CS224d L2 word2vec

---

title: CS224d L2 word2vec
date: 2017-03-26 19:18:29
categories: NLP/CS224d
mathjax: true
tags: [CS224d,NLP]

---

1 WordNet

• 缺少细微差别（同义词间）
• 缺少新词
• 主观性大
• 人力成本
• 难离散化

2 “one-hot” representation

x_{2}= \begin{bmatrix} 0\\ 0\\ 0\\ 1\\ 0\\ \end{bmatrix}

存在问题：

• 词汇增加，维度增大
• 缺少词汇间的Similarity特征

3 distributional similarity based representation

3.1 full documents vs window size of（5~10）

• word-documents cooccurrence matrix =》 被称为LSA(latent semantic analysis 浅层语义分析 OR 隐形语义分析)

inverted fille index 倒排文件索引【魏骁勇教授网络数据挖掘】

• window => syntactic(POS) & semantic

  
  
  

  image.png

3.2 问题

• 文档增大，规模增大
• 维度很大(1 在很多文档出现 2 每个文档都很多词)
• 分类模型稀疏
• 不够健壮??

3.3 解决方法：降维

• SVD（奇异值分解）
• Learning representations by back-propagating errors(Rumelhart et al.,1986)
• A Neural Probabilistic Language Model(Bengio et al., 2003)
• Natural Language Processing (almost) from Scratch(Collobert & Weston,2008)
• word2vec(Mikolov et al. 2013)

# SVD的实现
import matplotlib.pyplot as plt
import numpy as np
la = np.linalg
words = ["I","like","enjoy",
         "deep","learning","NLP","flying","."]
# I like deep learning.
# I like NLP.
# I enjoy flying.
# windows size is 1
#             I like enjoy deep learning NLP flying
X = np.array([[0,2,1,0,0,0,0,0], # I
             [2,0,0,1,0,1,0,0], # like
             [1,0,0,0,0,0,1,0], # enjoy
             [0,1,0,0,1,0,0,0], # deep
             [0,0,0,1,0,0,0,1], # learning
             [0,1,0,0,0,0,0,1], # NLP
             [0,0,1,0,0,0,0,1], # flying
             [0,0,0,0,1,1,1,0]]) # .
U,s,Vh = la.svd(X,full_matrices=False)
print(U)
plt.xlim(-0.8*1.1,0.2*1.1)
plt.ylim(-0.8*1.1,0.8*1.1)
for i in xrange(len(words)):
    # print(i)
    plt.text(U[i,0],U[i,1],words[i])
plt.show()

output

3.4 the he has 等词的过滤

• frequency
  • min(t,100)：频数t与某个临界值的比较
  • 直接ignore：频数t过大直接忽略
• 扩大window size：扩大size增加对临近词的计数
• 用皮尔逊相关系数代替计数，并置负数为0：-1<相关系数r<1

注：一些有趣的语义Pattern
来源：An improved model of semantic similarity based on lexical co-occurence

3.5 word2vec

因为SVD存在的问题：

• 矩阵运算量
• 新词的更新
• 不同于其他DL模型的学习框架

提出利用word2vec(Mikolov et al.2013)：
目标函数

J(\theta)=\frac{1}{T}\sum_{t=1}^{T}\sum_{-c<=j<=c,j\neq0}logP(w_{t+j}|w_t)
P(w_0|w_t)=\frac{e^{v_{w_0}^{'T}v_{w_i}}}{\sum_{w=1}^{W}e^{v_{w}^{'T}v_{w_i}}}

求导

image.png

3.6 word2vec的线性关系

apple - apples ≈ car - cars

3.7 GloVe

• word2vec 训练慢，统计不高效使用，但是能度量不止相似性，对其他任务也有好的表现
• Based count 训练快，高效使用统计，但是主要用于相似性度量，小规模不合适

GloVe

• 训练更快
• 大规模语料算法的扩展性也很好
• 小语料表现得也很好

Word embedding matrix（词嵌入矩阵）,提前训练好的词嵌入矩阵

Appendix

• For more details, please click the note 第二讲：词向量
• Softmax回归：多类别的Logistic回归
• TREC(short for "Text REtrieval Conference")
• 深度学习与自然语言处理(1)_斯坦福cs224d Lecture 1 笔记