word2vec——高效率word特征求取

word2vec——高效word特征求取

继上次分享了经典统计语言模型，最近公众号中有很多做NLP朋友问到了关于word2vec的相关内容，本文就在这里整理一下做以分享。本文分为

概括word2vec
相关工作
模型结构
Count-based方法 vs. Directly predict

几部分，暂时没有加实验章节，但其实感觉word2vec一文中实验还是做了很多工作的，希望大家有空最好还是看一下~

概括word2vec

要解决的问题：在神经网络中学习将word映射成连续（高维）向量，其实就是个词语特征求取。

特点：
1. 不同于之前的计算cooccurrence次数方法，减少计算量
2. 高效
3. 可以轻松将一个新句子/新词加入语料库

主要思想：神经网络语言模型可以用两步进行训练：1. 简单模型求取word vector; 在求取特征向量时，预测每个词周围的词作为cost 2. 在word vector之上搭建N-gram NNLM，以输出词语的概率为输出进行训练。

模型结构

首先回顾NNLM，RNNLM，然后来看Word2Vec中提出的网络——CBOW，skip-gram Model。

1 . NNLM[3]

NNLM的目标是在一个NN里，求第t个词的概率，即

其中f是这个神经网络, 包括 input，projection， hidden和output。将其分解为两个映射：C和g，C是word到word vector的特征映射(通过一个|V|*D的映射矩阵实现)，也称作look-up table， g是以word特征为输入，输出|V|个词语概率的映射：

如下图所示：
输入： n个之前的word（其实是他们的在词库V中的index）
映射：通过|V|*D的矩阵C映射到D维
隐层：映射层连接大小为H的隐层
输出：输出层大小为|V|，表示|V|个词语的概率

用parameter个数度量网络复杂度，则这个网络的复杂度为：

O=N∗D+N∗D∗H+H∗V $O = N*D + N*D*H + H*V$

其中复杂度最高的部分为H*V, 但通常可以通过hierarchical softmax或binary化词库编码将|V|降至

log2V $log_2V$ ，这样计算瓶颈就在于隐层

N∗D∗H $N*D*H$ 了。在word2vec中，为了避免隐层带来的高计算复杂度而去掉了隐层。

2 . RNNLM

RNN在语言模型上优于其他神经网络，因为不用像上面NNLM中的输入要定死前N个词的N。（具体RNN的结构我会在下篇中讲）简单地说， RNN就是一个隐层自我相连的网络，隐层同时接收来自t时刻输入和t-1时刻的输出作为输入，这使得RNN具有短期记忆能力，所以RNNLM的复杂度为：

O=H∗H+H∗V $O = H*H + H*V$

同样地，其中

H∗V $H*V$ 也可以降至

log2V $log_2V$ ，瓶颈就在于

H∗H $H*H$ 了。

由于复杂度最大的部分都在hidden layer, 而且我们的中级目标是提特征（而不是生成语言模型），文中就想能不能牺牲hidden layer的非线性部分，从而高效训练。这也是Word2vec中速度提升最多的部分。这也就是一个Log linear model。所以本质上， word2vec并不是一个深度模型。文中提出了两种log linear model，如下面所述。

3 . Proposed Method 1 - Continuous Bag-of-Words(CBOW) Model

CBOW的网络结构和NNLM类似，变化：

CBOW去掉了NNLM的非线性部分
CBOW不考虑word之间的先后顺序，一起放进bag，也就是在上面NNLM的projection层将映射后的结果求和/求平均（而非按照先后顺序连接起来）
输入不止用了历史词语，还用了未来词语。即，用t-n+1…t-1,t+1,…t+n-1的word作为输入，目标是正确分类得到第t个word。
PS: 实验中得到的best n=4

CBOW的复杂度为：

O=N∗D+D∗log2V $O = N*D + D*log_2V$

CBOW结构图：

3 . Proposed Method 2 - Continuous Skip-gram Model

与CBOW相反，Continuous Skip-gram Model不利用上下文。其输入为当前word，经过projection的特征提取去预测该word周围的c个词，其cost function为：

如下图所示。这里c增大有利于模型的完备性，但过大的c可能造成很多无关词语相关联，因此用随机采样方法，远的词少采，近的多采。

比如定义最大周围距离为C，则对于每个词w(t)，就选择距离为R=range(1,C)，选前后各R个词作为预测结果。
所以，Continuous Skip-gram Model的复杂度为：

O=2C∗(D+D∗log2V) $O = 2C*(D + D*log_2V)$

具体来说，最简单的情况下， $P(w_{t+j}|w_t)$ 的表达式可以为：

其中v和v’分别为输入和输出中的word特征向量。所以说， word2vec方法本质上是一个动态的逻辑回归。

Count-based方法 vs. Directly predict

最后我们看一下之前我们讲过的几个基于统计的传统语言模型与word2vec这种直接预测的方法的比较：

图片摘自Stanford CS244。

参考文献：

NNLM: Y. Bengio, R. Ducharme, P. Vincent. A neural probabilistic language model, JMLR 2003
类似工作：T. Mikolov. Language Modeling for Speech Recognition in Czech, Masters thesis
类似工作：T. Mikolov, J. Kopecky´, L. Burget, O. Glembek and J. Cˇ ernocky´. Neural network based language models for higly inflective languages, In: Proc. ICASSP 2009.]
类似工作：Pennington J, Socher R, Manning C D. Glove: Global vectors for word representation[J]. Proceedings of the Empiricial Methods in Natural Language Processing (EMNLP 2014), 2014, 12.

word2vec——高效率word特征求取

概括word2vec

相关工作

模型结构

Count-based方法 vs. Directly predict

相关推荐