word2vec (CBOW、分层softmax、负采样)

本文介绍

  1. wordvec的概念
  2. 语言模型训练的两种模型CBOW+skip gram
  3. word2vec 优化的两种方法:层次softmax+负采样
  4. gensim word2vec默认用的模型和方法

未经许可,不要转载。


机器学习的输入都是数字,而NLP都是文字; 为了让机器学习应用在NLP上,需要把文字转换为数字,把文字嵌入到数学空间。

1. 词表示:

  • 词的独热表示:onehot (词之间是孤立的)
    • onehot:
      • 思想:假设词表大小为N, 则每个单字表示为N维向量; 每个单字只有1位为1,其他为0;茫茫0海中一个1
      • 缺点:词之间是孤立的;维度太大
  • 词的分布式表示:(能描述词之间的语义关系)
    • 基于矩阵的分布式表示
    • 基于聚类的分布式表示
    • 基于神经网络的分布表示,词嵌入 word embedding
      • 将01表示改为浮点数表述;降维
      • word2vec是用神经网络训练语言模型(NNLM)过程中得到的参数.
  • 其他概念
    • 语言模型: 就是一段文字成为句子的概率; 经常用的ngram, n=2或3

2. NNLM 神经网络语言模型

用神经网络训练语言模型,常见有两种; 用上下文预测term(CBOW), 用term预测上下文(skip-gram),结构一般是简单三层网络,一个输入层、一个隐含层、一个输出层。

2.1 CBOW 连续词袋模型

  • 变量:词表大小V, 要嵌入到N维空间中,C/2是窗口大小,即上下文取几个term(不算当前term);- N一般取50~300
  • 步骤:参考自 https://www.zhihu.com/question/44832436
    • input layer:窗口内的C个词的onehot表示
    • input layer -> hidden layer:(V维表示降到N维表示)
      • 通过权重矩阵\(W_{V\times N}\) ,将 \(V \times C\)映射为 $N \times C $
    • hidden layer + 激活函数:C个词表示为1个词
      • word2vec中激活函数,用了简单取平均;
    • hidden layer -> output layer:1个N维词还原到高维V维中;
      • 通过权重矩阵\(W_{N\times V}^{'}\) ,将 \(N \times 1\)映射为 \(V\times 1\)
    • output layer + softmax 激活函数,将值归一化到0~1之间 y
    • 用BP+梯度下降优化cost function y和真实y之间的距离,迭代优化参数 \(W、W^{'}\)
    • 收敛result:y是V维向量,每个元素取值0~1, 将最大元素值,还原为onehot编码,就是最终结果了。

2.2 skip-gram 语言模型

思路同CBOW, 只是输入是1个词,输出是C个词;
一般用BP训练得到参数,预测用一次前向传播;

3. word2vec用的优化方法

word2vec结合了CBOW, skip-gram的方法 训练得到参数\(W\), 但在计算中做了很多优化;
可以看到,NNLM计算中,两个问题导致计算量大;

  1. 词表维度大;
  2. softmax计算量大;

下面介绍两种优化方法;

3.1 hierarchical softmax 层次softmax

/ˌhī(ə)ˈrärkikəl/

  • huffman: 带权路径长度最短为目标,可以用log(V)长度的编码表示

    带权路径长度WPL:
  • 层次softmax
    softmax需要对每个词语都计算输出概率,并进行归一化,计算量很大;
    进行softmax的目的是多分类,那么是否可以转成多个二分类问题呢, 如SVM思想? 从而引入了层次softmax

    • 示意图

    • 为什么有效?
      • 1)用huffman编码做词表示
      • 2)把N分类变成了log(N)个2分类。 如要预测的term(足球)的编码长度为4,则可以把预测为'足球',转换为4次二分类问题,在每个二分类上用二元逻辑回归的方法(sigmoid);
      • 3)逻辑回归的二分类中,sigmoid函数导数有很好的性质,\(\sigma^{'}(x) = \sigma(x)(1-\sigma(x))\)
      • 4)采用随机梯度上升求解二分类,每计算一个样本更新一次误差函数
    • 参考自:http://flyrie.top/2018/10/31/Word2vec_Hierarchical_Softmax/
    • gensim的word2vec 默认已经不采用分层softmax了, 因为$log_2 1000=10 $也挺大的;如果huffman的根是生僻字,则分类次数更多;

