word2vec原理与Gensim使用

1 Neural Network Language Model

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。

将整个模型拆分成两部分加以理解：

1. 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V×D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。
2. 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

缺点：

1. NNLM模型只能处理定长的序列
2. NNLM的训练太慢了

与NNLM相比，word2vec的主要目的是生成词向量而不是语言模型，在CBOW中，投射层将词向量直接相加而不是拼接起来，并舍弃了隐层，这些牺牲都是为了减少计算量。不经过优化的CBOW和Skip-gram中 ,在每个样本中每个词的训练过程都要遍历整个词汇表，也就是都需要经过softmax归一化，计算误差向量和梯度以更新两个词向量矩阵（这两个词向量矩阵实际上就是最终的词向量，可认为初始化不一样），当语料库规模变大、词汇表增长时，训练变得不切实际。为了解决这个问题，word2vec支持两种优化方法：hierarchical softmax 和negative sampling。

2 CBOW

CBOW 是 Continuous Bag-of-Words Model 的缩写，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。其学习目标是最大化对数似然函数：$$L=\sum _{w}logp(w|context(w))$$

• 输入层：上下文的词语的词向量
• 投影层：对其求和，所谓求和，就是简单的向量加法。
• 输出层：输出最可能的w，从词汇量|C|个分类中挑一个。输出层对应一个二叉树

2.1 Hierarchical Softmax

上图输出层的树形结构即为Hierarchical Softmax，每个叶子节点代表语料库中的一个词语，以各词在语料中出现的次数当权值构造Huffman树，于是每个词语都可以被01唯一地编码。哈夫曼树，是带权路径长度最短的树，哈夫曼树保证了词频高的单词的路径短，词频相对低的单词的路径长，这种编码方式很大程度减少了计算量

• $p^w$：从根结点出发到达w对应叶子结点的路径.
• $l^w$：路径中包含结点的个数
• $p_1^w,p_2^w,...,p_{l^w}^w$：路径 $p_w$ 中的各个节点
• $d_2^w,d_3^w,...,d_{l^w}^w$：词w的Huffman编码，$d_j^w$表示 $p^w$ 第j个节点对应的编码（根节点无编码）
• ${\theta }_1^w,{\theta }_2^w,...,{\theta }_{l^w-1}^w$：路径 $p_w$ 中非叶节点对应的参数向量

考虑 w = “足球” 的情形



对目标函数取对数似然：$$L=\sum _{w}logp(w|context(w))$$

随机梯度上升：
考虑 $L(w,j)$ 关于 ${\theta }_{j-1}^w$ 的梯度计算：


考虑 $L(w,j)$ 关于 $x_w$ 的梯度计算：

最终目的是求词典中每个词的词向量，而这里 $x_w$ 是 $Context(w)$中各词词向量的累加，直接将梯度的更新贡献到每个词中：

CBOW模型中采用随机梯度上升法更新各参数伪代码(Hierarchical Softmax)：（其中 3.3 和3.4不能交换）

2.2 Negative Sampling

Negative Sampling目的：提高速度、改进模型质量
在CBOW中给定训练样本，即一个词w和它的上下文Context(w)，Context(w)是输入，w是输出。那么w就是正例，词汇表中其他的词语的就是负例。假设我们通过某种采样方法获得了负例子集NEG(w)。对于正负样本，分别定义一个标签：（正样本为1，负样本为0）



为了增大正样本的概率同时降低负样本的概率，最大化 $g(w)$，给定语料库C，函数G作为整体优化目标：$$G=\prod _{w\in C}g(w)$$


随机梯度上升：
考虑 $L(w,u)$ 关于 ${\theta }^u$ 的梯度计算：


CBOW模型中采用随机梯度上升法更新各参数伪代码(Negative Sampling)：

3 Skip-gram

Skip-gram只是逆转了CBOW的因果关系而已，即已知当前词语，预测上下文。其学习目标是最大化对数似然函数：$$L=\sum _{w}logp(context(w)|w)$$

• 输入层：中心词词向量
• 投影层：直接将输入层的词向量传递给输出层。
• 输出层：对应Huffman树

3.1 Hierarchical Softmax

随机梯度上升：
考虑 $L(w,u,j)$ 关于 ${\theta }_{j-1}^u$ 的梯度计算：

Skip-gram模型中采用随机梯度上升法更新各参数伪代码(Hierarchical Softmax)：（其中 3 和4不能交换）

3.2 Negative Sampling

将优化的目标函数由原来的 $G={\prod }_{w\in C}g(w)$ 改写成：$$G=\prod _{w\in C}\prod _{u\in Context(w)}g(u)$$


