谈谈Word2Vec的CBOW模型
0x00 背景
最近在做毕设,需要使用Google的word2vec。查阅了相关资料,总结后,写下这篇。
注,本文大多取自以下内容:
cbow例子,取自知乎,已取得答主同意
word2vec数学原理详解
word2vec今生前世
0X01 简介
word2vec是Google与2013年开源推出的一个用于获取word vecter的工具包,利用神经网络为单词寻找一个连续向量看空间中的表示。
word2vec有两种网络模型,分别为:
- Continous Bag of Words Model (CBOW)
- Skip-Gram Model
- 在开始之前,需要一些准备知识(统计语言模型):
- 《word2vec的前世今生》
http://www.cnblogs.com/iloveai/p/word2vec.html- 吴军博士的《数学之美》
0X02 CBOW网络模型
- 输入层:
假设当前词为W,Context(W)由W前后C个词构成。
所以输入层中有2c个词向量, v(Context(W)1), ······,v(Context(W)2c)
- 投影层:
将输入层的2c个向量累加,即
- 输出层:
输出层为一棵二叉树,以词库中的词作为叶子结点,并以词频为权重构造出来的Huffman树,如果词库中有D个词,则有D个叶子结点。 0X03 CBOW模型流程举例
假设 Courpus = { I drik coffee everyday } ,根据 “I”“drink”“everyday”来预测“coffee”。
投影层将每个词向量加起来,
这里Xw即上图Uo ,当Xw传导到输出层时,因为输出层为一棵二叉树,每一次分支都可视为进行一次二分类,将分到左边为负类,分到右边为正类。
根据sigmoid函数,可将二分类函数写成:
所以,一个结点被分到正类的概率是:
被分到负类的概率是:
这里Θ向量是待定参数。
将每个分支的概率相乘就是所需的 P( W | Context(W) )
对概率函数取对数,即
并对式子求 Xw的偏导 和 Θ 的偏导。
详细过程在《word2vec中的数学原理详解》http://suanfazu.com/t/word2vec-zhong-de-shu-xue-yuan-li-xiang-jie-duo-tu-wifixia-yue-du/178
最终,通过大量的数据迭代,使用梯度下降更新W和W’,来最小化loss函数,训练结束后的W就是词向量的矩阵,任何一个单词的One-Hot表示乘以这个矩阵W就可以得到其词向量的表示。
0X04 word2vec的使用
我用的是python的gensim库
from gensim.models.word2vec import Word2vec model = Word2Vec(data_set,size,window,negative,iter) model.save(file) // 训练完后保存 model = Word2Vec.load(file) model.wv['compute'] // 词向量保存在wv实例里,得到“compute”的词向量 model.wv.similarity('woman', 'man') // 求词与词之间的相关性
几个重要的参数:
sg : 为0则cbow(默认),为1则Skip-gram
size:特征向量的维度
window:预测词与当前词的最大距离
negative:if > 0 ,使用负样本,通常5-20,默认5个噪声词
iter:词库的迭代次数当然了,想了解更多可以上官网看看。
附上链接
https://radimrehurek.com/gensim/models/word2vec.html
谈谈Word2Vec的CBOW模型相关推荐
- Word2vec之CBOW 模型
Word2vec之CBOW 模型 CBOW模型流程举例 假设我们现在的语料库是这一个简单的只有四个单词的文本: Step 1. 得到上下文词的one-hot向量作为输入,同时得到预期的输出one-ho ...
- Word2vec之CBOW
一.Word2vec word2vec是Google与2013年开源推出的一个用于获取word vecter的工具包,利用神经网络为单词寻找一个连续向量看空间中的表示.word2vec是将单词转换为向 ...
- Word2vec之CBOW模型和Skip-gram模型形象解释
Word2vec中两个重要模型是:CBOW和Skip-gram模型 首先Wordvec的目标是:将一个词表示成一个向量 这里首先说下我对CBOW模型的理解 这是主要是举个例子简化下 首先说下CBOW的 ...
- Word2Vec之Skip-Gram与CBOW模型
Word2Vec之Skip-Gram与CBOW模型 word2vec是一个开源的nlp工具,它可以将所有的词向量化.至于什么是词向量,最开始是我们熟悉的one-hot编码,但是这种表示方法孤立了每个词 ...
- 自己动手写word2vec (四):CBOW和skip-gram模型
系列所有帖子 自己动手写word2vec (一):主要概念和流程 自己动手写word2vec (二):统计词频 自己动手写word2vec (三):构建Huffman树 自己动手写word2vec ( ...
- word2vec包中cbow模型--学习笔记
基于Hierarchical softmax的CBOW模型 网络结构:包括3层,分别为输入层,投影层和输出层 假设Context(w)是由词w的前后各c个词组成 输入层:包含Context(w)中2c ...
- word2vec原理(五):skip-gram和CBOW模型代码实现
目录 代码一 代码二 第一部分代码对于skip-gram和CBOW模型是通用的,第二部分是实现skip-gram模型的代码. 代码一: import os from six.moves.urllib. ...
- word2vec中的CBOW模型
模型结构 CBOW模型,中文译为"连续词袋模型",完成的任务是给定中心词 的一定邻域半径(比如半径为2,通常成为windows,窗口,这里窗口的大小为5)内的单词 ,预测输出单词 ...
- 理解 Word2Vec 之 Skip-Gram 模型
20211003 NLP系列:Word2Vec原始论文:Efficient Estimation of Word Representations in Vector Space - 简书 原始论文翻译 ...
最新文章
- 十年磨剑 中国光伏产业强势崛起
- PhpStorm 中文设置教程
- 渲染管道(3)几何阶段一“概述”
- sql_mysql注入基础篇
- python字典嵌套实例
- okta-spring_通过Okta的单点登录保护Spring Boot Web App的安全
- hdu6107 倍增法st表
- stm32实验报告心得体会_STM32实验报告
- tab和TabHost
- python怎么安装xlutils_Python3安装xlutils
- Nginx 优秀的核心架构设计揭秘,让你搞懂高并发之道
- 使用wsimport构建WebService客户端
- chrome自动发送邮件插件
- linux读usb转ttl串口数据,ubuntu16.04使用USB转TTL(ch340)串口转usb调试过程
- 《大数据之路:阿里巴巴大数据实践》-第2篇 数据模型篇 -第10章 维度设计
- Python 基于jieba的三国演义词频分析与可视化
- Adobe Photoshop CS6 仅需要两个步骤快速去除图片中的文字
- 数据分析专题报告范文6篇_数据分析系列篇(6):如何写好一个专题的分析报告...
- 对未来人工智能的一些预测和想法
- Solr Server服务器端安装配置