Press "Enter" to skip to content

Wordembedding 简介

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

Intro to

 

background

 

wordembedding发展史上一个比较大的跨越就是 Distributional Semantics ,即用一个词的上下文去做一个词的表义,拥有相似上下文的词拥有相似的表义。

 

wordembedding in word2vec

 

word2vec原理

 

 

eg. I wanna train wordembedding with given training data.

CBOW: 取窗口大小为2,则用 wanna``train``with``given 为输入, wordembedding 为输出
Skipgram:取窗口大小为2,则用 wordembedding 为输入, wanna``train``with``given 为输出

本文仅以Skipgram为例,CBOW和Skipgram差异并不大。Skipgram需要最大化给定输入词,预测给定窗口里词的概率,即

 

 

传统会以简单的对输出做一个Softmax,即

 

 

但是这样计算的时间复杂度会很高,即

 

 

word2vec默认使用 Hierarchical Softmax 的方式做计算,即对训练词表生成一棵Huffman树,即

 

 

 

More precisely, each word w can be reached by an appropriate path from   
the root of the tree. Let n(w, j) be the j-th node on the path from the  
root to w, and let L(w) be the length of this path, so n(w, 1) = root  
and n(w, L(w)) = w. In addition, for any inner node n, let ch(n) be an  
arbitrary fixed child of n and let [x] be 1 if x is true and -1 otherwise.

 

则时间复杂度变为:

 

 

其中C为窗口大小,D为embedding的dimension,V为output dimension。

 

Negtive Sampling:

 

 

Unigram Distribution:

 

 

对于这个玩意我Google了一下,没有比较明确的搜索结果,所以写了一段代码做了一个简单的试验,随机K个字母,取样本P,对于字母A在K中的概率为Pk,在P中的概率为Pp,以Unigram Distribution,去指数0.1,0.75,0.80得到的概率为Pu0.1,Pu0.75,Pu0.8,Pu0.75相比其他值和Pp更接近于PK。我理解的是,对于wordembedding的语料来说,永远是真实全集的一个观测集,以Unigram Distribution表示要更好一些。代码如下:

 

int main(int argc, char **argv) {
    unsigned long long next_random = (long long)1000;
    vector<int> all;
    vector<int> part;
    int total = 10000000;
    double f = 0.8;
    for (int i = 0; i < total; ++i) {
        next_random = next_random * (unsigned long long)25214903917 + 11;
        all.push_back(next_random % 26 + int('A'));
    }
    int count = 0;
    for (int i = 0; i < total; ++i) {
        if (all[i] == int('A')) {
            ++count;
        }
    }
    cout << "real prop of A: " << double(count) / total << endl;
    unsigned seed = 100;
    shuffle(all.begin(), all.end(), std::default_random_engine(seed));
    for (int i = 0; i < total / 2; ++i) {
        part.push_back(all[i]);
    }
    map<int, int> cnt_map;
    for (int i = 0; i < total / 2; ++i) {
        if (cnt_map.find(part[i]) == cnt_map.end()) {
            cnt_map[part[i]] = 0;
        }
        cnt_map[part[i]]++;
    }
    double sm = 0.;
    for (auto ⁢ : cnt_map) {
        sm += pow(double(it.second), f);
    }
    cout << "part real prop of A: " << cnt_map[int('A')] / double(total / 2) << endl;
    cout << "part noise prop of A: " << pow(double(cnt_map[int('A')]), f) / sm << endl;
    return 0;
}

 

SubSampling:

 

 

其实代码里实现是这样的,或许是为了实现上的方便吧。

 

if (sample > 0) {
           real ran = (sqrt(vocab[word].cn / (sample * train_words)) + 1) * (sample * train_words) / vocab[word].cn;
           next_random = next_random * (unsigned long long)25214903917 + 11;
           if (ran < (next_random & 0xFFFF) / (real)65536) continue;
         }

 

 

subsampling的目的就是为了去除一些可能的无意义的高频词,例如 the``and``for 等等。

 

word2vec实现

 

 

