吴恩达Deeplearning.ai 知识点梳理（course 5，week 2）

  本周主要讲Word Embeddings，

Word Embedding Intro

Word Representation

  之前我们表示word，都是采用one-hot进行表示。这种方式有一个缺点，就是词和词之间是正交的。但是事实上词和词之间是有关系的。举个例子来说，I want a glass of orange ( )，一般就填juice，现在就算我们的language model学会了orange 和juice是一个poplar phrase，但是由于language model并不知道orange和apple是啥关系，也不知道orange和apple的关系，与orange和man/woman/king/queen的关系相比，是不是更近一些，所以很难在apple juice这个phrase上边泛化。这就是用one-hot编码后正交带来的问题。

  在这种情况下，可以采用另一种表达法：Feature Representation，也就是Word Embedding。它是列举一些通用的Feature，例如Gender，Royal，Age等，给每一个词汇进行一个打分，例如Man的Gender是-1，Woman的Gender是+1，King是-1，Queen是+1，而Apple和Orange则应该为0。在这种表示法下，Apple和Orange之间的相似度则更有机会比Woman和Orange之间的形似度大。

  如果我们采用t-SNE的方式把Feature Representation的word降维绘制出来，则会发现他们能够一组一组的聚在一起。同时King和queen之间的差别，与man和woman之间的差别类似。Word Embedding这个词的意思就是将Word潜入到一个Feature空间中。

使用Word Embeddings

  使用Word Embeddings的一个例子是姓名检测：

比方说神经网络学习了S J is an orange farmer. Robert Lin is an apple farmer. 假如把apple换成了Duran，farmer换成了cultivator，也许你这个named entity recognition没有训练这个Duran cultivator，甚至有可能压根没见过Duran，cultivator这两个词，但是如果Word Embedding告诉说Duran和orange很像，cultivator和farmer很像，那么这个时候就有可能也会把Robert Lin作为named Entity检测出来。Word Embeding算法本身可能是从一个巨大的语料库里进行学习，例如10亿规模，或者千亿规模的unlabeled的语料库里学习Duran和orange的关系。然后就可以采用word embedding来进行transfer learning。

因此利用word embedding的流程就如同上边所示。

  一个和word embedding比较类似的任务是face encoding。这个encoding和embedding其实是一个意思。face encoding其实就是将face经过Siamese network映射到一个vector上，然后进行对比。

Word Embedding 的性质

  Word Embedding 有一个很有趣的性质。那就是类比：

  在Feature Space中，woman-man ≈ ≈ king-queen，其实也就是说woman和man的差别主要是在性别上。而king和queen的差别也是主要集中在性别上，因此这两个的差异是相似的。所以可以有类比。一般来说类比的准确率在30%~75%左右。这样我们便可以采用余弦距离来进行相似度的度量：

Formalize Word Embedding Learning

  说了这么久，word embedding究竟究竟是如何形式化的呢？

  事实上，word embedding learning就是学习一个embedding matrix E E ，这个 E E 将one-hot vector变换到embedding的空间。通常来说，这个 E E 是随机初始化的，然后通过优化得到最终的 E E 。

Word Embedding Learning

Learning Word Embeddings - Language Model

  学习word embedding的一个很好的方式就是采用学习language model的方法：

  这个方法是先将各个word用E进行投影到embedding的空间，然后stack起来，用一个softmax来预测下一个词是什么。softmax当然也是有自己的w和b。由于整个模型希望用很少的feature，例如300，来表达数万词汇，然后network发现有的时候会出现apple juice，有的时候会出现orange juice，因此会将apple等水果变成比较相似的向量。

  进一步，如果是训练language model，那么确实需要用last 4 words，但是如果是学习word embedding，那么就可以把target word附近进行学习，例如前后各4个词，例如a glass of orange ? to go along with. 甚至也可以Last 1 word，例如看到了orange，那下一个词是啥？更神奇的是Nearby 1 word，假如看到了glass，那下一个词是啥？这个叫做skip-gram model。这种nearby 1 word，也可以work很好。

Word2Vec Skip-gram model

  正如上边所讲的，Word2Vec Skip-Gram model就找到一个target，然后在context里边随机采样。然后拿去softmax做训练。

  就是上图这种。softmax就是softmax，没啥特别的。

  但是这个算法的问题是如果真的这么算，这个计算量会非常大，比方说10000个素材，那个分母就得计算10000个，如果是100B，那就不得了了。所以会采用softmax tree的方式，这样就可以logN的复杂度了。另外softmax tree也不是平衡的tree，而是根据出现概率的大小来的。
  另外是如何进行contex 采样？因为a啊，the啊，都比容易出现，我们不想每次更新太多a，所以一般不是采用均匀采样的方式，而是采用经验法来balance一下common word和非common word。

Negative Sampling

  Negative Sampling和Word2Vec很像，但是大大简化了计算量：

  这个是首先采集一个context word，然后从context里边选一个target word，然后再从词典里边随机选4个（large dataset）到20个（small dataset），然后做1，0预测。

  所以相比较而言，这个就简单了很多。这个问题相当于在问，我选了一个context word，那么word1是不是target word？word2是不是target word。相比计算10000个word，我们只需要计算5个左右的logistic regression就可以了。
  如何进行采样呢？作者给出了建议：

  就按照出现的频次取power(*, 3/4)就可以了。

GloVe

  GloVe算法在自然语言处理社区也有很多拥趸。GloVe算法非常简单。

  首先是计算出target i在context c里边出现的次数。
然后做如下的优化：

  其实就是想用 θTiej θ i T e j 预测次数 log(Xi,j) l o g ( X i , j ) ，换个形式 eθTiej e θ i T e j 来预测次数 Xi,j X i , j ，所以也是logistic regression的一种形式。同时由于这里边 θi θ i 和 ej e j 是对称的，所以最后结果就直接去一个平均数就可以了。

  值得指出的是，用word embedding学习来的 E E 并不一定对应于我们人能够理解的Feature，很有可能是变换过的。其实就跟CNN选特征一样。我们也不知道到底选了那些特征，为啥选这个特征。

Word Embedding 的应用

情感分类

  情感分类最大的问题是数据量不足。因此我们采用word embedding的方式进行：

  一个简单的例子就是直接把词汇投射到embedding的空间里，然后vector做一个平均，然后使用softmax做分类，这样能够解决变长的问题。但是一个比较有问题的是，假如一句话里边有一个否定词，然后剩下都是好好好，那很可能也到一个错误的结果。因此这里可以采用RNN的方法：

  这样就有更好的曲面能够拟合了。这里需要说明的是，如果lacking换成了absent，由于使用了word embedding，因此也能得到一个很好的效果。

Word Embedding带来的歧视

  有的时候Word Embedding会出现一些歧视，比方说Man对应程序猿，Woman对应家庭主妇。其实这个是因为统计概率导致的。但是从公平上讲，Woman应该对应女程序猿。由于AI系统今后可能会指导决策，因此一个中立的AI系统是非常重要的。

  消除歧视一般分为3步，第一步是找到bias的方向，比方说 ehe−eshe e h e − e s h e 和 emale−efemale e m a l e − e f e m a l e ，然后求个平均，这样就能到到bias的方向。第二步，使用SVD将有问题的向量投射到垂直于bias的子空间里边，这样就消除了bias。第3步，均衡化，有的时候投射完了，会导致一些词汇距离另一些词汇的距离发生变化，带来新的bias，例如baby sitter距离grandma比grandpa更近，因此要将grandma和grandpa调整一下，使得距离相同。