word2vec (CBOW、分层softmax、负采样)
本文介绍
- wordvec的概念
- 语言模型训练的两种模型CBOW+skip gram
- word2vec 优化的两种方法:层次softmax+负采样
- 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
- onehot:
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;
- 词表维度大;
- 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:
- 图a: 5 * 2 + 7 * 2 + 2 * 2 +13 * 2 = 54
- 图b:5 * 3 + 2 * 3 + 7 * 2 + 13 * 1 = 48 (huffman, 带权路径长度较小)
- 参考自: https://zhuanlan.zhihu.com/p/56139075
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:
- 将常见的单词组合(word pairs)或者词组作为单个“words”来处理
- 对高频次单词进行抽样来减少训练样本的个数
- 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
word2vec (CBOW、分层softmax、负采样)的更多相关文章
- [DeeplearningAI笔记]序列模型2.7负采样Negative sampling
5.2自然语言处理 觉得有用的话,欢迎一起讨论相互学习~Follow Me 2.7 负采样 Negative sampling Mikolov T, Sutskever I, Chen K, et a ...
- 通俗易懂的word2Vec负采样理解
理解:http://www.shuang0420.com/2017/03/21/NLP%20%E7%AC%94%E8%AE%B0%20-%20%E5%86%8D%E8%B0%88%E8%AF%8D%E ...
- Hierarchical softmax(分层softmax)简单描述.
最近在做分布式模型实现时,使用到了这个函数. 可以说非常体验非常的好. 速度非常快,效果和softmax差不多. 我们知道softmax在求解的时候,它的时间复杂度和我们的词表总量V一样O(V),是性 ...
- word2vec:CBOW和skip-gram模型
1.CBOW模型 之前已经解释过,无论是CBOW模型还是skip-gram模型,都是以Huffman树作为基础的.值得注意的是,Huffman树中非叶节点存储的中间向量的初始化值是零向量,而叶节点对应 ...
- cs224d 作业 problem set1 (一) 主要是实现word2vector模型,SGD,CBOW,Softmax,算法
''' Created on 2017年9月13日 @author: weizhen ''' import numpy as np def sigmoid(x): return 1 / (1 + np ...
- word2vec的简单理解
word2vec研究如何将词用向量表示,使用的两个重要模型--CBOW模型(Continuous Bag-of-Words Model)和Skip-gram模型(Continuous Skip-gra ...
- 深度解析Word2vec
Word2vec 本质上是一种降维操作--把词语从 one-hot encoder 形式的表示降维到 Word2vec 形式的表示,即Distributed Representation.也就是,通过 ...
- Gensim进阶教程:训练word2vec与doc2vec模型
本篇博客是Gensim的进阶教程,主要介绍用于词向量建模的word2vec模型和用于长文本向量建模的doc2vec模型在Gensim中的实现. Word2vec Word2vec并不是一个模型--它其 ...
- gensim学习笔记
1.词向量建模的word2vec模型和用于长文本向量建模的doc2vec模型 在Gensim中实现word2vec模型非常简单.首先,我们需要将原始的训练语料转化成一个sentence的迭代器:每一次 ...
随机推荐
- c字符串函数
1. bcmp(3) 类ma似于strncmp(3) 但是比较结果不一定是两个字符的ascii码之差. 返回值:相等0,不相等非零(不一定是-1) 2.bcopy(3)类ma似于strncpy(3) ...
- CentOS6.X系统启动流程
1.硬件启动阶段 BIOS自检 BIOS的功能由两部分组成,分别是POST码和Runtime服务.POST阶段完成后它将从存储器中被清除,而Runtime服务会被一直保留,用于目标操作系统的启动.B ...
- PHP三种字符串界定符的区别(单引号,双引号,<<<)
单引号,双引号,<<<的区别如下: 前续:今天突然遇到了<<<EOT,可在运行的时候出错了,所以就度娘了下. 1.单引号:’a string’ \’是唯一的转 ...
- Vue项目使用域名访问配置
1. 编辑C:\Windows\System32\drivers\etc文件夹中的hosts文件,在末尾添加127.0.0.1 www.local.com(你的自定义域名) 注意:如果该文件夹没有ho ...
- java数据结构--array与ArrayList的区别
ArrayList 内部是由一个array 实现的. 如果你知道array 和 ArrayList 的相似点和不同点,就可以选择什么时候用array 或者使用ArrayList , array 提供 ...
- pyqt5-QTDesigner--控件操作
Edit菜单 编辑小伙伴.用鼠标直接拖 编辑控件---样式等等. 点击需要编辑的控件---> 信号与槽 先用鼠标从控件往外拖---> --->选中相应的信 ...
- linux安装篇之mongodb安装及服务自启动配置
1. 下载地址:https://www.mongodb.com/download-center?jmp=nav#community 2.放置到/opt目录下 3.解压:tar -zxvf mongod ...
- docker-compose简单使用
1,下载安装docker-compose # http://get.daocloud.io/ curl -L https://get.daocloud.io/docker/compose/releas ...
- node.js入门学习(四)--Demo图书的增删改查
需求:图书的增删改查,图书数据保存在data.json文件中. 1.Demo结构: 2.首先下载安装node.js,配置环境变量:参考博客 3.项目初始化 1)创建项目根目录node-hello,进入 ...
- Maven手动命令行导入ojdbc6
Maven项目中导入Oracle的驱动包时,可能会出现像我一样下载资源不成功的情况,如下图所示: 出现这种情况的原因其实是因为Oracle的授权问题,这样的话,我们在需要使用Oracle的驱动包时, ...