深度学习：词嵌入embedding和Word2Vec

目录

前言

一、词嵌入（Embedding）

1.传统自然语言处理问题

2.什么是词嵌入

二、Word2vec模型

1.Word2Vec的基本原理

三、CBOW模型训练过程

---

前言

在机器学习里的自然语言处理，是将语料库中的词语转换成词向量矩阵，再使用朴素贝叶斯算法对其进行预测。这篇文章要讲的是深度学习里关于自然语言处理的一些概念

一、词嵌入（Embedding）

1.传统自然语言处理问题

• 早期的模型没有考虑到词序和上下文关系，使得模型无法捕捉句子中词之间更复杂的语义联系
• 某些传统算法可能需要大量的计算和存储资源，影响其可扩展性

例如：

1. 一个语料库 有4960个词语
2. 每个词语的独热编码都是4959个0和1个1按顺序组成
3. 第一个词语就是000000...0001，第二个0000...0010，依此类推
4. 将其转换成词向量矩阵就是（4960*4960）
5. 每一行数据就是一个词
6. 如果语料库很大，那么就会出现维度灾难
7. 使用词嵌入解决这种情况

2.什么是词嵌入

例如将一个词向量为（1*4960）的词语乘以一个（4960*300）的矩阵，将其变成（1*300）的词向量矩阵，从而达到降维的目的，解决了维度灾难。

二、Word2vec模型

• Word2Vec是由Google的研究团队提出的一种用于词嵌入的模型，旨在将单词转换为向量，以便于计算机理解和处理自然语言。
• 它能够捕捉词与词之间的语义关系，并在许多自然语言处理任务中得到了广泛应用。

1.Word2Vec的基本原理

连续词袋模型（CBOW）：

1. 目标是在给定上下文（周围词）的情况下预测中心词。
2. 例如，在句子"我喜欢学习"中，如果上下文是"我"和"学习"，模型的目标是预测"喜欢"。
3. 即输入"我"、"学习"的独热编码，"喜欢"当做被预测的值

跳字模型（Skip-gram）：

1. 目标是根据中心词预测其上下文。
2. 例如，在句子"我喜欢学习"中，如果中心词是"喜欢"，模型的目标是预测"我"和"学习"。
3. 输入"喜欢"的独热编码，"我"、"学习"当做被预测的值

三、CBOW模型训练过程

1. 当前词的上下文词语的one-hot编码输入到输入层。
2. 这些词分别乘以同一个矩阵W(V*N)后分别得到各自的1*N 向量。
3. 将多个这些1*N 向量取平均为一个1*N 向量。
4. 将这个1*N 向量乘矩阵 W'(N*V) ,变成一个1*V 向量。
5. 将1*V 向量softmax归一化后输出取每个词的概率向量1*V
6. 将概率值最大 的数对应的词作为预测词。
7. 将预测的结果1*V 向量和真实标签1*V 向量（真实标签中的V个值中有一个是1，其他是0）计算误差
8. 在每次前向传播之后反向传播误差，不断调整 W(V*N)和 W'(N*V)矩阵的值。

拿一个词语为4960个的语料库来举例，使用CBOW模型完成词嵌入：

1. 假设选取上下各选两个词语，输入层每一个神经元接收一个词语的独热编码，然后将其乘以第一个权重w1（4960*300）的矩阵，将结果（1*300）的矩阵传入中间层
2. 中间层将输入层传入的四个结果组合成一个（4*300）的矩阵，然后再对每一列进行求和得到（1*300）的矩阵，将该矩阵传入输出层
3. 输出层接收到输入层传入的（1*300）的矩阵，将其乘以第二个权重w2（300*4960）的矩阵，得到（1*4960）的矩阵，每一行就是每个词语的预测结果
4. 对矩阵进行归一化，得到的每一行都是一个词语的概率值
5. 概率值最大的即为预测词
6. 然后将该词的预测结果与真实标签进行误差计算
7. 在每次前向传播之后反向传播误差，不断调整w1和w2的值