NLP学习——Word2vec

一、Word2vec简介

        WordW2vec是google在2013年的论文《Efficient Estimation of Word Representations inVector Space》中提出的。顾名思义，是一个词向量模型，也就是将字词转为向量表示。

        Word2vec模型包含两种训练词向量的方法：CBOW和skip-gram。其中CBOW的基本思想是通过该关键词的上下文的词语来预测这个关键词：而skip-gram的基本思想与CBOW相反，是通过该关键词来预测上下文的词语。如下图所示：

 二、训练过程

• CBOW

 具体如上图所示：

1. 首先将关键词的上下文词语进行独热编码，得到的向量长度为词表长度（所有训练语料中不同的词的总个数），形状为的向量，该词的位置为1，其余位置为0。
2. 将每个上下文词语的独热编码乘以一个的权重矩阵，每个词语都乘以同一个权重矩阵。得到多个的向量。
3. 对于这么多个的向量，采用相加求平均的方法整合成一个的向量。
4. 然后将这个的向量与该关键字对应的的矩阵，得到一个的向量。
5. 对于这个的向量需要通过softmax层归一化后得到的向量为关键词的预测向量，该向量不是独热编码，而是有许多浮点数值的概率组成的。概率最大的位置为关键词独热编码为1的位置。
6. 将关键词的预测向量与标签向量（独热编码的向量）进行一个误差计算，通常采用交叉熵。
7. 将这个误差反传回神经元，每一次前向计算后都会将误差反传，从而达到调整权重矩阵和的目的，与BP神经网络同理。

        当损失达到最优则训练结束，便得到了我们需要的权重矩阵，通过这个权重矩阵便可根据输入的独热向量形成词向量。

• skip-gram

        其实skip-gram就是将CBOW反过来操作，如以上那张CBOW的过程图一样，只不过用上面同样的步骤从右边开始解读。明白的话这部分的训练步骤可以不看。

1. 首先将关键词进行独热编码。
2. 将每个关键词的独热编码乘以一个的权重矩阵。
3. 然后将这个关键词的的向量与该关键字的上下文词语词向量（共用一个）的矩阵相乘，得到多个的向量。
4. 对于这些的向量需要通过softmax层归一化后得到的向量为关键词上下文词语的预测向量。
5. 将关键词上下文词语的预测向量与标签向量（独热编码的向量）进行一个误差计算，通常采用交叉熵，对得到的多个交叉熵损失进行求和。
6. 将这个误差反传回神经元，每一次前向计算后都会将误差反传，从而达到调整权重矩阵和的目的。
7. 最后得到形成词向量的权重矩阵是。

三、优缺点

• 优点

1. 由于 Word2vec 会考虑上下文，跟之前的 Embedding 方法相比，效果要更好。
2. 比之前的 Embedding方法维度更少，所以速度更快
3. 通用性很强，可以用在各种 NLP 任务中

• 缺点

1. 由于词和向量是一对一的关系，所以多义词的问题无法解决。
2. Word2vec 是一种静态的方式，虽然通用性强，但是无法针对特定任务做动态优化。

注意：word2vec有负采样和层次softmax的改进，也是知识点和难点，详细可以产靠这篇博客：http://t.csdn.cn/Nie7O

四、代码示例

        这里没有弄很详细的代码，就调用了word2vec的一个包，也就是一个简单的使用例子，知道怎么使用就行，具体的模型参数网上都可以查得到，也不多：

import logging

from gensim.models import Word2Vec
from gensim.models.word2vec import LineSentence
from all_model_param import *

logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s',level=logging.INFO)
model = Word2Vec(
    LineSentence(open('file_path', 'r', encoding='utf8')),
    sg=0,
    epochs=300,
    vector_size=word_vector_size,
    window=5,
    min_count=1,
    workers=8
)

# 词向量保存
model.wv.save_word2vec_format('word2vec/data.vector', binary=False)

# 模型保存
model.save('word2vec/test.model')