作者:韩信子 @ShowMeAI ,路遥@ShowMeAI ,奇异果@ShowMeAI
教程地址 :http://www.showmeai.tech/tutorials/36
本文地址 :http://www.showmeai.tech/article-detail/231
声明:版权所有,转载请联系平台与作者并注明出处
收藏ShowMeAI 查看更多精彩内容
NLP介绍与词向量初步
ShowMeAI 为斯坦福CS224n 《自然语言处理与深度学习(Natural Language Processing with Deep Learning)》课程的全部课件,做了中文翻译和注释 ,并制作成了GIF动图!
词向量、SVD分解与Word2vec
本讲内容的深度总结教程 可以在这里 查看。视频和课件等资料的获取方式见文末 。
引言 CS224n是顶级院校斯坦福出品的深度学习与自然语言处理方向专业课程。核心内容覆盖RNN、LSTM、CNN、transformer、bert、问答、摘要、文本生成、语言模型、阅读理解等前沿内容。
ShowMeAI 将从本节开始,依托cs224n课程为主框架,逐篇为大家梳理NLP的核心重点知识原理。
NLP介绍与词向量初步
本篇内容覆盖 第1课直接切入语言和词向量,讲解了自然语言处理的基本概念,文本表征的方法和演进,包括word2vec等核心方法,词向量的应用等。
自然语言与文字 word2vec介绍 word2vec目标函数与梯度 算法优化基础 word2vec构建的词向量模式 Introduction and Word Vectors
1. 自然语言与词汇含义 1.1 人类的语言与词汇含义 咱们先来看看人类的高级语言。
人类的语言与词汇含义
人类之所以比类人猿更“聪明”,是因为我们有语言,因此是一个人机网络,其中人类语言作为网络语言。人类语言具有信息功能和社会功能。
据估计,人类语言只有大约5000年的短暂历史。语言和写作是让人类变得强大的原因之一。它使知识能够在空间上传送到世界各地,并在时间上传送。
但是,相较于如今的互联网的传播速度而言,人类语言是一种缓慢的语言。然而,只需人类语言形式的几百位信息,就可以构建整个视觉场景。这就是自然语言如此迷人的原因。
1.2 我们如何表达一个词的意思? 我们如何表达一个词的意思?
我们如何表达一个词的含义 呢?有如下一些方式:
用一个词、词组等表示的概念。 一个人想用语言、符号等来表达的想法。 表达在作品、艺术等方面的思想。 理解意义的最普遍的语言方式 (linguistic way ):语言符号与语言意义(想法、事情)的相互对应
denotational semantics:语义 signifier(symbol) \Leftrightarrow signified(idea \quad or \quad thing) 1.3 如何在计算机里表达词的意义 要使用计算机处理文本词汇,一种处理方式是WordNet :即构建一个包含同义词集和上位词(“is a”关系)的列表的辞典。
英文当中确实有这样一个wordnet,我们在安装完NLTK工具库和下载数据包后可以使用,对应的python代码如下:
from nltk.corpus import wordnet as wn
poses = { 'n':'noun', 'v':'verb', 's':'adj (s)', 'a':'adj', 'r':'adv'}
for synset in wn.synsets("good"):
print("{}: {}".format(poses[synset.pos()], ", ".join([l.name() for l in synset.lemmas()])))
from nltk.corpus import wordnet as wn
panda = wn.synset("panda.n.01")
hyper = lambda s: s.hypernyms()
list(panda.closure(hyper))
结果如下图所示:
如何在计算机里表达词的意义
1.4 WordNet的问题 WordNet的问题
WordNet大家可以视作1个专家经验总结出来的词汇表,但它存在一些问题:
① 忽略了词汇的细微差别
例如“proficient”被列为“good”的同义词。这只在某些上下文中是正确的。 ② 缺少单词的新含义
难以持续更新! 例如:wicked、badass、nifty、wizard、genius、ninja、bombast ③ 因为是小部分专家构建的,有一定的主观性
④ 构建与调整都需要很多的人力成本
⑤ 无法定量计算出单词相似度
1.5 文本(词汇)的离散表征 文本(词汇)的离散表征
在传统的自然语言处理中,我们会对文本做离散表征,把词语看作离散的符号:例如hotel、conference、motel等。
