共计 5023 个字符，预计需要花费 13 分钟才能阅读完成。
深度学习根底入门篇[10]：序列模型 - 词示意{One-Hot 编码、Word Embedding、Word2Vec、词向量的一些乏味利用}
在 NLP 畛域，自然语言通常是指以文本的模式存在，然而计算无奈对这些文本数据进行计算，通常须要将这些文本数据转换为一系列的数值进行计算。那么具体怎么做的呢？这里就用到词向量的概念。
个别状况下，当咱们拿到文本数据的时候，会先对文本进行分词，而后将每个单词映射为相应的词向量，最初基于这些词向量进行计算，达到预设工作的成果，下边咱们分如下几节开展介绍词向量相干的常识。
1.One-Hot 编码: 一种简略的单词编码方式
在 NLP 畛域，如何将单词数值化呢，One-Hot 编码就是一种很简略的形式。假如咱们当初有单词数量为 $N$ 的词表，那能够生成一个长度为 $N$ 的向量来示意一个单词，在这个向量中该单词对应的地位数值为 1，其余单词对应的地位数值全副为 0。举例如下：
词典: [queen, king, man, woman, boy, girl]
图 1 one-hot 编码图
假如以后词典中有以上 6 个单词，图 1 展现了其中 4 个单词的 one-hot 编码表示。这个示意是不是挺简略的，然而这种示意形式也有一些不太适合的中央。
首先，在理论利用中词表中单词的数量往往比拟多，高达几十万，甚至百万。这种状况下应用 one-hot 编码的形式示意一个单词，向量维度过长，同时向量会极其稠密。
其次 ，从 图 1 咱们也能够看出向量之间是正交的，向量之间的点积为 0，因而无奈间接通过向量计算的形式来得出单词之间的关系。直观上咱们心愿语义相近的单词之间的间隔比拟近。比方，咱们晓得，“香蕉”和“橘子”更加类似，而“香蕉”和“句子”就没有那么类似，同时，“香蕉”和“食物”，“水果”的类似水平，可能介于“橘子”和“句子之间”。
2.Word Embedding: 一种分布式单词示意形式
前边咱们谈到了 one-hot 编码的缺点，这一节咱们来聊另一种分布式的示意形式：Word Embedding，看他是怎么解决这些问题的。
假如每个单词都能够用 $n$ 个特色进行示意，即能够应用这 $n$ 个特色来刻画每个单词，如 图 2 所示，咱们应用 图 2 中的这 5 个特色来刻画”狗”、”蜈蚣”、”君子兰”和”填空”这几个词。
图 2 单词示意样例
显然，有了这些特色去构建词向量，咱们可能依据这些特色比拟容易地去划分单词的类别，比方”狗”和”蜈蚣”均是动物，在这个角度上说是一类的，他们之间的间隔应该要比”狗”和”君子兰”近。
咱们在回到词向量上来，依照同样的想法，能够应用这 $n$ 个特色来刻画每个单词，并且这 $n$ 个特色是浮点类型的，这样能够拓宽示意范畴。当咱们将视角切换到 $n$ 维空间，那么每个词向量其实就相当于是该 $n$ 维空间的一个点，相当于是将该单词嵌入到该空间中，这也是 Word Embedding 的原始意义。
当然咱们通常是无奈穷举具体的特色类别的，所以在 NLP 畛域个别间接将模型表示为长度为 $n$ 的向量让模型去训练(只是每个向量维度具体代表什么含意是不好去解释的)。但好消息是通过适合的词向量学习算法，是能够比拟好的学习到单词的语义信息的，语义相近的单词之间的间隔会比拟近，语义不同的单词之间间隔会比拟远。
图 3 词向量示意图
图 3 展现了对于词向量的一些例子，当咱们将词向量训练好之后，咱们能够看到 France, England, Italy 等国家之间比拟近，并造成一个小簇；dog, dogs,cat,cats 造成一个小簇。簇内的单词间隔个别会比拟近，不同簇的单词间隔会比拟远。
3.Word2Vec: 一种词向量的训练方法
前边咱们貌似提出了一个对词向量比拟好的冀望，然而如何去学习这些词向量，达到这种成果呢？这就是本节探讨的话题，本节将通过 Word2Vec 为大家解说词向量的训练方法。
简略地讲，Word2Vec 是建模了一个单词预测的工作，通过这个工作来学习词向量。假如有这样一句话Pineapples are spiked and yellow，当初假如 spiked 这个单词被删掉了，当初要预测这个地位本来的单词是什么。
