对 【Evaluation methods for unsupervised word embeddings 】 的理解

零、背景介绍

1. Evaluation methods for unsupervised word embeddings介绍无监督学习场景下的词向量评估方法。词嵌入Embedding 的评估方法主要分两个方向，内在评估和外在评估。
2. 外在评估是以Embedding 向量作为下游任务的特征输入，并从任务的具体表现来衡量该Embedding的好坏。如词性标注和命名实体识别，外在评估仅提供一种方式来评估Embedding的好坏，且不清楚如何于其他评估方法联系。
3. 内在评估是直接评估Word Embedding的语法和语义相关性。

一、Embedding介绍

1. 词嵌入可视为对词\(V\)到\(D\)维实数空间的映射， \(V\rightarrow \mathbb{R}^D : \omega \to \overrightarrow{\omega}\) , 单词\(\omega\)是词表\(V\)里的单词，被映射为\(D\)维的\(\overrightarrow{\omega}\)的Embedding.
2. 本文使用余弦相似度计算不同词嵌入间的距离，算式为\(similarity\left ( \omega _1 ,\omega_2 \right ) = \frac{\overrightarrow{\omega_1}\cdot\overrightarrow{\omega_2} }{\left \| \overrightarrow{\omega_1} \right \|\left \| \overrightarrow{\omega_2} \right \|}\),词\(\omega\)的最近邻单词\(v \epsilon V\setminus \left \{ \omega \right \}\)不包括词表中的\(\omega\)本身. 以\(\omega\)作为查询词降序排列与单词\(v\)的相似度\(similarity\left ( \omega ,v \right )\)
3. 本文所有实验均以流行的六大无监督场景词嵌入方法为对比参照，包括连续词袋模型CBOW、C&W、GloVe、Hellinger PCA（H-PCA)、TSCCA(CCA)和稀疏随机映射。词嵌入应该能从概率矩阵中捕获大量相关信息。
4. 为了尽可能的使各对比实验结果公平，鉴于C&W算法只能获取于2007年的维基百科语料库，因此使用2008-03-01的维基百科语料库训练其他5种词嵌入。 本文使用词嵌入的维度空间\(D\)为50，最后使用103647个单词做最近邻实验。

二、内在评估

内在评估分为绝对内在评估和相对内在评估，绝对内在评估使用相同的数据集和相同的下游任务

1. 绝对内在评估，从四个方面来比较：
   a. 相关性（Relatedness):对于一组词，相关性评价就是计算词的余弦相似度，它们的相关性得分由人类主观评价给出，通常为Spearman或 Person相关系数。
   b. 类比性(Analogy)：类比性的评估目标旨在找出已知一组词(a,b), 在给定（x,) 的情况下，能否映射出对应的y。
   举例：(中国，北京） , (日本，y) y若为东京则表示具有较好类比性， 因为每组词的第二个词是第一个词的首都。
   d. 分类(Categorization)：对所有大量不同的词将其聚类并分类到不同类别，每个词都有其对应的类别标签，根据计算分类准确性来计算score得分。
   d. 选择偏好(Selected Preference)：评估目标是判断一个名词是更倾向做一个动词的主语还是宾语，如 人吃xxx 更多出现，而非 吃人xxx.

• 6种embedding方法的内在评估方法结果如下图（标粗为最优）:
  

2. 相对内在评估
   本部分评估使用了100个不同的query word,并从词频、词性、是否为抽象词方面来衡量评估，同时使用KNN（k=1,5,50)来评估score。人为的选取与queryword最相似的词，来计算每个模型词向量表示得分
   例子实验结果分别如下图：
   
   

三、一致性评估（Coherence）

本部分考虑对于一个query word，人为选择2个语义相似度最高的单词以及一个语义不相关的干扰词，看上述6种embedding方法能否从4个词中找出不相关词，数据集使用相对内在评估使用的100个query word。
例子和实验结果分别如下图：

四、外在评估

该评估方法有一个隐含假设:对于任何下游任务，都有一个全局一致的好的embedding表示，然鹅该假设不成立，即不同的下游任务有各自不同最适合的embedding。 emmmm..
论文实验了2个任务：Noun phrase chunking 和 Sentiment classification 得出了上述结论。
实验结果如下图:

五、讨论

词embedding原本只是表示词语的语义信息，而作者在文中表示上述的embedding 方法或多或少的包含了词频信息，且query word的最近邻词和词频有关，同时质疑了余弦相似度作为衡量词语义相似性的合理性。
实验结果如下图:

六、个人感悟

1. 该论文方向很新颖，选择了一个小众但又不得不深思的方向（评估方法）来研究，拓宽了NLP（word embedding）领域研究范围。
2. 部分观点和实验结果有待进一步严谨论证.
3. 沿着某些思路深挖或能有新的发现，如如何更好的做word embedding, 使其不包含词频信息且能涵盖一次多意？ 前路甚远啊.