      3.2 高频词抽样+负采样

为了解决NNLM中softmax过程的计算性能问题,通常有几种优化技巧:

  1. 将常见的单词组合(word pairs)或者词组作为单个“words”来处理
  2. 对高频次单词进行抽样来减少训练样本的个数
  3. 对优化目标采用“negative sampling”方法,这样每个训练样本的训练只会更新一小部分的模型权重,从而降低计算负担

参考自:https://www.jianshu.com/p/56554a63410f

3.2.1 对高频词抽样

主要思想是少训练没有区分度的高频term;
对于我们在训练原始文本中遇到的每一个单词,它们都有一定概率被我们从文本中删掉,而这个被删除的概率与单词的频率有关。词频越高(stopword),抽样越少;

  • 抽样率 \(P(w_{i}) = (\sqrt{\frac{Z(w_i)}{t}}+1)\times \frac{t}{Z(w_i)} = \sqrt{\frac{t}{Z(w_i)}} + \frac{t}{Z(w_i)}\) ,其中
    • \(Z(w_i)\)是词在语料中的出现概率,反比关系,越高频词抽的越少;
    • \(t\)是设定的阈值,正比关系,\(t\)越大,不同频率单词的采样概率差异越大; gensim word2vec中默认值是0.001
    • 抽样率直观理解
      import numpy as np
      import matplotlib.pyplot as plt
      
      x = np.array(range(1, 100)) / 1000.0
      t1 = 0.001
      t2 = 0.0001
      y1 = np.power(t1/x, 0.5) + t1/x
      y2 = np.power(t2/x, 0.5) + t2/x
      plt.plot(x, y1, '-', label='t=0.001')
      plt.plot(x, y2, '-', label='t=0.0001')
      plt.legend()

      3.2.2 负采样 Negative sampling

  • 问题:在NNLM中对于每个样本w, 都要更新一次hidden->output的参数阵\(W^{'}_{N\times V}\),计算量很大;比如词表大小V=10000, N=300, 那么权重矩阵有300万个参数;
  • 思想:如果每次只更新目标词(正例 positive word)和少数几个负例(negative words), 那么计算量会显著减少; 比如如果我们每次只更新M=1+5个,则更新了6*300=1800, 1800/300万=0.06%; 计算量减少了3个数量级。
  • negative words如何选择:根据词表中出现的概率,出现概率越高,被选作负样本的概率越高;
    • \(P(w_i) = \frac{f(w_i)^{3/4}}{\sum_{j=0}^{v}{f(w_j)^{3/4}}}\), 其中\(f(w_j)\)是出现的概率,3/4是经验值,比线性关系更弱化了些;

4. gensim word2vec默认参数(CBOW+负采样)

默认用了CBOW模型,采用高频词抽样+负采样进行优化;

from gensim.models import Word2Vec
word2vec.Word2Vec(sentences=None, size=100, alpha=0.025, window=5, min_count=5, max_vocab_size=None, sample=0.001, seed=1, workers=3, min_alpha=0.0001, sg=0, hs=0, negative=5, ns_exponent=0.75, cbow_mean=1,  iter=5, null_word=0, trim_rule=None, sorted_vocab=1, batch_words=10000, compute_loss=False, callbacks=(), max_final_vocab=None)
  • 上下文窗口大小:window=5
  • 忽略低频次term:min_count=5
  • 语言模型是用CBOW还是skip-gram?sg=0 是CBOW
  • 优化方法是用层次softmax还是负采样:hs=0 是负采样
  • 负采样样本数: negative=5 (一般设为5-20)
  • 负采样采样概率的平滑指数:ns_exponent=0.75
  • 高频词抽样的阈值 sample=0.001

猜你喜欢

转载自www.cnblogs.com/liyuxia713/p/11185028.html
0条评论
添加一条新回复