8.1. Word2vec

在自然语言处理（NLP）任务中，如何将单词转换为能够被机器直接处理的数值形式一直是一个根本问题。早期的方法（例如 one-hot 编码）虽然直观，但存在向量维度高、稀疏且无法体现单词间细微语义差异的问题。我们迫切需要一种既低维又能捕捉单词语义和语法信息的表示方式。Word2vec (Mikolov et al., 2013) 的目标在于通过大量无标签文本数据学习每个单词的dense vector 表示，使得：

• 在低维空间中，语义相近的单词其向量距离也较为接近；

• 单词之间的关系可以通过向量运算反映出其内在联系。

这样得到的词向量可以直接应用于文本分类、机器翻译、信息检索等下游任务中。

Word2vec概述

Word2vec 通过上下文（context）来学习单词的向量表示。文本的上下文为现代语言学中的一个基本概念，由 (Firth, 1957) 提出：“You shall know a word by the company it keeps.” 这一假设指导我们通过观察单词在大量文本中与哪些词共同出现，来推断该单词的语义。具体来说，当单词出现在文本中时，其上下文是该单词周围的一些单词。例如下图：

图8.1.1 上下文示例

这些上下文单词决定了单词loves的语义。Word2vec 使用了大量的文本语料库来学习单词的向量表示。它遍历语料库中的每个单词，并通过调整单词的向量表示，使得模型预测的上下文单词与语料库中的真实上下文单词尽可能一致。

Word2vec 主要包含两种模型：Skip-gram 和 Continuous Bag of Words model (CBOW)。

Skip-gram 模型

Skip-gram 模型通过中心词预测上下文词。具体来说，给定一个中心词，模型预测其上下文词 出现的概率。如果我们考虑在语料库中的滑行窗口，在位置 \(t\) 的中心词为 \(w_t\)，其上下文词为 \(w_{t-m}, w_{t-m+1}, \cdots, w_{t-1}, w_{t+1}, \cdots, w_{t+m}\)，其中 \(m\) 是窗口大小。Skip-gram 中上下文词的条件概率 \(P(w_{t+j} | w_t)\) 可以表示为：

(8.1.1)\[P(w_{t+j} | w_t) = \frac{e^{v_{w_{t+j}}^T v_{w_t}}}{\sum_{k=1}^{V} e^{v_{w_k}^T v_{w_t}}}\]

其中 \(v_{w_i}\) 是单词 \(w_i\) 的向量表示。那么，将滑行窗口遍历整个语料库，我们可以得到似然函数：

(8.1.2)\[\prod_{t=1}^{T} \prod_{m<=j<=m} P(w_{t+j} | w_t)\]

CBOW 模型 CBOW 模型通过上下文词预测中心词。具体来说，给定上下文词 \(o\)，模型预测中心词 \(c\) 出现的概率。CBOW 模型中心词的条件概率 \(P(w_t | w_{t+j})\) 可以表示为：

(8.1.3)\[P(w_t | w_{t+j}) = \frac{e^{v_{w_t}^T v_{w_{t+j}}}}{\sum_{k=1}^{V} e^{v_{w_k}^T v_{w_{t+j}}}}\]

将滑行窗口遍历整个语料库，我们可以得到似然函数：

(8.1.4)\[\prod_{t=1}^{T} \prod_{m<=j<=m} P(w_t | w_{t+j})\]

Word2vec 的模型结构

在以上条件概率公式中，容易引起误会的是 中心词的向量 \(v_{w_t}\) 和 上下文词的向量 \(v_{w_{t+j}}\) 实际并不在一个向量空间中 (Rong, 2014)。以 Skip-gram 模型为例，假设向量空间的维度为\(D\)，中心词向量表\(\mathbf{W} \in \mathbb{R}^{V \times D}\)，上下文词向量表\(\mathbf{W}^c \in \mathbb{R}^{V \times D}\)，其中\(V\)是词汇表的大小。Word2vec 的模型结构如下：

图8.1.2 word2vec 模型

从左到右，输入给定一个中心词的one-hot表示 \(\mathbf{x}_t \in \{0, 1\}^V\)，中心词的向量 \(\mathbf{w}_{t}\) 可以表示为：

(8.1.5)\[\mathbf{v}_{w_t} = \mathbf{x}_t^T \mathbf{W}\]

再将中心词的向量 \(\mathbf{v}_{w_t}\) 与 上下文向量词表 \(\mathbf{W}^o\) 第\(t+j\)行相乘，得到softmax的分母的输入。而分子输入为上下文向量词表 \(\mathbf{W}^o\) 整个与中心词向量 \(\mathbf{v}_{w_t}\) 的乘积。最后，通过softmax, 可以对上下文词的概率进行预测。

负采样

在计算softmax (8.1.1) 和 (8.1.3) 时，需要对词汇表中的所有单词进行计算，这会导致计算复杂度非常高。为了降低计算复杂度，Word2vec 采用了负采样技术。以 Skip-gram 模型为例，负采样技术通过随机采样一些负样本（即，不是中心词的上下文词），来替代 \(\log P(w_{t+j} | w_t)\)。

(8.1.6)\[\log \sigma(v_{w_{t+j}}^T v_{w_t}) + \sum_{i=1}^{k} \mathbb{E}_{w_i \sim P_n(w)} \log \sigma(-v_{w_i}^T v_{w_t})\]

其中，\(\sigma(x) = \frac{1}{1 + e^{-x}}\) 是 sigmoid 函数，\(k\) 是负样本的数量，\(P_n(w)\) 是负样本的分布。在原文中，\(P_n(w) = \frac{\text{count}(w)^{3/4}}{\sum_{\text{all words } w'} \text{count}(w')^{3/4}}\), \(\text{count}(w)\) 是单词 \(w\) 在语料库中出现的次数。

由函数单调性可知，\(\log \sigma(v_{w_{t+j}}^T v_{w_t})\) 越大，\(\log \sigma(-v_{w_i}^T v_{w_t})\) 越小，即 \(P(w_{t+j} | w_t)\) 越大。直观上，极大似然会将经常出现的上下文词拉向中心词，而负采样则将负样本推离中心词。这与原始的似然函数 (8.1.1) 的优化目标一致，并且在最大化原始似然函数的同时 \(\max P(w_{t+j} | w_t)\), 并且避免了对整个词汇表的计算。