【NLP-词向量】从模型结构到损失函数详解word2vec / 开普饭

上周我们讲到，在进行NNLM训练时，能够得到副产品，词向量。本文介绍一种专门用于词向量制备的方法：word2vec，利用它能够高效的训练出词向量。

作者&编辑 | 小Dream哥

1 word2vec是什么？

在阐述word2vec的原理之前，笔者先大致介绍一下，word2vec是什么，能够用来干什么，让读者有一个大致的认识。

word2vec是2013年Efficient estimation of word representations in vector space论文中提出的一种有效的词向量制备方法，沿用至今。

word2vec用前馈神经网络进行训练，提出了Continuous Bag-of-Words和Continuous Skip-Gram两种模型训练方法，损失层有层次Softmax（Hierarchical Softmax）和负采样（Negative Sampling）两种。

2 模型结构

上面我们说了，word2vec是一种高效的制备词向量的方法，那么跟2003年的NNLM相比，它的效率高在哪里呢？先从网络结构开始，我们来细细看一下。

如上图所示，是word2vec中提出的两种模型训练模式：Continuous Bag-of-Words和Continuous Skip-Gram。

Continuous Bag-of-Words：

CBOW是这样一种任务，给定一个去掉了中间一个词的context，预测其中间的那个词。它跟NNLM的任务有点相似，差别在于，它是双向的，即预测词时利用了该词前后的词语信息。

Continuous Skip-Gram：

Continuous Bag-of-Words是通过一个词，预测其周围的几个词。

以Continuous Bag-of-Words为例，我们来看看word2vec的网络结构。

如上图所示，word2vec将网络做了如下的改造：

1.输入的所有词向量相加求和得到SUM，称为embedding layer；

2.移除前向反馈神经网络中非线性的hidden layer，直接将中间层的embedding layer与输出层的softmax layer连接；

我们来分析下这样做有什么好处呢？移除中间的隐藏层，最大的好处就是能够极大的减少运算量了，训练时候的效率就能够大幅提升。Continuous Skip-Gram也是相似的道理了。

3 损失函数

以CBOW模型为例，训练时最容易想到的是，得到输入序列的SUM embedding之后，通过一个project和softmax层，计算出字典V中每个词的概率，再构建交叉熵之类的损失函数，然而直接对词典里的V个词计算相似度并归一化显然是极其耗时的。

为此作者提出了层次Softmax（Hierarchical Softmax）和负采样（Negative Sampling）两种损失层。层次Softmax（Hierarchical Softmax）原理很有意思，但是计算起来还是比NCE要复杂。因此，真正应用比较多的是NCE，这里就详细介绍一下NCE的原理。

负采样的思想最初来源于一种叫做Noise-Contrastive Estimation的算法，原本是为了解决那些无法归一化的概率模型的参数预估问题。

在CBOW中，给定一个去掉了中间一个词的context(w)，预测其中间的那个词w。那么，中间的那个词w就是正样本，其他的词就是负样本了。那么NCE的过程大致是这样的，对于context(w)构造一个关于w的负样本集NEG(w)；在训练时，针对{w,NEG(w)}构造一个目标函数，通过优化该目标函数优化整个网络的参数（包括词向量）。

那么，这个目标函数该怎么构建呢？

我先定义一个这样的函数，