0; c < layer1_size; c++) neu1[c] += syn0[c + last_word * layer1_size];}// hsif (hs) for (d = 0; d < vocab[word].codelen; d++) { // 这里的codelen其实是少一个的，所以不会触及point里面最后一个负数f = 0;l2 = vocab[word].point[d] * layer1_size; // 路径上的点// Propagate hidden -> output// 准备计算ffor (c = 0; c < layer1_size; c++) f += neu1[c] * syn1[c + l2];// 不在expTable内的舍弃掉，作者说计算精度有限，怕有不好印象，但这里改成太小的都是0，太大的都是1，运行结果还是有差别的// if (f <= -MAX_EXP) continue; // else if (f >= MAX_EXP) continue;if (f <= -MAX_EXP) f = 0; else if (f >= MAX_EXP) f = 1; // 从expTable中查找，快速计算else f = expTable[(int)((f + MAX_EXP) * (EXP_TABLE_SIZE / MAX_EXP / 2))];// g 实际为负梯度中公共的部分与 Learning rate alpha 的乘积

        g = (1 - vocab[word].code[d] - f) * alpha;// Propagate errors output -> hidden// 记录累积误差项for (c = 0; c < layer1_size; c++) neu1e[c] += g * syn1[c + l2];// Learn weights hidden -> output// 更新隐层到霍夫曼树非叶节点的权重for (c = 0; c < layer1_size; c++) syn1[c + l2] += g * neu1[c];}// NEGATIVE SAMPLINGif (negative > 0) for (d = 0; d < negative + 1; d++) {if (d == 0) { // 当前词的分类器应当输出1target = word;label = 1;} else { // 采样使得与target不同，不然continue，label为0，也即最多采样negative个negative samplenext_random = next_random * (unsigned long long)25214903917 + 11;target = table[(next_random >> 16) % table_size];if (target == 0) target = next_random % (vocab_size - 1) + 1;if (target == word) continue;label = 0;}l2 = target * layer1_size; f = 0;for (c = 0; c < layer1_size; c++) f += neu1[c] * syn1neg[c + l2];// 这里直接上0、1，没有考虑计算精度问题if (f > MAX_EXP) g = (label - 1) * alpha;else if (f < -MAX_EXP) g = (label - 0) * alpha;// g 并非梯度，可以看做是一个乘了学习率的 error(label与输出f的差)。损失函数Loss=-log Likehood = -label•logf-(1-lable)•log(1-f)，推导同上。else g = (label - expTable[(int)((f + MAX_EXP) * (EXP_TABLE_SIZE / MAX_EXP / 2))]) * alpha;for (c = 0; c < layer1_size; c++) neu1e[c] += g * syn1neg[c + l2];for (c = 0; c < layer1_size; c++) syn1neg[c + l2] += g * neu1[c];}// hidden -> in// 根据隐层节点累积误差项，更新word vectorsfor (a = b; a < window * 2 + 1 - b; a++) if (a != window) {c = sentence_position - window + a;if (c < 0) continue;if (c >= sentence_length) continue;last_word = sen[c];if (last_word == -1) continue;for (c = 0; c < layer1_size; c++) syn0[c + last_word * layer1_size] += neu1e[c];}} else {  //train skip-gramfor (a = b; a < window * 2 + 1 - b; a++) if (a != window) { // 预测非中心的单词（邻域内的单词）c = sentence_position - window + a;if (c < 0) continue;if (c >= sentence_length) continue;last_word = sen[c];if (last_word == -1) continue;l1 = last_word * layer1_size; // 每次循环neu1e都被置零了for (c = 0; c < layer1_size; c++) neu1e[c] = 0;// HIERARCHICAL SOFTMAXif (hs) for (d = 0; d < vocab[word].codelen; d++) {f = 0;l2 = vocab[word].point[d] * layer1_size; // Propagate hidden -> output// 待预测单词的 word vecotr 和 隐层-霍夫曼树非叶节点权重 的内积for (c = 0; c < layer1_size; c++) f += syn0[c + l1] * syn1[c + l2];// 同cbow中hs的讨论// if (f <= -MAX_EXP) continue;// else if (f >= MAX_EXP) continue;if (f <= -MAX_EXP) f = 0;else if (f >= MAX_EXP) f = 1;// 以下内容同之前的cbowelse f = expTable[(int)((f + MAX_EXP) * (EXP_TABLE_SIZE / MAX_EXP / 2))];//  g 就是梯度中的公共部分与学习率的乘积，此处损失函数的计算方式有别于CBOW模型，具体参考文献[6]。