Word2vec 模型构建及可视化

╰半橙微兮° 2022-05-27 23:15 346阅读 0赞

文本本质上是一种非结构化的数据，无论过去还是现在，其在数学中的研究远远少于向量。历史上数学家牛顿是第一个在力学情境中研究向量的人。向量的概念已经存在了三个世纪，其科学性已非常成熟。而文本数据的数学探索这个概念只有几十年的历史。现在文本数据的数学思考应用尤其重要。数据的价值已被理解但是还未兑现。大部分商业相关信息最初都是非结构化形式，主要是文本。数据只有读取之后才可见，才能用于商业、教育、政府管理和医疗之中。文本数据的数学探索能够产生洞见提供给医生、企业家、营销人员和教师用来做决策。

## 语言模型 ##

在深入word2vec算法的细节之前，我们先回顾一下NLP中的一个基本问题：**如何计算一段文本序列在某种语言下出现的概率？**

之所为称其为一个基本问题，是因为它在很多NLP任务中都扮演着重要的角色。例如，在机器翻译的问题中，如果我们知道了目标语言中每句话的概率，就可以从候选集合中挑选出最合理的句子做为翻译结果返回。

### 统计语言模型 ###

在统计自然语言处理中，语言模型指的是计算一个句子的概率模型。对于一段文本序列S=w1,w2,...,wT，它的概率可以表示为：

![70][]

即将序列的**联合概率**转化为一系列**条件概率**的乘积。问题变成了如何去预测这些给定previous words下的条件概率p(wt|w1,w2,...,wt−1)。

由于其**巨大的参数空间**，这样一个原始的模型在实际应用中并没有什么效率。我们更多的是采用其简化版本——**Ngram模型**

![70 1][]

常见的如bigram模型（N=2）和trigram模型（N=3）。

事实上，由于模型复杂度和预测精度的限制，我们很少会考虑N>3的模型。

我们可以用最大似然法去求解N-gram模型的参数—— **等价于去统计每个N-gram的条件词频**。

N-gram模型仍有其局限性。首先，由于**参数空间的爆炸式增长，它无法处理更长程的context（N>3）**。其次，它**没有考虑词与词之间内在的联系性**。例如，考虑"the cat is walking in the bedroom"这句话。如果我们在训练语料中看到了很多类似“the dog is walking in the bedroom”或是“the cat is running in the bedroom”这样的句子，那么，即使我们没有见过这句话，也可以从“cat”和“dog”（“walking”和“running”）之间的相似性，推测出这句话的概率。然而， Ngram模型做不到。

这是因为，**N-gram本质上是将词当做一个个孤立的原子单元（atomic unit）去处理的, 这种处理方式对应到数学上的形式是一个个离散的one-hot向量**（除了一个词典索引的下标对应的方向上是1，其余方向上都是0）。例如，对于一个大小为5的词典：\{"I", "love", "natural", "language", "processing"\}，“nature”对应的one-hot向量为：\[0,0,1,0,0\]。显然，one-hot向量的维度等于词典的大小，这在动辄上万甚至百万词典的实际应用中，面临着巨大的维度灾难问题（the curse of dimensionality）。

### 神经网络语言模型 ###

鉴于N-gram等模型的不足，2003年，Bengio等人发表了一篇开创性的文章：A neural probabilistic language model。在这篇文章里，他们总结出了一套用神经网络建立统计语言模型的框架（Neural Network Language Model，以下简称NNLM），并首次提出了word embedding的概念，从而奠定了包括word2vec在内后续研究word representation learning的基础。  
  
NNLM模型的基本思想可以概括如下：  
假定词表中的每一个word都对应着一个**连续的特征向量**；  
假定一个连续平滑的概率模型，输入一段词向量的序列，可以输出这段序列的**联合概率**；  
**同时学习**词向量的权重和概率模型里的参数。  
  
值得注意的一点是，这里的词向量也是要学习的参数。

在03年的论文里，Bengio等人采用了一个简单的前向反馈神经网络f(wt−n+1,...,wt)来拟合一个词序列的**条件概率**p(wt|w1,w2,...,wt−1)。整个模型的网络结构见下图：

![70 2][]