    1. 用简单的hash表存储词,一个hash vector,一个word vector,数据读取时会不断的调整hash表大小来节省内存空间,其一是hash表达到总量70%是去调词频为1的词,然后扩容,第二次扩容去调词频为2的,依次增加,后续会再做一次参数指定的最小词频的词过滤,会再次对hash表做调整。简而言之,稀有词会被从词表里去掉。往往对于某个具体的场景来说,稀有词往往会是一个keyword,这样就要求wordembedding训练的数据量非常大,减少稀有词数量,这样用作基础的embedding,也会更合适。fasttext通过另一种方式解决了这个问题。

 

 

 

其实最后计算的时候用的是word的hash值,其实并没有很明显的one-hot的vector表示,在计算上是没有必要的。

 

 

    1. 用Huffman树表示词,非常惊艳的一段代码

 

 

205 
206 
207 void CreateBinaryTree() {
208   long long a, b, i, min1i, min2i, pos1, pos2, point[MAX_CODE_LENGTH];
209   char code[MAX_CODE_LENGTH];
210   long long *count = (long long *)calloc(vocab_size * 2 + 1, sizeof(long long));
211   long long *binary = (long long *)calloc(vocab_size * 2 + 1, sizeof(long long));
212   long long *parent_node = (long long *)calloc(vocab_size * 2 + 1, sizeof(long long));
213   for (a = 0; a < vocab_size; a++) count[a] = vocab[a].cn;
214   for (a = vocab_size; a < vocab_size * 2; a++) count[a] = 1e15;
215   pos1 = vocab_size - 1;
216   pos2 = vocab_size;
217   
218   for (a = 0; a < vocab_size - 1; a++) {
219     
220     if (pos1 >= 0) {
221       if (count[pos1] < count[pos2]) {
222         min1i = pos1;
223         pos1--;
224       } else {
225         min1i = pos2;
226         pos2++;
227       }
228     } else {
229       min1i = pos2;
230       pos2++;
231     }
232     if (pos1 >= 0) {
233       if (count[pos1] < count[pos2]) {
234         min2i = pos1;
235         pos1--;
236       } else {
237         min2i = pos2;
238         pos2++;
239       }
240     } else {
241       min2i = pos2;
242       pos2++;
243     }
244     count[vocab_size + a] = count[min1i] + count[min2i];
245     parent_node[min1i] = vocab_size + a;
246     parent_node[min2i] = vocab_size + a;
247     binary[min2i] = 1;
248   }
249   
250   for (a = 0; a < vocab_size; a++) {
251     b = a;
252     i = 0;
253     while (1) {
254       code[i] = binary[b];
255       point[i] = b;
256       i++;
257       b = parent_node[b];
258       if (b == vocab_size * 2 - 2) break;
259     }
259     }
260     vocab[a].codelen = i;
261     vocab[a].point[0] = vocab_size - 2;
262     for (b = 0; b < i; b++) {
263       vocab[a].code[i - b - 1] = code[b];
264       vocab[a].point[i - b] = point[b] - vocab_size;
265     }
266   }
267   free(count);
268   free(binary);
269   free(parent_node);
270 }

 

因为此前vocab vector已经排过序了,所以每次取最小的两个子树根节点做为一个新增父节点的子节点,以此地推,则时间复杂度为

 

O(time) = vocab_size/2 + vocab_size/4 + ... + vocab_size / n
        = vocab_size

 

大致思想如下:

 

 

由底向上一层层构建Huffman树,可以跟着代码走一走,很好理解。

 

神经网络的参数存储,包括HS和NEG。

 

