@ShawnNg 2017-02-05T16:10:42.000000Z 字数 7030 阅读 4476

从头学起深度学习应用于自然语言处理-词向量

深度学习 NLP

从头学起深度学习应用于自然语言处理-词向量

1 引言

在计算机视觉中，图片作为输入可以直接数值化。在语音识别中，音频也可以直接数值化。而自然语言处理中，文字是不可以直接数值化的，为了让机器能够处理文字，我们需要将文字映射到一个数值空间中。由于词是语义的基本单位，因此对于词的表示尤为重要，我们称词的数值表示为Word Representation，而我们现在所说的词向量经常是指Word embedding，也叫做Distributed Word Representation。为了方便，文中用词表征代表Word Representation，用词向量代表Word embedding。

2 本章介绍

从Word Representation的发展过程引入Word embedding，先从简单的SVD开始介绍，然后到NNLM、word2vec等词向量模型。

3 参考文章

From Frequency to Meaning: Vector Space Models of Semantics
A Neural Probabilistic Language Model
Efficient Estimation of Word Representations in Vector Space
Distributed Representations of Words and Phrases and their Compositionality
CS 224D: Deep Learning for NLP - Lecture Notes: Part I
word2vec数学原理

4 One-hot编码

这是一种十分简单的词表征方式，每个词使用一个 $\mathbb{R}^{|V|}$ 的向量表示， $|V|$ 是词表的大小。比如:

$w^{address}=\begin{bmatrix} 1\\0\\0\\\vdots\\0 \end{bmatrix},w^{home}=\begin{bmatrix} 0\\1\\0\\\vdots\\0 \end{bmatrix},w^{at}=\begin{bmatrix} 0\\0\\1\\\vdots\\0 \end{bmatrix}$
使用one-hot编码的词向量之间是相互独立的，因为对于每个词

$(w^{i})^Tw^{j}=0$ ，所以不能比较两个词之间的相似度，丢失了关键的语义。

5 基于矩阵分解的词表征

5.1 词–文档矩阵(Word-Document Matrix)

如果我们有大量文档，我们用一个矩阵来存储所有的文档的词频信息。矩阵的行向量代表词，列向量代表文档，每个元素代表词在文档中出现的频数。比如我们有两篇文档：
1. I love NLP
2. I love deep learning
经过统计次数，我们可以得到以下矩阵：

$\boldsymbol{X} = \begin{array}{c} &\tiny{d_1}&\tiny{d_2}\\ \begin{array}{c} \tiny{I} \\ \tiny{love} \\ \tiny{NLP} \\ \tiny{deep} \\ \tiny{learning} \\ \end{array} \left.\right[ &\begin{array}{c}1 \\ 1 \\ 1 \\ 0 \\ 0\end{array} &\begin{array}{c}1 \\ 1 \\ 0 \\ 1 \\ 1\end{array} &\left.\right] \end{array}$
如果两个文档有相似的主题，那么两个文档的列向量会趋于有相似类型的词数量。该模型主要用于衡量文档主题的相似性。

5.2 基于窗口的词共现矩阵(Window based Co-occurrence Matrix)

给定一个词，计算在一个限定大小的窗口中出现的其他词的次数。我们将这些计数放在一个矩阵中，矩阵的行表示词，列也是词。假如窗口大小为1，我们需要计算当前词左右两边的两个词。比如,我们两个句子：
1. I love NLP
2. I love deep learning
窗口长度为1，我们得到的矩阵为：

$\boldsymbol{X} = \begin{array}{c} &\tiny{I}&\tiny{love}&\tiny{NLP}&\tiny{deep}&\tiny{learning}\\ \begin{array}{c} \tiny{I} \\ \tiny{love} \\ \tiny{NLP} \\ \tiny{deep} \\ \tiny{learning} \\ \end{array} \left.\right[ &\begin{array}{c}0 \\ 2 \\ 0 \\ 0 \\ 0\end{array} &\begin{array}{c}2 \\ 0 \\ 1 \\ 1 \\ 0\end{array} &\begin{array}{c}0 \\ 1 \\ 0 \\ 0 \\ 0\end{array} &\begin{array}{c}0 \\ 1 \\ 0 \\ 0 \\ 1\end{array} &\begin{array}{c}0 \\ 0 \\ 0 \\ 1 \\ 0\end{array} &\left.\right] \end{array}$ 可以看到矩阵是对称矩阵，可以行或者列作为词表征。这个矩阵的意义在于假如两个词有相似的context则偏向于有相似的意思，也就是说相似的词有相似的词表征。