一种文本的离散表示形式是把单词表征为独热向量 (one-hot vectors )的形式
在独热向量表示中,向量维度=词汇量(如500,000),以下为一些独热向量编码过后的单词向量示例:
motel = [0 \ 0 \ 0 \ 0 \ 0 \ 0 \ 0 \ 0 \ 0 \ 0 \ 1 \ 0 \ 0 \ 0 \ 0] hotel = [0 \ 0 \ 0 \ 0 \ 0 \ 0 \ 0 \ 1 \ 0 \ 0 \ 0 \ 0 \ 0 \ 0 \ 0] 1.6 离散表征的问题 离散表征的问题
在上述的独热向量离散表征里,所有词向量是正交的,这是一个很大的问题。对于独热向量,没有关于相似性概念,并且向量维度过大。
对于上述问题有一些解决思路 :
① 使用类似WordNet的工具中的列表,获得相似度,但会因不够完整而失败 ② 通过大量数据学习词向量本身相似性,获得更精确的稠密词向量编码 1.7 基于上下文的词汇表征 近年来在深度学习中比较有效的方式是基于上下文的词汇表征 。它的核心想法 是:一个单词的意思是由经常出现在它附近的单词给出的 “You shall know a word by the company it keeps” (J. R. Firth 1957: 11)
。
基于上下文的词汇表征
这是现代统计NLP最成功的理念之一,总体思路有点物以类聚,人以群分的感觉。
当一个单词 w 出现在文本中时,它的上下文是出现在其附近的一组单词(在一个固定大小的窗口中) 基于海量数据,使用 w 的许多上下文来构建 w 的表示 如图所示,banking的含义可以根据上下文的内容表征。
2.Word2vec介绍 2.1 词向量表示 下面我们要介绍词向量的构建方法与思想,我们希望为每个单词构建一个稠密表示的向量,使其与出现在相似上下文中的单词向量相似。
词向量表示
词向量 (word vectors)有时被称为词嵌入 (word embeddings)或词表示 (word representations)。稠密词向量是分布式表示(distributed representation)。 2.2 Word2vec原理介绍 Word2vec (Mikolov et al. 2013)是一个学习词向量表征的框架。
Word2vec原理介绍
核心思路 如下:
基于海量文本语料库构建 词汇表中的每个单词都由一个向量表示(学习完成后会固定) 对应语料库文本中的每个位置 t ,有一个中心词 c 和一些上下文(“外部”)单词 o 使用 c 和 o 的词向量来计算概率 P(o|c) ,即给定中心词推断上下文词汇的概率(反之亦然) 不断调整词向量来最大化这个概率 下图为窗口大小 j=2 时的 P\left(w_{t+j} | w_{t}\right) ,它的中心词为 into
Word2vec原理介绍
下图为窗口大小 j=2 时的 P\left(w_{t+j} | w_{t}\right) ,它的中心词为 banking
Word2vec原理介绍
3.Word2vec 目标函数 3.1 Word2vec目标函数 我们来用数学表示的方式,对word2vec方法做一个定义和讲解。
3.1.1 似然函数 对于每个位置 t=1, \cdots, T ,在大小为 m 的固定窗口内预测上下文单词,给定中心词 w_j ,似然函数可以表示为:
Likelihoood = L(\theta) = \prod^{T}_{t=1} \prod_{-m \leq j \leq m \atop j \neq 0} P(w_{t+j} | w_{t} ; \theta) 上述公式中, \theta 为模型包含的所有待优化权重变量
3.1.2 目标函数 对应上述似然函数的目标函数 J(\theta) 可以取作(平均)负对数似然:
J(\theta)=-\frac{1}{T} \log L(\theta)=-\frac{1}{T} \sum_{t=1}^{T} \sum_{-m \leq j \leq m \atop j \neq 0} \log P\left(w_{t+j} | w_{t} ; \theta\right) Word2vec目标函数
注意:
目标函数 J(\theta) 有时也被称为“代价函数 ”或“损失函数 ” 最小化目标函数 \Leftrightarrow 最大化似然函数(预测概率/精度),两者等价 补充解读:
上述目标函数中的log形式是方便将连乘转化为求和,负号是希望将极大化似然率转化为极小化损失函数的等价问题 在连乘之前使用log转化为求和非常有效,特别是做优化时 \log \prod_i x_i = \sum_i \log x_i 得到目标函数后,我们希望最小化目标函数,那我们如何计算 P(w_{t+j} | w_{t} ; \theta) ?