350 void InitNet() {
351   long long a, b;
352   unsigned long long next_random = 1;
353   a = posix_memalign((void **)&syn0, 128, (long long)vocab_size * layer1_size * sizeof(real));
354   if (syn0 == NULL) {printf("Memory allocation failed\n"); exit(1);}
355   if (hs) {
356     a = posix_memalign((void **)&syn1, 128, (long long)vocab_size * layer1_size * sizeof(real));
357     if (syn1 == NULL) {printf("Memory allocation failed\n"); exit(1);}
358     for (a = 0; a < vocab_size; a++) for (b = 0; b < layer1_size; b++)
359      syn1[a * layer1_size + b] = 0;
360   }
361   if (negative>0) {
362     a = posix_memalign((void **)&syn1neg, 128, (long long)vocab_size * layer1_size * sizeof(real));
363     if (syn1neg == NULL) {printf("Memory allocation failed\n"); exit(1);}
364     for (a = 0; a < vocab_size; a++) for (b = 0; b < layer1_size; b++)
365      syn1neg[a * layer1_size + b] = 0;
366   }
367   for (a = 0; a < vocab_size; a++) for (b = 0; b < layer1_size; b++) {
368     next_random = next_random * (unsigned long long)25214903917 + 11;
369     syn0[a * layer1_size + b] = (((next_random & 0xFFFF) / (real)65536) - 0.5) / layer1_size;
370   }
371   CreateBinaryTree();
372 }

 

预计算Sigmoid函数值表,作用就是加速计算。

 

708   expTable = (real *)malloc((EXP_TABLE_SIZE + 1) * sizeof(real));
709   for (i = 0; i < EXP_TABLE_SIZE; i++) {
710     expTable[i] = exp((i / (real)EXP_TABLE_SIZE * 2 - 1) * MAX_EXP); 
711     expTable[i] = expTable[i] / (expTable[i] + 1);                   
712   }

 

对于单个词的参数更新,这一块我也没理太清晰,就不纠结了,感兴趣可以自己看源码。

 

496       for (a = b; a < window * 2 + 1 - b; a++) if (a != window) {
497         c = sentence_position - window + a;
498         if (c < 0) continue;
499         if (c >= sentence_length) continue;
500         last_word = sen[c];
501         if (last_word == -1) continue;
502         l1 = last_word * layer1_size;
503         for (c = 0; c < layer1_size; c++) neu1e[c] = 0;
504         
505         if (hs) for (d = 0; d < vocab[word].codelen; d++) {
506           f = 0;
507           l2 = vocab[word].point[d] * layer1_size;
508           
509           for (c = 0; c < layer1_size; c++) f += syn0[c + l1] * syn1[c + l2];
510           if (f <= -MAX_EXP) continue;
511           else if (f >= MAX_EXP) continue;
512           else f = expTable[(int)((f + MAX_EXP) * (EXP_TABLE_SIZE / MAX_EXP / 2))];
513           
514           g = (1 - vocab[word].code[d] - f) * alpha;
515           
516           for (c = 0; c < layer1_size; c++) neu1e[c] += g * syn1[c + l2];
517           
518           for (c = 0; c < layer1_size; c++) syn1[c + l2] += g * syn0[c + l1];
519         }
520         
521         if (negative > 0) for (d = 0; d < negative + 1; d++) {
522           if (d == 0) {
523             target = word;
524             label = 1;
525           } else {
526             next_random = next_random * (unsigned long long)25214903917 + 11;
527             target = table[(next_random >> 16) % table_size];
528             if (target == 0) target = next_random % (vocab_size - 1) + 1;
529             if (target == word) continue;
530             label = 0;
531           }
532           l2 = target * layer1_size;
533           f = 0;
534           for (c = 0; c < layer1_size; c++) f += syn0[c + l1] * syn1neg[c + l2];
535           if (f > MAX_EXP) g = (label - 1) * alpha;
536           else if (f < -MAX_EXP) g = (label - 0) * alpha;
537           else g = (label - expTable[(int)((f + MAX_EXP) * (EXP_TABLE_SIZE / MAX_EXP / 2))]) * alpha;
538           for (c = 0; c < layer1_size; c++) neu1e[c] += g * syn1neg[c + l2];
539           for (c = 0; c < layer1_size; c++) syn1neg[c + l2] += g * syn0[c + l1];
540         }
541         
542         for (c = 0; c < layer1_size; c++) syn0[c + l1] += neu1e[c];
543       }

 

总的来说,word2vec的实现给人的感觉非常优雅,嗯,优雅。

word2vec源码
word2vec Google项目

relate reading

Galina Olejnik, Word embeddings: exploration, explanation, and exploitation
Galina Olejnik, Hierarchical softmax and negative sampling: short notes worth telling

wordembedding in fasttext

 