Word2Vec 自身就是在建模这个单词预测工作，当这个单词预测工作训练实现之后，那每个单词对应的词向量也就训练好了。下边咱们来具体看看吧。
3.1 Word2Vec 概述¶
在正式介绍之前，咱们先来科普一下 Word2Vec，Word2vec 是 2013 年被 Mikolov 提出来的词向量训练算法，在论文中作者提到了两种 word2vec 的具体实现形式：间断词袋模型 CBOW和 Skip-gram，如 图 4 所示。
图 4 CBOW 和 Skip-gram 的比照
图 4 中应用了这句话作为例子：Pineapples are spiked and yellow，在这句话中假如中心词是 spiked，这个单词的 上下文 是其余单词:Pineapples are and yellow。
间断词袋模型 CBOW的建模形式是应用上下文单词来预测 spiked 这个单词，当然图片上展现的是 spikey，相当于是预测错了。Skip-gram正好反过来，它是通过中心词来预测上下文。
一般来说，CBOW比 Skip-garm 训练快且更加稳固一些，然而，Skip-garm不会刻意地回避生僻词（即呈现频率比拟低的词），比 CBOW 可能更好地解决生僻词。在本节呢，咱们将以 Skip-garm 的形式探讨词向量的训练过程。
3.2 Skip-gram 训练词向量原理
前边咱们说到，Skip-gram是通过中心词来预测上下文。咱们还是以 Pineapples are spiked and yellow 为例进行解说，如 图 5 所示，中心词是 spiked，上下文是 Pineapples are and yellow，在 Skip-gram 中，上下文是咱们要预测的词，因而这些词也叫指标词。
图 5 Skip-gram 原理图
咱们来看看 Skip-garm 具体是怎么工作的，首先 skip-gram 是应用中心词来预测上下文，即利用 spiked 这个单词来预测 pineapples are and yellow 这 4 个单词，然而训练过程中，这个预测后果很有可能并不是这 4 个单词，然而没关系，咱们会应用这 4 个单词和预测的单词进行计算损失，通过损失的形式将正确的这 4 个单词的信息，应用梯度信息反向流传中心词 spiked，这样在 spiked 单词在下次预测的时候，就会更精确一点。
总结一下，在训练过程中通过梯度的形式，将上下文单词的语义传入到了中心词的示意中，即应用了 spiked 的上下文来训练了 spiked 的词向量。然而咱们来看 spiked，和 prickly 这两个单词，他们的意思都是有刺，多刺的意思，那么实在的文本语料中，他们的上下文大概率也是差不多的，这样通过差不多的上下文去训练这个中心词，那么天然具备雷同语义的词的词向量间隔会比拟近。
3.3 Skip-gram 网络结构
前边咱们提到，Word2Vec 是建模了一个单词预测的工作，通过这个工作来学习词向量。同时呢，Skip-gram 是一种以中心词预测上下文的形式进行的，那咱们来看看它的网络结构长什么样子，如 图 6 所示。
图 6 Skip-gram 网络结构
Skip-gram的网络结构共蕴含三层：输出层，暗藏层和输入层。它的解决步骤是这样的：
- 输出层接管 shape 为 $[1,V]$ 的 one-hot 向量 $x$，其中 $V$ 代表词表中单词的数量，这个 one-hot 向量就是上边提到的中心词。
- 暗藏层蕴含一个 shape 为 $[V,N]$ 的参数矩阵 $W_1$，其中这个 $N$ 代表词向量的维度，$W_1$ 就是 word embedding 矩阵，即咱们要学习的词向量。将输出的 one-hot 向量 $x$ 与 $W_1$ 相乘，便可失去一个 shape 为 $[1, N]$ 的向量，即该输出单词对应的词向量 $e$。
- 输入层蕴含一个 shape 为 $[N,V]$ 的参数矩阵 $W_2$，将暗藏层输入的 $e$ 与 $W_2$ 相乘，便能够失去 shape 为 $[1,V]$ 的向量 $r$，外部的数值别离代表每个候选词的打分，应用 softmax 函数，对这些打分进行归一化，即失去中心词的预测各个单词的概率。
这是一种比拟 现实的 实现形式，然而这里有两个问题：