可以将整个模型拆分成两部分加以理解：

首先是一个线性的embedding层。它将输入的N−1个one-hot词向量，通过一个共享的D×V的矩阵C，映射为N−1个分布式的词向量（distributed vector）。其中，V是词典的大小，D是embedding向量的维度（一个先验参数）。C矩阵里存储了要学习的word vector。其次是一个简单的前向反馈神经网络g，它由一个tanh隐层和一个softmax输出层组成。通过将embedding层输出的N−1个词向量映射为一个长度为V的概率分布向量，从而对词典中的word在输入context下的条件概率做出预估：

p(wi|w1,w2,...,wt−1)≈f(wi,wt−1,...,wt−n+1)=g(wi,C(wt−n+1),...,C(wt−1))

我们可以通过最小化一个cross-entropy的正则化损失函数来调整模型的参数θ：  
 ![70 3][]

其中，模型的参数θ 包括了embedding层矩阵C的元素，和前向反馈神经网络模型g里的权重。这是一个巨大的参数空间。不过，在用SGD学习更新模型的参数时，并不是所有的参数都需要调整（例如未在输入的context中出现的词对应的词向量）。**计算的瓶颈主要是在softmax层的归一化函数上（需要对词典中所有的word计算一遍条件概率）。**

然而，抛却**复杂的参数空间**，我们不禁要问，为什么这样一个简单的模型会取得巨大的成功呢？

仔细观察这个模型就会发现，它其实在同时解决两个问题：

一个是统计语言模型里关注的条件概率p(wt|context)的计算；

一个是向量空间模型里关注的词向量的表达。而这两个问题本质上并不独立。**通过引入连续的词向量和平滑的概率模型，我们就可以在一个连续空间里对序列概率进行建模，从而从根本上缓解数据稀疏性和维度灾难的问题**。

### **NNLM缺点** ###

NNLM存在的几个问题：

1. 一个问题是，同Ngram模型一样，NNLM模型**只能处理定长的序列**。在03年的论文里，Bengio等人将模型能够一次处理的序列长度N提高到了5，虽然相比bigram和trigram已经是很大的提升，但依然缺少灵活性。

因此，Mikolov等人在2010年提出了一种 RNNLM 模型， **用递归神经网络代替原始模型里的前向反馈神经网络，并将embedding层与RNN里的隐藏层合并，从而解决了变长序列的问题** 。  
  
  
2. NNLM的**训练太慢**了。即便是在百万量级的数据集上，即便是借助了40个CPU进行训练，NNLM也需要**耗时数周**才能给出一个稍微靠谱的解来。显然，对于现在动辄上千万甚至上亿的真实语料库，训练一个NNLM模型几乎是一个impossible mission。  
**(一般线上应用 不用该模型)**  
  
如果我们只是想得到word的连续特征向量，是不是可以对第二步里的神经网络模型进行简化呢？

Mikolov是这么想的，也是这么做的。他在2013年一口气推出了两篇paper，并开源了一款计算词向量的工具——至此，word2vec横空出世，主角闪亮登场。

下面，我将带领大家简单剖析下word2vec算法的原理。有了前文的基础，理解word2vec算法就变得很简单了。

首先，我们对原始的NNLM模型做如下改造：

*      **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**；
 *     ** 忽略上下文环境的序列信息****：输入的所有词向量均汇总到同一个embedding layer**；
 *   **  将future words纳入上下文环境**

得到的模型称之为CBOW模型（Continuous Bag-of-Words Model），也是word2vec算法的第一个模型。

## Word2vec ##

Word2Vec 是一种将词转换成向量的方法， Word2Vec 来**生成向量捕捉词意**并启用与单词相关联的**算术运算**。

例如：向量（king）+向量（woman）-向量（man）=一个接近向量（queen）的向量

2013年Google开源了一款用于词向量计算的工具Word2vec，引起了工业界和学术界的关注。首先，word2vec可以在百万数量级的词典和上亿的数据集上进行高效地训练；其次，该工具得到的训练结果——词向量（word embedding），可以很好地度量词与词之间的相似性。其实**word2vec算法的本质上是一个浅层神经网络主要有CBOW模型和Skip-gram模型。**当我们在说word2vec算法或模型的时候，其实指的是其背后用于计算word vector的CBoW模型和Skip-gram模型。

![70 4][]

其中w(t)代表当前词语位于句子的位置t，同理定义其他记号。在窗口内（上图为窗口大小为5），除了当前词语之外的其他词语共同构成上下文。

### CBOW ###

CBOW ( Continuous Bag-of-Words Model) ，是一种根据上下文的词语预测当前词语的出现概率的模型。

CBOW是已知上下文，估算当前词语的语言模型。其学习目标是最大化对数似然函数：

![70 5][]

