前言

word2vec是如何得到詞向量的？這個(gè)問題比較大。從頭開始講的話，首先有了文本語料庫，你需要對語料庫進(jìn)行預(yù)處理，這個(gè)處理流程與你的語料庫種類以及個(gè)人目的有關(guān)，比如，如果是英文語料庫你可能需要大小寫轉(zhuǎn)換檢查拼寫錯(cuò)誤等操作，如果是中文日語語料庫你需要增加分詞處理。這個(gè)過程其他的答案已經(jīng)梳理過了不再贅述。得到你想要的processed corpus之后，將他們的one-hot向量作為word2vec的輸入，通過word2vec訓(xùn)練低維詞向量(word embedding)就ok了。不得不說word2vec是個(gè)很棒的工具，目前有兩種訓(xùn)練模型(CBOW和Skip-gram)，兩種加速算法(Negative Sample與Hierarchical Softmax)。本答旨在闡述word2vec如何將corpus的one-hot向量(模型的輸入)轉(zhuǎn)換成低維詞向量(模型的中間產(chǎn)物，更具體來說是輸入權(quán)重矩陣)，真真切切感受到向量的變化，不涉及加速算法。如果讀者有要求有空再補(bǔ)上。

1 Word2Vec兩種模型的大致印象

剛才也提到了，Word2Vec包含了兩種詞訓(xùn)練模型：CBOW模型和Skip-gram模型。CBOW模型根據(jù)中心詞W(t)周圍的詞來預(yù)測中心詞

Skip-gram模型則根據(jù)中心詞W(t)來預(yù)測周圍詞

拋開兩個(gè)模型的優(yōu)缺點(diǎn)不說，它們的結(jié)構(gòu)僅僅是輸入層和輸出層不同。請看：CBOW模型Skip-gram模型

這兩張結(jié)構(gòu)圖其實(shí)是被簡化了的，讀者只需要對兩個(gè)模型的區(qū)別有個(gè)大致的判斷和認(rèn)知就ok了。接下來我們具體分析一下CBOW模型的構(gòu)造，以及詞向量是如何產(chǎn)生的。理解了CBOW模型，Skip-gram模型也就不在話下啦。

2 CBOW模型的理解

當(dāng)然，懶省事兒的童鞋們就跟隨我的腳步慢慢來吧。

先來看著這個(gè)結(jié)構(gòu)圖，用自然語言描述一下CBOW模型的流程：CBOW模型結(jié)構(gòu)圖

NOTE：花括號內(nèi){}為解釋內(nèi)容.輸入層：上下文單詞的onehot. {假設(shè)單詞向量空間dim為V，上下文單詞個(gè)數(shù)為C}

所有onehot分別乘以共享的輸入權(quán)重矩陣W. {V*N矩陣，N為自己設(shè)定的數(shù)，初始化權(quán)重矩陣W}

所得的向量 {因?yàn)槭莖nehot所以為向量} 相加求平均作為隱層向量, size為1*N.

乘以輸出權(quán)重矩陣W' {N*V}

得到向量 {1*V} 激活函數(shù)處理得到V-dim概率分布 {PS: 因?yàn)槭莖nehot嘛，其中的每一維斗代表著一個(gè)單詞}，概率最大的index所指示的單詞為預(yù)測出的中間詞(target word)

與true label的onehot做比較，誤差越小越好所以，需要定義loss function(一般為交叉熵代價(jià)函數(shù))，采用梯度下降算法更新W和W'。訓(xùn)練完畢后，輸入層的每個(gè)單詞與矩陣W相乘得到的向量的就是我們想要的詞向量(word embedding)，這個(gè)矩陣(所有單詞的word embedding)也叫做look up table(其實(shí)聰明的你已經(jīng)看出來了，其實(shí)這個(gè)look up table就是矩陣W自身)，也就是說，任何一個(gè)單詞的onehot乘以這個(gè)矩陣都將得到自己的詞向量。有了look up table就可以免去訓(xùn)練過程直接查表得到單詞的詞向量了。

這回就能解釋題主的疑問了！如果還是覺得我木有說明白，別著急！跟我來隨著栗子走一趟CBOW模型的流程！

3 CBOW模型流程舉例假設(shè)我們現(xiàn)在的Corpus是這一個(gè)簡單的只有四個(gè)單詞的document：

{I drink coffee everyday}

我們選coffee作為中心詞，window size設(shè)為2

也就是說，我們要根據(jù)單詞"I","drink"和"everyday"來預(yù)測一個(gè)單詞，并且我們希望這個(gè)單詞是coffee。

假設(shè)我們此時(shí)得到的概率分布已經(jīng)達(dá)到了設(shè)定的迭代次數(shù)，那么現(xiàn)在我們訓(xùn)練出來的look up table應(yīng)該為矩陣W。即，任何一個(gè)單詞的one-hot表示乘以這個(gè)矩陣都將得到自己的word embedding。

如有疑問歡迎提問。

總結(jié)

以上是生活随笔為你收集整理的cbow word2vec 损失_word2vec是如何得到词向量的？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。