5.3 SVD(Singular Value Decomposition)

SVD，奇异值矩阵分解。对于任意一个矩阵 $\boldsymbol{X}$ 都可以做奇异值分解：

$\boldsymbol{X}_{m\times n}=\boldsymbol{U}_{m\times m}\boldsymbol{S}_{m\times n}\boldsymbol{V}^T_{n\times n}$ 其中

$\boldsymbol{U}$ 和

$\boldsymbol{V}$ 是正交矩阵，

$\boldsymbol{S}$ 只有对角元素：

，

$\boldsymbol{S} = \begin{bmatrix} \boldsymbol{S}_1 & \boldsymbol{O}\\ \boldsymbol{O} & \boldsymbol{O}\\ \end{bmatrix}，\boldsymbol{S}_1=\begin{bmatrix} \sigma_1 &0&\dots&0\\ 0&\sigma_2 &&\vdots\\ \vdots&&\ddots&0\\ 0&\dots&0&\sigma_r \end{bmatrix}$
其中

$\sigma_1\dots\sigma_r$ 是矩阵

$\boldsymbol{X}$ 的奇异值。

5.4 LSA(Latent Semantic Analysis)

在上述的两种矩阵中，都存在一些问题。比如有大量的文档和词的时候，我们得到的矩阵会很庞大，而且会出现矩阵稀疏问题。后来，有人为了提高相似度的计算准确度，提出了对矩阵进行SVD分解，可以得到更好的词表征。这种方法称为LSA，潜在语义分析。LSA是为了研究词表征，另外还有类似的研究文档表征的方法叫LSI(Latent Semantic Index)。
我们通过计数统计得到了词-文档矩阵或者词共现矩阵 $\boldsymbol{X}$ ，然后对矩阵 $\boldsymbol{X}$ 使用SVD，取最大的 $k$ 个奇异值，由于每个奇异值对应于 $\boldsymbol{U}$ 的列，因此得到 $\hat{\boldsymbol{U}}_{n\times k}$ ，每一行代表一个词表征，因此可以得到 $k$ 维的词表征。

优点：
- 降低矩阵稀疏度
- 减少噪声
缺点：
- 有新词登录或者新的语料出现时，矩阵需要重新计算
- 矩阵维数过高
- 矩阵过于稀疏，因为很多词不能共现
- SVD分解计算时间度不低
- 会出现过高或者过低的词频

然而，word embedding能够解决上述的问题。

6 基于迭代的词表征(词向量)

虽然基于迭代的词表征也是得到一个稠密的向量。但与矩阵分解不同的是，词向量是通过迭代训练模型得到的。

6.1 NNLM[1]

这个模型由Bengio大神于2003年发表，可以说是Neural Language Model的开山之作。本来作者的主要目的是建立语言模型，结果发现了词向量这种副产品，由此引发了后人对词向量的火热研究。想具体了解可以阅读我的另一篇NNLM的论文阅读笔记。

模型使用了一个简单的前向神经网络，网络结构如下图：

该模型是通过上文来预测下一个词。图中的输入是上文的各个词 $w_i$ ，然后将它们的词向量 $C(w_i)$ 连接起来。输出是每个词的概率 $P(w_t\mid context)$ ，从而建立一个语言模型。图中虚线表示词向量层与输出层的直连。

6.2 Word2vec[2]

相信大家都很熟悉Word2vec这个工具，这是Tomas Mikolov在Google的时候出产的训练词向量的工具。其实Tomas也是一个大神啊，Bengio在NNLM的文末就曾经提到可以用RNN来做语言模型，后来Tomas就顺着这个方向发表了两篇用RNN来做语言模型的论文，然后为了专门训练词向量就研究出了Word2vec。

