学习笔记：cs224n3
学习视频：cs224n3
学习课件：cs224n3
上课的好处，就在于每节课老师都会解决几个问题，跟着老师的思路走，然后就可以清晰知道这节课学习了什么。
1，还是继续聊聊word2vec
对于word2vec而言，要遍历整个语料库的每个词，然后预测词的上下文的情况，根据损失函数的随机梯度下降，来求解二个词向量的情况。要更新的参数高达|V|*2*m。尤其对于传统的word2vec而言，在softmax的时候，存在很大的问题，因为数据量太大了，进行softmax的时候有很多的问题。
为了解决这个问题，所以，出现了二种Word2vec的实现，分层softmax和负采样，然后根据到底是知道中心词求上下文，还是知道上下文来求中心词，有CBOW,Skip-gram的实现方式。
其中分层softmax涉及到了哈夫曼树，负采样是更为简单的一种实现。
贴出原理贴：http://www.hankcs.com/nlp/word2vec.html#h3-12
对于skip-gram的实现，损失函数如下：
损失函数，用大白话来解释就是，使得出现在上下文的词向量的相似度尽可能高，对于不出现在上下文窗口的词，相似度尽可能的低。此时是通过窗口来作为训练单位，一个窗口或者几个窗口更新一下参数。
2，其他的词向量的处理办法
早在word2vec之前，就出现了很多的词向量的度量方法，这些方法基本都是基于统计共现矩阵。现在来一一解开面纱。
1）基于窗口的共现矩阵。
比如字典有N个词，那么会有一个N*N的一个记录表，来记录词的共现情况。每个元素表示二个词在语料库中共现的次数。
在这种词向量的度量中，首先很大，维度很大，与词表大小有关，其次，很难进行再次学习，也就是有新词来的时候，整个矩阵都需要改变，并且这种词向量的度量方式可能比one-hot好点，但稀疏性也是很高的。
2）SVD
在1）的基础上，我们为了降低维度，所以用了奇异值分解的手段，也就是将N维的向量，降低到k维，K可以是一个固定的低维的向量。还有一些可以改进的点，比如，去除停止词，也就是限制高频词的频次，词频可以用皮尔逊相关系数来进行代替，还可以根据与中心词的距离来衰减词频的权重，而不是统一的给一个度量，窗口不同的位置给予不同的权重。
在SVD中，计算复杂度还是很高的，不方便来训练新词，与深度学习的训练框架有很大的区分，移植性不强。
3，Glove的出现
对于基于统计共现矩阵的方法而言，有效的利用了共现的统计信息，但没有考虑到词语的相似度，语境的相似度问题，而且对于大规模的语料的应用也是很不妥的，计算复杂度很高。对于基于神经网络的词向量的方法而言，有窗口的存在，可以捕捉到局部的统计信息，利用到了上下文，也就是语境的信息，但无法利用到单词的全局统计信息。
所以，为了综合二大类方法，GlOVE出现了。对于第一种方法，可以说串行的词向量抽取，第二种方法，可以说是并行的词向量抽取的方法。用个专业的名词来解释，syntagmatic models/paradigmatic models 详细看这篇文章。https://www.cnblogs.com/Determined22/p/5780305.html
对于Glove的损失函数：
其中，u,v向量等价，最后的向量为二个的求和平均（当然这个平均可以说有也可以说无，毕竟就是一个常数项，放在那里都行）。P为共现矩阵，然后f函数是一个调节的参数。
对于GLove而言，有点在于可以扩展到大语料库，当然，其也适用于小规模的语料库和小向量。
4，对于词向量模型的评价
分为了内部（intrinsic），外部（extrinsic）二种评测的办法。
对于内部的评测方法，可以专门的测验，就是通过与人标注的结果来进行比对，好处是计算块，但坏处是不知道这种提升在实际中是不是有那么大的用处。
对于外部评测，需要在实际的系统应用中进行调节，这种调节起来就很慢了，而且解耦合做的不好，你根本不知道什么起到了作用，你不知道什么没有起到作用。
具体的来说，对于内部的评测方法，一般可以通过可视化的方法，通过词语之间的某些联系来进行测试，判断是否具有平行的关系来进行表述。对于外部评测来说，肯定就是通过外在应用的评价的好坏来进行判断了。
5，对于词向量的调参
1）窗口是否对称，是否只考虑到了单边的效果。
2）向量维度的大小设定是否合理。
3）窗口的大小设置是否合理。