g = (1 - vocab[word].code[d] - f) * alpha; // 这里的code[d]其实是下一层的，code错位了，point和code是错位的！// Propagate errors output -> hiddenfor (c = 0; c < layer1_size; c++) neu1e[c] += g * syn1[c + l2];// Learn weights hidden -> outputfor (c = 0; c < layer1_size; c++) syn1[c + l2] += g * syn0[c + l1];}// NEGATIVE SAMPLINGif (negative > 0) for (d = 0; d < negative + 1; d++) {if (d == 0) {target = word;label = 1;} else {next_random = next_random * (unsigned long long)25214903917 + 11;target = table[(next_random >> 16) % table_size];if (target == 0) target = next_random % (vocab_size - 1) + 1;if (target == word) continue;label = 0;}l2 = target * layer1_size;f = 0;for (c = 0; c < layer1_size; c++) f += syn0[c + l1] * syn1neg[c + l2];// 以下内容同之前的cbowif (f > MAX_EXP) g = (label - 1) * alpha;else if (f < -MAX_EXP) g = (label - 0) * alpha;else g = (label - expTable[(int)((f + MAX_EXP) * (EXP_TABLE_SIZE / MAX_EXP / 2))]) * alpha;for (c = 0; c < layer1_size; c++) neu1e[c] += g * syn1neg[c + l2];for (c = 0; c < layer1_size; c++) syn1neg[c + l2] += g * syn0[c + l1];}// Learn weights input -> hiddenfor (c = 0; c < layer1_size; c++) syn0[c + l1] += neu1e[c];}}sentence_position++;if (sentence_position >= sentence_length) {sentence_length = 0;continue;}}fclose(fi);free(neu1);free(neu1e);pthread_exit(NULL);
}void TrainModel() {long a, b, c, d;FILE *fo;// 创建多线程pthread_t *pt = (pthread_t *)malloc(num_threads * sizeof(pthread_t));printf("Starting training using file %s\n", train_file);starting_alpha = alpha;// 优先从词汇表文件中加载，否则从训练文件中加载if (read_vocab_file[0] != 0) ReadVocab(); else LearnVocabFromTrainFile();// 输出词汇表文件，词+词频if (save_vocab_file[0] != 0) SaveVocab();if (output_file[0] == 0) return;InitNet(); // 网络结构初始化if (negative > 0) InitUnigramTable(); // 根据词频生成采样映射start = clock(); // 开始计时for (a = 0; a < num_threads; a++) pthread_create(&pt[a], NULL, TrainModelThread, (void *)a);for (a = 0; a < num_threads; a++) pthread_join(pt[a], NULL);// 训练结束，准备输出fo = fopen(output_file, "wb");if (classes == 0) { // 保存 word vectors// Save the word vectorsfprintf(fo, "%lld %lld\n", vocab_size, layer1_size); // 词汇量，vector维数for (a = 0; a < vocab_size; a++) {fprintf(fo, "%s ", vocab[a].word);if (binary) for (b = 0; b < layer1_size; b++) fwrite(&syn0[a * layer1_size + b], sizeof(real), 1, fo);else for (b = 0; b < layer1_size; b++) fprintf(fo, "%lf ", syn0[a * layer1_size + b]);fprintf(fo, "\n");}} else {// Run K-means on the word vectors// 运行K-means算法int clcn = classes, iter = 10, closeid;int *centcn = (int *)malloc(classes * sizeof(int));int *cl = (int *)calloc(vocab_size, sizeof(int));real closev, x;real *cent = (real *)calloc(classes * layer1_size, sizeof(real));for (a = 0; a < vocab_size; a++) cl[a] = a % clcn;for (a = 0; a < iter; a++) {for (b = 0; b < clcn * layer1_size; b++) cent[b] = 0;for (b = 0; b < clcn; b++) centcn[b] = 1;for (c = 0; c < vocab_size; c++) {for (d = 0; d < layer1_size; d++) cent[layer1_size * cl[c] + d] += syn0[c * layer1_size + d];centcn[cl[c]]++;}for (b = 0; b < clcn; b++) {closev = 0;for (c = 0; c < layer1_size; c++) {cent[layer1_size * b + c] /= centcn[b];closev += cent[layer1_size * b + c] * cent[layer1_size * b + c];}closev = sqrt(closev);for (c = 0; c < layer1_size; c++) cent[layer1_size * b + c] /= closev;}for (c = 0; c < vocab_size; c++) {closev = -10;closeid = 0;for (d = 0; d < clcn; d++) {x = 0;for (b = 0; b < layer1_size; b++) x += cent[layer1_size * d + b] * syn0[c * layer1_size + b];if (x > closev) {closev = x;closeid = d;}}cl[c] = closeid;}}// Save the K-means classesfor (a = 0; a < vocab_size; a++) fprintf(fo, "%s %d\n", vocab[a].word, cl[a]);free(centcn);free(cent);free(cl);}fclose(fo);
}int ArgPos(char *str, int argc, char **argv) {int a;for (a = 1; a < argc; a++) if (!strcmp(str, argv[a])) {if (a == argc - 1) {printf("Argument missing for %s\n", str);exit(1);}return a;}return -1;
}int main(int argc, char **argv) {int i;if (argc == 1) {printf("WORD VECTOR estimation toolkit v 0.1b\n\n");printf("Options:\n");printf("Parameters for training:\n");printf("\t-train <file>\n"); // 指定训练文件printf("\t\tUse text data from <file> to train the model\n");printf("\t-output <file>\n"); // 指定输出文件，以存储word vectors，或者单词类printf("\t\tUse <file> to save the resulting word vectors / word clusters\n");printf("\t-size <int>\n"); // word vector的维数，对应 layer1_size，默认是100printf("\t\tSet size of word vectors; default is 100\n");// 窗口大小，在cbow中表示了word vector的最大的叠加范围，在skip-gram中表示了max space between words（w1,w2,p(w1 | w2)）printf("\t-window <int>\n"); printf("\t\tSet max skip length between words; default is 5\n");printf("\t-sample <float>\n"); // 亚采样拒绝概率的参数printf("\t\tSet threshold for occurrence of words. Those that appear with higher frequency");printf(" in the training data will be randomly down-sampled; default is 0 (off), useful value is 1e-5\n");printf("\t-hs <int>\n"); // 使用hs求解，默认为1printf("\t\tUse Hierarchical Softmax; default is 1 (0 = not used)\n");printf("\t-negative <int>\n"); // 使用ns的时候采样的样本数printf("\t\tNumber of negative examples; default is 0, common values are 5 - 10 (0 = not used)\n");printf("\t-threads <int>\n"); // 指定线程数printf("\t\tUse <int> threads (default 1)\n");printf("\t-min-count <int>\n"); // 长尾词的词频阈值printf("\t\tThis will discard words that appear less than <int> times; default is 5\n");printf("\t-alpha <float>\n"); // 初始的学习速率，默认为0.025printf("\t\tSet the starting learning rate; default is 0.025\n");printf("\t-classes <int>\n"); // 