其实Word2vec这个工具中有两个模型（CBOW、Skip-Gram），还有两种加速训练的trick（层次Softmax、负采样），下面分别一一讲述。

首先对符号进行说明：

$w$ 表示词
$x$ 表示one-hot编码
$v$ 和 $u$ 表示词向量
$x(w)$ 表示one-hot编码中对应词 $w$ 位置的值，取值为0或1，只有一个位置上的值为1。

6.2.1 CBOW(Continuous Bag-of-word Model)

这个模型的结构跟NNLM很像，但是用上下文预测中间的词，网络结构如下：

说明:
其实模型中存在两套词向量。
- 一套称为Input词向量，用矩阵 $V_{|V|\times d}=(v_1,\dots,v_{|V|})$ 表示， $|V|$ 是指词表大小， $d$ 是指词向量维度。
- 一套称为Output词向量，用矩阵 $U_{|V|\times d}=(u_1,\dots,u_{|V|})$ 表示。
建模过程：
1. 确定一个窗口大小 $m$ 。
2. 选定目标词位置 $t$ ，得到该位置的上下文：
  
  $(w^{(t−m)},...,w^{(t−1)},w^{(t+1)},...,w^{(t+m)})$
3. 得到上下文各个词的one-hot表示：
  
  $(x^{(t−m)},...,x^{(t−1)},x^{(t+1)},...,x^{(t+m)})$
4. 使用矩阵 $V$ ，计算 $v=Vx$ 得到上下文的词向量（对应图中的INPUT层）：
  
  $(v^{(t−m)},...,v^{(t−1)},v^{(t+1)},...,v^{(t+m)})$
5. 将上下文的词向量相加或者平均，得到。（对应图中的PROJECTION层）：
  
  $\hat{v} = \dfrac{v^{(t−m)}+\dots+v^{(t−1)}+v^{(t+1)}+\dots+v^{(t+m)}}{2m}$
6. 使用矩阵 $U$ ，计算目的词的概率分布（对应图中的OUTPUT层）
  
  $P(w \mid w^{(t−m)},...,w^{(t−1)},w^{(t+1)},...,w^{(t+m)})=\text{softmax}(U\hat{v})=\dfrac{e^{u\hat{v}}}{\sum\limits_{u_i\in U}{e^{u_i\hat{v}}}}$
7. 使用负对数似然（又称交叉熵）损失函数 $J$ ：
  
  $\begin{align*} J &= -\sum_{w} x^t(w)\log P(w \mid w^{(t−m)},...,w^{(t−1)},w^{(t+1)},...,w^{(t+m)})\\ &= -\log P(w^t \mid w^{(t−m)},...,w^{(t−1)},w^{(t+1)},...,w^{(t+m)}) \end{align*}$
训练过程：
1. 选取batch大小 $n$
2. 使用SGD训练，对于每个训练样本的损失函数 $J_i$ ，构造batch的损失函数：
  
  $J_{batch} = \sum_i^n J_i$
3. 每一轮迭代更新 $V$ 和 $U$

6.2.2 Skip-Gram(Continuous Skip-gram Model)

既然可以用上下文来预测目标词，那为何不能用目标词来预测上下文呢，因此Skip-Gram就应运而生。

与CBOW一样，模型中存在两套词向量 $V$ 和 $U$ 。

建模过程：
1. 确定Context的窗口大小 $m$ 。
2. 选取一个目标词 $w^t$ ，然后在目标词的Context中的选择一个词 $w^c$ ，组成训练样本：
  
