详解word2vec
1.嵌入是用向量表示一个物体
2.用数值表示标识符,在机器学习领域称为词嵌入,也称分布式表示
3.词嵌入通常有两种方法——基于平台的Embedding学习,基于预训练模型
4.word2vec是最开始提出的embedding预训练模型
5.word2vec有两种:CBOW和Skip-Gram
6.word2vec数据集的一个样本仅选输入词前后各c个词和输入词进行组合
7.word2vec利用神经网络进行权重更新
8.Hierarchical Softmax和negative sampling是word2vec两种优化策略
嵌入,英文是Embedding,是用向量表示一个物体,这个物体可以是一个单词、一条语句、一个序列、一件商品、一个动作、一部电影等。在机器学习领域,我们把这些统一称为标识符(token),由于数学只认识数字,因此我们用数值表示这些标识符,也即通常说的词嵌入,又称为分布式表示.
传送门:
词嵌入(Word Embedding)
最先开始的embedding是word2vec,我们再详细介绍一次该算法,开始之前,先简单说明一下序列问题的处理步骤。
序列问题
序列,简单来说就是一串元素按照某种性质进行排列。比如数学常见的数列,还有生活中常见的网页浏览、商品浏览,按照时间生成的时间序列......
拿到一份语言材料,要对它进行任务工作,一般需要进行一定的特征工程,流程通常可以表示为下图:
词嵌入是处理序列问题中最具魅力的一环,对于词嵌入的方法,通常有两种——1.利用平台的Embedding层学习,2.使用预训练的词嵌入
对于第一种方法,通过是利用PyTorch、TensorFlow等平台学习,首先初始化词向量,然后平台不断学习得到。比如PyTorch的简单Embedding:
import torch
import jieba
import numpy as np
from torch import nnraw_text = '越努力越幸运'
words = list(jieba.cut(raw_text))
word_to_ix = {i:word for i,word in enumerate(set(words))}#索引化embeds = nn.Embedding(4,3)
keys = word_to_ix.keys()
keys_list = list(keys)
tensor_value = torch.LongTensor(keys_list)
embeds(tensor_value)
第二种嵌入是预训练嵌入——利用较大语料库训练好的预训练模型,把词嵌入加载到当前任务中。预训练模型有很多,最原始的是word2vec,我们先展开介绍这个模型。
CBOW与Skip-Gram
word2vec实质分两种,一种是根据上下文预测目标值,即Continuous Bag-Of-Words Model,简称CBOW;另外一种是根据目标值生成上下文,称为Skip-Gram模型,我们在词嵌入(Word Embedding)文章中详细介绍了它的原理。这两种是相反的过程,我们举一个例子来说明Skip-Gram模型的具体过程,CBOW模型就不再赘述了。在此之前,再强调一下该模型的做出的三个假设:
一个词汇只与其上下文c个词汇有关(称为窗口,window size)
每个单词在窗口下的2c个单词的联合条件概率相互独立且同分布
给定每个单词,在窗口下每个单词的条件概率分布相互独立且同分布
对于下面语料库(句子):
natural language processing and machine learning is fun and exciting
首先,要将这条语句生成一个由序列(输入,输出)构成的数据集,假设取定window size = 2,那么这个数据集的一个样本仅选输入词前后各2个词和输入词进行组合构成:
这条语句一共10个单词,所以数据集是由10个样本构成,从#1~#10.注意,输出标签y不再是一个文本,可能是两个,也可能是三个,这里最多是四个。
接着就是把这些文本变成数字形式表示,利用one-hot编码,虽然该语句一共10个单词,但只有9个互不相同的单词,所以每一个词向量维度应该是9。
我们列出#1~#5前五个样本的向量表示,剩下五个类推:
这样子,就从文本型语句转换为训练集的向量表示。
进行了预处理后的数据集,就可以输入神经网络进行训练,输入是X,输出是Y,隐藏层只有一层,由于输出向量维度是多维的,所以采取softmax激活函数,执行DNN的前向传播与反向传播,然后通过梯度下降更新隐藏层系数矩阵W1和输出层系数矩阵W2:
传送门:多层感知机(MLP)
这里需要注意的是,由于输出的Y是多个的,在计算损失的时候是多个Y的和。这里以样本1举例,假设经过softmax输出层为:
由于样本的输出有两个,所以分布计算损失再求和(以残差为例):
word2vec优化策略
word2vec算法每次迭代要更新两个矩阵:隐藏层系数矩阵W1和输出层系数矩阵W2,如果词汇量V很大的时候,每次更新矩阵就要消耗巨大的资源,特别的是W2,还需要计算梯度。为了提高效率,word2vec有两种优化策略:Hierarchical Softmax和Negative Sampling(负采样)。这两种策略出发点一致:不再显式使用W2矩阵,即不再完全计算或更新W2矩阵。
Hierarchical Softmax(简称HS)是用于加速神经语言模型Softmax的一种方式,HS的实质是基于哈尔曼树(一种二叉树)将计算量大的部分变为一种二分类问题,它将通过W2连接输出层改为隐藏层直接与下面二叉树根节点相连:
这里,白色的叶子节点代表词汇表所有的词汇(假设长度为V),黑色节点表示非叶子节点。用n(w,j)表示从根节点到叶子节点w的路径上的第j个非叶子节点,并且每个非叶子节点对应一个与隐藏层维度相同的向量。
训练一个神经网络意味着要输入训练样本并不断调整神经元权重,每训练一个样本,该样本的权重就会调整一次,从神经网络训练流程可以看出来:
词汇表的大小决定了Skip-Gram神经网络权重矩阵的具体规模,这些权重需要经过上亿次的训练样本来调整,这需要非常消耗资源,在实际中效率会非常低下。而负采样只需要每次更新一个训练样本的一小部分权重,并且能改善所得到的词向量的质量。
word2vec的负样本是one-hot编码后的为0的那些位置的样本,每次让一个训练样本仅仅更新一小部分的权重参数,从而降低梯度下降过程中的计算量。
参考资料:
《深入浅出Embedding》
详解word2vec相关推荐
- 【NLP-词向量】从模型结构到损失函数详解word2vec
上周我们讲到,在进行NNLM训练时,能够得到副产品,词向量.本文介绍一种专门用于词向量制备的方法:word2vec,利用它能够高效的训练出词向量. 作者&编辑 | 小Dream哥 1 word ...