- 这个输出向量是个 one-hot 编码的形式，只有一个元素为 1，其余全是 0，是个极其稠密的向量，假如它第 2 个地位为 1，它和 word embedding 相乘，便可取得 word embedding 矩阵的第二行的数据。那么咱们晓得这个法则，间接通过访存的形式间接获取就能够了，不须要进行矩阵相乘。
- 在获取了输出单词对应的词向量 $e$ 后，它是一个 $[1,N]$ 向量。接下来，会应用这个向量和另外一个大的矩阵 $W_2$ 进行相乘，最终会取得一个 1 * V 的向量，而后对这个向量进行 softmax，能够看到这个向量具备词表的长度，对这么长的向量进行 softmax 自身也是一个极其耗费资源的事件。
第 1 个问题解决起来比较简单，咱们次要来看第 2 个问题，那怎么解决呢？直观的想法是咱们不要去生成这么多的类别，所以采纳了一个负采样的策略，将海量分类转化成了二分类，来缓解这个问题，下咱们来看看它具体是怎么做的。
3.4 负采样解决大规模分类问题
图 7 应用负采样策略训练 Skip-gram 模型
还是以 Pineapples are spiked and yellow 为例进行解说，如 图 7 所示，其中中心词是 spiked 和上下文词是正样本 Pineapples are and yellow，这里这个正样本代表该词是中心词的上下文。
以正样本单词 Pineapples 为例，之前的做法 是在应用 softmax 学习时，须要最大化 Pineapples 的推理概率，同时最小化其余词表中词的推理概率。之所以计算迟缓，是因为须要对词表中的所有词都计算一遍。然而 咱们还能够应用另一种办法，就是随机从词表中抉择几个代表词，通过最小化这几个代表词的概率，去 近似 最小化整体的预测概率。
例如，先指定一个中心词（spiked）和一个指标词正样本（Pineapples），再随机在词表中采样几个指标词负样本（如”dog，house”等）。
有了这些正负样本，咱们的 skip-gram 模型就变成了一个二分类工作。对于指标词正样本，咱们须要最大化它的预测概率；对于指标词负样本，咱们须要最小化它的预测概率。通过这种形式，咱们就能够实现计算减速。这个做法就是 负采样。
咱们再回到 图 7 看一看整体的训练流程是怎么样的。图 7 中相当于有两个词向量矩阵：黄色的和灰色的，他们的 shape 都是一样的。整体的流程大略是这样的。
- 获取中心词 spiked 的正负样本（正负样本是指标词），这里个别会设定个固定的窗口，比方中心词前后 3 个词算是中心词的上下文(即正样本)；
- 获取对应词的词向量，其中中心词从黄色的向量矩阵中获取词向量，指标词从灰色的向量矩阵中获取词向量。
- 将中心词和指标词的词向量进行点积并通过 sigmoid 函数，咱们晓得 sigmoid 是能够用于 2 分类的函数，通过这种形式来预测中心词和指标词是否具备上下文关系。
- 将预测的后果和标签应用穿插熵计算损失值，并计算梯度进行反向迭代，优化参数。
通过这个训练的形式，咱们就能够训练出咱们想要的词向量，但 图 7 中蕴含两个词向量矩阵（黄色的和灰色的），个别是将中心词对应的词向量矩阵 (黄色的) 作为正式训练出的词向量。看到这里我想你曾经明确 Skip-gram 大抵是如何训练词向量了。
4. 对于词向量的一些乏味利用
前边几节咱们提到，对词向量的冀望是具备雷同语义的词之间的间隔比拟近，不同语义的词之间的间隔比拟远。那么在词向量训练实现之后，咱们能够基于这个冀望去试验一些乏味的利用，也相当于是验证词向量学习的好坏。
4.1 类似度计算
咱们能够去开掘某个单词的同义词，行将一个单词的词向量和其余所有单词词向量进行间隔计算，间隔最小的那些词就是和该单词语义相近的，例如：
- nice: good, great, wonderful
- dog: dogs, puppy
4.2 词聚类
依据各个单词的词向量，能够执行词聚类的算法，这样能够挖掘出一批语义相近的单词，例如：
- Beijing, Washington, Paris, Berlin
- slow, slowser, slowest
4.3 词关系推理
这是比拟乏味的一个利用，通过词语义上的一些关系来进行推理一些词，例如上面几个例子。
- King – Man + Woman = Queen
- China – Beijing + Washington = America