  $(w^t, w^c)$
3. 得到训练样本的one-hot表示为：
  
  $(x^t, x^c)$
4. 使用矩阵 $V$ ，得到目标词的词向量（对应图中INPUT层）：
  
  $v^t=x^tV$
5. 由于只有一个词，所以不需要相加或者平均，直接复制到下一层（对应PROJECTION层）：
  
  $\hat{v}=v^t$
6. 使用矩阵 $U$ ，计算上下文中的词的概率分布（对应图中的OUTPUT层）：
  
  $P(w \mid w^t) = \text{softmax}(U\hat{v}) = \dfrac{e^{u\hat{v}}}{\sum\limits_{u_i\in U}{e^{u_i\hat{v}}}}$
7. 使用负对数似然（又称交叉熵）损失函数 $J$ ：
  
  $J = -\sum_{w} x^c(w)\log P(w \mid w^t) = -\log P(w^c \mid w^t)$
训练过程：
1. 选取batch大小 $n$
2. 使用SGD训练，对于每个训练样本的损失函数 $J_i$ ，构造batch的损失函数：
  
  $J_{batch} = \sum_i^n J_i$
3. 每一轮迭代更新 $V$ 和 $U$

6.2.3 加速技巧

Word2vec的训练是无监督的，我们只需要分好词，在训练的时候像有监督一样进行梯度下降。因此，在训练模型的时候，我们需要同时更新 $V$ 和 $U$ 。

从公式可以看出，每次迭代只需要更新矩阵 $V$ 中的少量向量（Skip-Gram中是一个）。然而如果我们使用简单的Softmax，我们就要每次都更新整个 $U$ ，假如词表大小到达千万级以上，可想而知这是多么耗时。因此，我们需要一些Trick来加速训练。

6.2.3.1 层次Softmax(Hierarchical Softmax)

层次Softmax是其中一个加速技巧，使用一棵二叉树来表示输出层的节点。我们可以通过统计每个词的词频构造一棵哈夫曼树。
image_1b7kn10t01fj4142t1s64uish1j9.png-145.3kB

与Full Softmax不同的是，输出层是一颗Huffman树，其叶子结点有 $|V|$ 个，非叶子结点有 $|V|-1$ 个，每一个叶子结点代表一个词，每一个叶子结点都有唯一一条从根节点出发的路径。接下来，详细说说其前向传播的步骤：

按照词频构建Huffman树，并且确定哪边是正类，图中左边为正类。
在Projection Layer之前，和前面讲述的一样，得到向量 $\hat{v}$ 。
将 $\hat{v}$ 从根节点出发，使用辅助变量 $\theta$ ，做二分类：

$P(d^w=1) = \text{sigmoid}(\hat{v}\theta) = \dfrac{1}{1+e^{-\hat{v}\theta}}$
如果 $P(d^w)\ge 0.5$ ，则分为正类，到达左孩子。反之，到达右孩子。
重复3、4步，直到到达叶子节点。
到达叶子节点时，这条路径的所有概率相乘就是该词的概率。

可以发现，Full Softmax在计算输出层时，要计算整个词表的概率分布。而
Hierachical Softmax不同，只要沿着一条路径计算二分类，从而得到概率最大的那个叶子节点，并且在后向传播的过程中，只需要更新路径上的辅助变量和输入的词向量。

6.2.3.2 负采样(Negative Sampling)

Negative Sampling是另一种加速方法，它在加速的同时还可以提高词向量的质量。负采样，顾名思义，就是要构造负样本。并且将模型变成了二分类问题。以下内容以CBOW模型为例子介绍负采样。

在语料中选择一个样本 $(w^t,\text{Context}(w^t))$ ，并且通过随机采样得到几个其他词，构造几个负样本 $(w^t_{neg}, \text{Context}(w))$ 。
通过同样的步骤得到 $\hat{v}$ 。
使用词 $w^t$ 对应的输出空间的词向量 $u^t$ 计算二分类概率：

$P(w=w^t\mid \text{Context}(w^t)) = \dfrac{1}{1+e^{u^t\hat{v}}}\\ P(w=w^t_{neg}\mid \text{Context}(w^t)) =1- \dfrac{1}{1+e^{u^t\hat{v}}}$

这时完全可以将这个模型看做是二分类模型了，这样训练速度就会大大提高。

[1] A Neural Probabilistic Language Model ↩
[2] Efficient Estimation of Word Representations in Vector Space ↩