输出单词类别数，默认为0，也即不输出单词类printf("\t\tOutput word classes rather than word vectors; default number of classes is 0 (vectors are written)\n");printf("\t-debug <int>\n"); // 调试等级，默认为2printf("\t\tSet the debug mode (default = 2 = more info during training)\n");printf("\t-binary <int>\n"); // 是否将结果输出为二进制文件，默认为0，即不输出为二进制printf("\t\tSave the resulting vectors in binary moded; default is 0 (off)\n");printf("\t-save-vocab <file>\n"); // 词汇表存储文件printf("\t\tThe vocabulary will be saved to <file>\n");printf("\t-read-vocab <file>\n"); // 词汇表加载文件，则可以不指定trainfileprintf("\t\tThe vocabulary will be read from <file>, not constructed from the training data\n");printf("\t-cbow <int>\n"); // 使用cbow框架printf("\t\tUse the continuous bag of words model; default is 0 (skip-gram model)\n");printf("\nExamples:\n"); // 使用示例printf("./word2vec -train data.txt -output vec.txt -debug 2 -size 200 -window 5 -sample 1e-4 -negative 5 -hs 0 -binary 0 -cbow 1\n\n");return 0;}// 文件名均空output_file[0] = 0;save_vocab_file[0] = 0;read_vocab_file[0] = 0;// 参数与变量的对应关系if ((i = ArgPos((char *)"-size", argc, argv)) > 0) layer1_size = atoi(argv[i + 1]);if ((i = ArgPos((char *)"-train", argc, argv)) > 0) strcpy(train_file, argv[i + 1]);if ((i = ArgPos((char *)"-save-vocab", argc, argv)) > 0) strcpy(save_vocab_file, argv[i + 1]);if ((i = ArgPos((char *)"-read-vocab", argc, argv)) > 0) strcpy(read_vocab_file, argv[i + 1]);if ((i = ArgPos((char *)"-debug", argc, argv)) > 0) debug_mode = atoi(argv[i + 1]);if ((i = ArgPos((char *)"-binary", argc, argv)) > 0) binary = atoi(argv[i + 1]);if ((i = ArgPos((char *)"-cbow", argc, argv)) > 0) cbow = atoi(argv[i + 1]);if ((i = ArgPos((char *)"-alpha", argc, argv)) > 0) alpha = atof(argv[i + 1]);if ((i = ArgPos((char *)"-output", argc, argv)) > 0) strcpy(output_file, argv[i + 1]);if ((i = ArgPos((char *)"-window", argc, argv)) > 0) window = atoi(argv[i + 1]);if ((i = ArgPos((char *)"-sample", argc, argv)) > 0) sample = atof(argv[i + 1]);if ((i = ArgPos((char *)"-hs", argc, argv)) > 0) hs = atoi(argv[i + 1]);if ((i = ArgPos((char *)"-negative", argc, argv)) > 0) negative = atoi(argv[i + 1]);if ((i = ArgPos((char *)"-threads", argc, argv)) > 0) num_threads = atoi(argv[i + 1]);if ((i = ArgPos((char *)"-min-count", argc, argv)) > 0) min_count = atoi(argv[i + 1]);if ((i = ArgPos((char *)"-classes", argc, argv)) > 0) classes = atoi(argv[i + 1]);vocab = (struct vocab_word *)calloc(vocab_max_size, sizeof(struct vocab_word));vocab_hash = (int *)calloc(vocab_hash_size, sizeof(int));expTable = (real *)malloc((EXP_TABLE_SIZE + 1) * sizeof(real));// 提前产生e^-6 到 e^6 之间的f值 ，便于提高运算效率for (i = 0; i < EXP_TABLE_SIZE; i++) {expTable[i] = exp((i / (real)EXP_TABLE_SIZE * 2 - 1) * MAX_EXP); // Precompute the exp() tableexpTable[i] = expTable[i] / (expTable[i] + 1);                   // Precompute f(x) = x / (x + 1)}TrainModel();return 0;
}