在上式中，用 $w$ 替换 $u$，用 $w$ 替换 $w$，用 $u$ 替换 $z$

随机梯度上升：

Skip-gram模型中采用随机梯度上升法更新各参数伪代码（Negative Sampling）：

4 负采样算法

给定一个词，如何生成NEG(w)：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：

5. word2vec实战

gensim文档：https://radimrehurek.com/gensim/models/word2vec.html
在gensim中，word2vec 相关的API都在包gensim.models.word2vec中。和算法有关的参数都在类gensim.models.word2vec.Word2Vec中。算法需要注意的参数有：

1. sentences: 我们要分析的语料，可以是一个列表，或者从文件中遍历读出。
2. size: 词向量的维度，默认值是100。如果是超大的语料，建议增大维度。
3. window：即词向量上下文最大距离，window越大，则和某一词较远的词也会产生上下文关系。默认值为5。
4. sg: word2vec两个模型的选择了。如果是0， 则是CBOW模型，是1则是Skip-Gram模型，默认是0即CBOW模型。
5. hs: word2vec两个解法的选择了，如果是0， 则是Negative Sampling，是1则是Hierarchical Softmax。默认是0即Negative Sampling。
6. negative：即使用Negative Sampling时负采样的个数，默认是5。推荐在[3,10]之间。
7. cbow_mean: 仅用于CBOW在做投影的时候，为0： $x_w$ 为上下文的词向量之和，为1则为上下文的词向量的平均值（默认）。
8. min_count:需要计算词向量的最小词频。这个值可以去掉一些很生僻的低频词，默认是5。如果是小语料，可以调低这个值。
9. iter: 随机梯度下降法中迭代的最大次数，默认是5。对于大语料，可以增大这个值。
10. alpha: 在随机梯度下降法中迭代的初始步长。算法原理篇中标记为η，即学习率，默认是0.025。
11. min_alpha: 由于算法支持在迭代的过程中逐渐减小步长，min_alpha给出了最小的迭代步长值。随机梯度下降中每轮的迭代步长可以由iter，alpha， min_alpha一起得出。

from gensim.models import word2vec
// 直接用gemsim提供的API去读取txt文件，读取文件的API有LineSentence 和 Text8Corpus, PathLineSentences等。
sentences = word2vec.LineSentence("data.txt")

// 模型的训练
model = gensim.models.Word2Vec(sentences, size=200, sg=1, iter=8)
// 或：
model= Word2Vec()
model.build_vocab(sentences)
model.train(sentences，total_examples = model.corpus_count，epochs = model.iter)

// 模型的保存
model.save("word2vec.model")  //保存可以在读取后追加训练
model.wv.save_word2vec_format("./word2Vec" + ".bin", binary=True)  // 保存不能追加训练
model.wv.save_word2vec_format("./word2Vec" + ".txt", binary=False) // 保存不能追加训练

//模型的加载
model = Word2Vec.load("word2vec.model")
wordVec = gensim.models.load_word2vec_format("word2Vec.bin", binary=True)
wordVec = gensim.models.load_word2vec_format("word2Vec.txt", binary=False)
// 最省内存的加载方法
model = gensim.models.Word2Vec.load("word2vec.model")
word_vectors = model.wv
del model
word_vectors.init_sims(replace=True)

// 引入KeyedVectors 保存和加载bin,txt模型
wordVec = gensim.models.KeyedVectors.load_word2vec_format("word2Vec.bin", binary=True)  // 载入 .bin文件
wordVec = gensim.models.KeyedVectors.load_word2vec_format("word2Vec.bin.gz", binary=True)  // 载入 .bin文件
wordVec = gensim.models.KeyedVectors.load_word2vec_format("word2Vec.txt", binary=False) // 载入 .txt文件

//增量训练
model = gensim.models.Word2Vec.load("word2vec.model")
model.train(more_sentences)

// Word2Vec应用
model.wv['man']    // 获取词向量
model.wv.similarity('first','is')    // 两个词的相似性距离
model.wv.doesnt_match("input is lunch he sentence cat".split())      // 找出不同类的词即不匹配的词语
model.wv.similar_by_word('沙瑞金'.decode('utf-8'), topn =100) // 找出某一个词向量最相近的词集合
model.wv.most_similar(['man'])   //计算一个词的最近似的词，倒排序
for i in model.wv.most_similar(u"戏剧"):
    print (i[0],i[1]) // 词，分数
model.wv.most_similar(positive=['first', 'second'], negative=['sentence'], topn=1) // 计算两词之间的余弦相似度
model.wv.n_similarity(list1，list2)  //计算两个集合之间的余弦似度

参考：
https://blog.csdn.net/itplus/article/details/37969979
https://www.cnblogs.com/sxron/p/5975596.html
https://www.cnblogs.com/pinard/p/7278324.html
https://radimrehurek.com/gensim/models/word2vec.html