其中，w表示语料库C中任意一个词。

**输入层(INPUT)**：是上下文的词语的词向量（什么！我们不是在训练词向量吗？不不不，我们是在训练CBOW模型，词向量只是个副产品，确切来说，是CBOW模型的一个参数。训练开始的时候，词向量是个随机值，随着训练的进行不断被更新）。

**投影层(PROJECTION):** 对其求和，所谓求和，就是简单的向量加法。

**输出层(OUTPUT): **输出最可能的w。由于语料库中词汇量是固定的|C|个，所以上述过程其实可以看做一个多分类问题。给定特征，从|C|个分类中挑一个。对于神经网络模型多分类，最朴素的做法是softmax回归。

### Skip-gram模型 ###

### skip-gram是当前词,来预测上下文。其学习目标是最大化对数似然函数：    ###

![70 6][]

softmax回归需要对语料库中每个词语（类）都计算一遍输出概率并进行归一化，在几十万词汇量的语料上无疑是令人头疼的。

##     ##

## 如何优化训练词向量 ##

###     ###

### Hierarchical Softmax ###

两种网络结构的最后一层都是一个大的softmax，起到对于每个词的预测概率起归一化作用，可是在实际训练过程中每次迭代都要通过softmax计算每个词的概率是相当**耗费时间**的，能否优化这个呢？

这个问题早在03年Bengio提出的语言模型也遇到，后来他们提出了Hierarchical Softmax来加速。

其基本网络结构都是在下图的基础上，**省略掉hidden layer**：

![70 7][]

### Huffman树    ###

word2vec训练的时候**按照词频将每个词语Huffman编码**，由于**Huffman编码中词频越高的词语对应的编码越短**。所以越高频的词语在Hierarchical Softmax过程中经过的二分类节点就越少，整体计算量就更少。

### 负采样算法 ###

任何采样算法都应该保证频次越高的样本越容易被采样出来。基本的思路是对于长度为1的线段，根据词语的词频将其公平地分配给每个词语：

![70 8][]

counter就是w的词频。于是我们将该线段公平地分配了：

![70 9][]

### 接下来我们只要生成一个0-1之间的随机数，看看落到哪个区间，就能采样到该区间对应的单词了，很公平。   但怎么根据小数找区间呢？速度慢可不行。   word2vec用的是一种查表的方式，将上述线段标上M个“刻度”，刻度之间的间隔是相等的，即1/M：   ![70 10][] ###

### 接着我们就不生成0-1之间的随机数了，我们生成0-M之间的整数，去这个刻度尺上一查就能抽中一个单词了。   在word2vec中，该“刻度尺”对应着table数组。具体实现时，对词频取了0.75次幂： ###

### ![70 11][] ###

###  ###

### sigmoid函数 ###

类似的查表方法还有sigmoid函数的计算，因为该函数使用太频繁，而其值仅仅在靠近0的时候才会剧烈变化，远离0的方向很快趋近0和1。所以源码中也采用了“刻度查表”的方法，先算出了很多个刻度对应的函数值，运算中直接查表。

## 实现 ##

谷歌开源了其代码，有C/C++, python, JAVA, 具体想要快速实验训练一个Word2Vec, 推荐可以使用python 的gensim 模块。

可参考我在语料(SougouCS)上构建和可视化[word2vec模型][word2vec]：https://github.com/Yang-Charles/Build-and-visualize--word2vec-model

[70]: /images/20220528/3cf57a65cfa04787b8daff4c67e0bdd7.png
[70 1]: /images/20220528/13af0c1c4747407bb1aa4fd10868a1ba.png
[70 2]: /images/20220528/17ef8aa40e044f00848bb23f2e45c49c.png
[70 3]: /images/20220528/32f03dc6fada43f1adcb850b0af1f8dd.png
[70 4]: /images/20220528/1e1f5fbb67344eafb13d142bba2d03b5.png
[70 5]: /images/20220528/42a171b41fb04beb8e653c7711ff330e.png
[70 6]: /images/20220528/4e0f399b242b46a29ae1e03ed555de23.png
[70 7]: /images/20220528/59c6c5ba225e4c5fb23b17b6d9ca2aa0.png
[70 8]: /images/20220528/7564d8602442496daa34e3e095fb4831.png
[70 9]: /images/20220528/25d9a0b0341446fdb6d3c99e7ba4e07a.png
[70 10]: /images/20220528/b0671ef64c4a460795c1697d76c73039.png
[70 11]: /images/20220528/1350ef7b7d224eca83a23f0b973384f4.png
[word2vec]: https://github.com/Yang-Charles/Build-and-visualize--word2vec-model