- Word2Vec详解
Word2Vec详解 这几天集中学习了Word2Vec,实现并不复杂,但是真正对一些细节有些了解还查阅了一些资料,今天在这里统一自己整理总结一下. 简介 首先说为什么会有Word2Vec,之前对文字的 ...
- 【转载】word2vec 中的数学原理详解
文章目录 一.前言 二.预备知识 三.背景知识 四.基于 Hierarchical Softmax 的模型 五.基于 Negative Sampling 的模型 六.若干源码细节 原文传送门: wor ...
- 转:word2vec 中的数学原理详解
1,目录和前言 https://blog.csdn.net/itplus/article/details/37969519 2,预备知识:逻辑回归.贝叶斯公式.霍夫曼树 https://blog.cs ...
- 【NLP-语义匹配】详解深度语义匹配模型DSSM
所谓语义匹配,就是在语义上衡量文本的相似度,在产业界有很多的应用需求.例如,在FAQ场景中需要计算用户输入与标问之间的相似度来寻找合适的答案.本文介绍一种经典的语义匹配技术,DSSM,主要用于语料的召 ...
- 通俗易懂word2vec详解词嵌入-深度学习
https://blog.csdn.net/just_so_so_fnc/article/details/103304995 skip-gram 原理没看完 https://blog.csdn.net ...
- Word2Vec算法详解(CBOW和skip-gram算法详解)
这里发现了一篇很好的教程,因此就不写了,大家直接下载看就可以了,自己也偷偷懒,这篇文章对word2vec算法思想讲解的很透彻,很浅显易懂,这里对此表示感谢,当然你的英文比较好的情况下,可以直接看英文原 ...
- Word2vec结构详解及原理推导
目录 统计语言模型 神经概率语言模型 Word2vec Hierarchical Softmax Huffman 树 CBOW 和 Skip-gram Negative Sampling CBOW 和 ...
- 语言处理方法-Word2Vec详解
NLP之--Word2Vec详解 2013年,Google开源了一款用于词向量计算的工具--word2vec,引起了工业界和学术界的关注.首先,word2vec可以在百万数量级的词典和上亿的数据集上进 ...
最新文章
- 用脑科学支持人工智能
- Underscore实例教程
- spring配置异步执行
- python动态图-不就是用Python做个动态图吗?看招
- Caused by: android.content.res.Resources$NotFoundException: String resource ID #0x0
- jquery兄弟标签_js jquery获取当前元素的兄弟级 上一个 下一个元素
- 酒的基金降幅较大,这是为什么?
- @Component,@Bean
- java 对象流 乱码,JAVA 中的 IO 流
- vue 插值表达式,v-cloak,v-text,v-html,以及v-bind,v-on
- dnf时装补丁教程_DNF补丁教程:就 是 这 么 简 单
- 学完了Hadoop,我总结了这些重点
- Matlab 导入并显示png格式的透明图片
- 初学者c语言心里测试小项目
- 关闭Win7系统GUI引导的方法
- VMware运行虚拟机卡慢等解决办法
- Matlab实现平面几何图形的平移、旋转和缩放
- 编程python入门可以嘛_我为什么选择python——对于编程零基础的人为什么建议从Python入门...
- MineMap地图web端定位问题处理
- nextjs 错误日志收集
热门文章
- 【canvas画图】画一个彩虹
- ISE中FIFO IP核的Standard FIFO和First-word-Fall-Through模式的仿真比较
- python-分分钟入门—idea配置开发环境
- 软件配置---重装系统---品牌电脑重启快捷键表
- 一个柠檬轻松制作环保时钟
- 北航os实验lab2笔记
- android 4.4 x86 iso,android x86官方版下载_android x86 4.4 iso 官方最新版[网盘资源]_零度软件园...
- 如何使用	Pixelmator Pro调整照片,打印出最完美的照片效果?
- oracle重做日志论文,Oracle重做日志文件相关概念
- vue项目 - 封装loding组件