word2vec词向量模型教学教材.pptVIP

下一张目录***************前言计算机老外来访被请吃饭。落座后，一中国人说：“我先去方便一下。”老外不解，被告知“方便”是“上厕所”之意。席间主宾大悦。道别时，另一中国人对老外发出邀请：“我想在你方便的时候也请你吃饭。”老外愣了，那人接着说：“如果你最近不方便的话，咱找个你我都方便的时候一起吃。人类VS语言模型判断一句话是不是正常人说出来的给定一个字符串”w1,w2,w3,w4,…,wt”,计算它是自然语言的概率、P(w1,w2,…,wt)=P(w1)×P(w2|w1)×P(w3|w1,w2)×…×P(wt|w1,w2,…,wt?1)P(大家，喜欢，吃，苹果)=p(大家)p(喜欢|大家)p(吃|大家,喜欢)p(苹果|大家,喜欢,吃)p(大家)表示“大家”这个词在语料库里面出现的概率；p(喜欢|大家)表示“喜欢”这个词出现在“大家”后面的概率;p(吃|大家，喜欢)表示“吃”这个词出现在“大家喜欢”后面的概率；p(苹果|大家,喜欢,吃)表示“苹果”这个词出现在“大家喜欢吃”后面的概率。把这些概率连乘起来，得到的就是这句话平时出现的概率。如果这个概率特别低，说明这句话不常出现，那么就不算是一句自然语言，因为在语料库里面很少出现。如果出现的概率高，就说明是一句自然语言。常用的语言模型都是在近似地求?P(wt|w1,w2,…,wt?1)。比如n-gram模型就是用?P(wt|wt?n+1,…,wt?1)?近似表示前者。N-pos先对词进行了词性分类123模型与方法基本概念实际应用目录Word2VecGoogle的Mikolov在2013年推出了一款计算词向量的工具word2vec作为神经概率语言模型的输入，其本身其实是神经概率模型的副产品，是为了通过神经网络学习某个语言模型而产生的中间结果。具体来说，“某个语言模型”指的是“CBOW”和“Skip-Gram”。具体学习过程会用到两个降低复杂度的近似方法——HierarchicalSoftmax或NegativeSampling。CBOW：ContinuousBag-of-WordsSkip-Gram：ContinuousSkip-GramModelHierarchicalSoftmaxNegativeSampling两个语言模型两种优化方法CBOWandSkip-Gram初始化值是零向量，叶节点对应的单词的词向量是随机初始化的。CBOW的目标是根据上下文来预测当前词语的概率Skip-Gram恰好相反，它是根据当前词语来预测上下文的概率。这两种方法都利用人工神经网络作为它们的分类算法。起初，每个单词都是一个随机N维向量，经过训练之后，利用CBOW或者Skip-Gram方法获得每个单词的最优向量。

CBOW模型结构输入层是上下文的词语的词向量，是CBOW模型的一个参数。训练开始的时候，词向量是个随机值，随着训练的进行不断被更新。当模型训练完成之后可以获得较为准确的词向量。SoftmaxO(|V|)时间复杂度：O(log2(|V|))CBOW模型结构——霍夫曼树在训练阶段，当给定一个上下文，要预测词(Wn)的时候，实际上知道要的是哪个词(Wn)，而Wn是肯定存在于二叉树的叶子节点的，因此它必然有一个二进制编号，如“010011”，那么接下来我们就从二叉树的根节点一个个地去遍历，而这里的目标就是预测这个词的二进制编号的每一位.即对于给定的上下文，我们的目标是使得预测词的二进制编码概率最大。形象地说，我们希望在根节点，词向量和与根节点相连经过logistic计算得到的概率尽量接近0（即预测目标是bit=1）；在第二层，希望其bit是1，即概率尽量接近1……这么一直下去，我们把一路上计算得到的概率相乘，即得到目标词Wn在当前网络下的概率(P(Wn))，那么对于当前这个sample的残差就是1-P(Wn)。于是就可以SGD优化各种权值了。Skip-Gram模型结构cd吃ba小明 喜欢 吃 甜甜 的 苹果123实际应用基本概念模型与方法目录词相似度训练数据集：经过分词后的新闻数据，大小184MB查看中国，钓鱼岛，旅游，苹果几个词语的相似词语如下所示下一张目录***************