只记录与word2vec有明显差异的地方。

 

fasttext原理

 

fasttext是一个词预测一个词,即演变成一个二分类问题。

 

 

Subword Model,其思想就是考虑到词的形态学,很多语言都会有prefix,stem,suffix,fasttext将character-ngram当作一个可调整的参数,不同语言的prefix,suffix的长度会有差异。这幺做对于稀有词的表示是有益的,因为数据预处理过程中会去调一些稀有词,对于没有出现在语料里的词也是可以做表示的。其实对于象形文字中文来说,这个思想有更好的适用性,例如 魑魅魍魉``饕餮``圆圈 在表意上就很相近。

 

去character-ngram为3,对于 where ,表示为

<wh
whe
her
ere
re>

分值计算变为所有character-ngram的和:

 

 

因为fasttext引入了Subword Model的概念,所以对于输入层计算次数变为了 (V+B)xD ,其中V为词量,B为subword的存储空间大小,D为wordembedding维数,所以fasttext相比word2vec, word/thread/second 值会稍低一点。

 

fasttext实现

 

fasttext存储word,也是用的HashTable,大致结构与word2vec相同。

 

其实对于 where ,默认 minn 是3, maxnn 是6,对于其实际存储的character-ngram为

<wh
<whe
<wher
<where
whe
wher
where
where>
her
here
here>
ere
ere>
re>

这样能更好是适用于prefix,stem,suffix长度的变化,也能很好的保留词的原意。

 

172 void Dictionary::computeSubwords(
173     const std::string& word,
174     std::vector<int32_t>& ngrams,
175     std::vector<std::string>* substrings) const {
176   for (size_t i = 0; i < word.size(); i++) {
177     std::string ngram;
178     if ((word[i] & 0xC0) == 0x80) {
179       continue;
180     }
181     for (size_t j = i, n = 1; j < word.size() && n <= args_->maxn; n++) {
182       ngram.push_back(word[j++]);
183       while (j < word.size() && (word[j] & 0xC0) == 0x80) {
184         ngram.push_back(word[j++]);
185       }
186       if (n >= args_->minn && !(n == 1 && (i == 0 || j == word.size()))) {
187         int32_t h = hash(ngram) % args_->bucket;
188         pushHash(ngrams, h);
189         if (substrings) {
190           substrings->push_back(ngram);
191         }
192       }
193     }
194   }
195 }

 

对于word2vec,Skipgram采用的是随机窗口位置,即input word可以在窗口内的固定位置,fasttext输入词总是在中心位置,个人更喜欢word2vec的处理方式。

 

训练过程也都大同小异,不过,fasttext的代码更像是一个ML的简易框架,word2vec由于是c写的,很难扩展,也很难维护。

 

text classification in fasttext

 

这个看了源码和论文就顺带记录吧。

 

fasttext linear model:

 

 

 

代码和CBOW实现差不多,只不过output变成了 __label__ ,对于实际应用的话loss采用 OneVsAll 比较好,对于多label而言,可能每一个label的置信度都很低,这样可以不出结果,而且后处理策略也比较好做控制。对于每个label数据量不够不均衡的情况,也可以用这个思想去做样本均衡。

 

TreeHole

 

期望以后能看更多的论文,做更多的实现,不限于工作相关领域,能把其他领域所了解的有趣的东西,值得记录下来的东西,抽时间记录在这里。

 

references

 

fasttext site
P. Bojanowski*, E. Grave*, A. Joulin, T. Mikolov, Enriching Word Vectors with Subword Information
Tomas Mikolov, Kai Chen, Greg Corrado, Jeffrey Dean, Efficient Estimation of Word Representations in Vector Space
Tomas Mikolov, Ilya Sutskever, Kai Chen, Greg Corrado, Jeffrey Dean, Distributed Representations of Words and Phrases and their Compositionality
Tomas Mikolov, Wen-tau Yih, Geoffrey Zweig, Linguistic Regularities in Continuous Space Word Representations
Armand Joulin, Edouard Grave, Piotr Bojanowski, Tomas Mikolov, Bag-of-Tricks-for-Efficient-Text-Classification

Be First to Comment

发表评论

邮箱地址不会被公开。 必填项已用*标注