Word2vec目标函数
对于每个词 w 都会用两个向量:
当 w 是中心词时,我们标记词向量为 v_w 当 w 是上下文词时,我们标记词向量为 u_w 则对于一个中心词 c 和一个上下文词 o ,我们有如下概率计算方式:
P(o | c)=\frac{\exp \left(u_{o}^{T} v_{c}\right)}{\sum_{w \in V} \exp \left(u_{w}^{T} v_{c}\right)} Word2vec目标函数
对于上述公式,ShowMeAI 做一点补充解读:
公式中,向量 u_o 和向量 v_c 进行点乘 向量之间越相似,点乘结果越大,从而归一化后得到的概率值也越大 模型的训练正是为了使得具有相似上下文的单词,具有相似的向量 点积是计算相似性的一种简单方法,在注意力机制中常使用点积计算Score,参见ShowMeAI文章C5W3 16.Seq2Seq序列模型和注意力机制 3.2 从向量视角回顾Word2vec 下图为计算 P(w_{t+j} |w_{t}) 的示例,这里把 P(problems|into; u_{problems},v_{into},\theta) 简写为 P(u_{problems} | v_{into}) ,例子中的上下文窗口大小2,即“左右2个单词+一个中心词”。
从向量视角回顾Word2vec
4.Word2vec prediction function 4.1 Word2vec预测函数 回到上面的概率计算,我们来观察一下
P(o | c)=\frac{\exp \left(u_{o}^{T} v_{c}\right)}{\sum_{w \in V} \exp \left(u_{w}^{T} v_{c}\right)} 取幂使任何数都为正 点积比较 o 和 c 的相似性 u^{T} v=u . v=\sum_{i=1}^{n} u_{i} v_{i} ,点积越大则概率越大 分母:对整个词汇表进行标准化,从而给出概率分布 Word2vec预测函数
这里有一个softmax的概率,softmax function \mathbb{R}^{n} \in \mathbb{R}^{n} 示例:
将任意值 x_i 映射到概率分布 p_i
\operatorname{softmax}\left(x_{i}\right)=\frac{\exp \left(x_{i}\right)}{\sum_{j=1}^{n} \exp \left(x_{j}\right)}=p_{i} 其中对于名称中soft和max的解释如下(softmax在深度学习中经常使用到):
max:因为放大了最大的概率 soft:因为仍然为较小的 x_i 赋予了一定概率 4.2 word2vec中的梯度下降训练细节推导 下面是对于word2vec的参数更新迭代,应用梯度下降法的一些推导细节,ShowMeAI 写在这里做一点补充。
首先我们随机初始化 u_{w}\in\mathbb{R}^d 和 v_{w}\in\mathbb{R}^d ,而后使用梯度下降法进行更新
\begin{aligned}
\frac{\partial}{\partial vc}\log P(o|c) &=\frac{\partial}{\partial v_c}\log \frac{\exp(u_o^Tv_c)}{\sum{w\in V}\exp(u_w^Tv_c)}\\
&=\frac{\partial}{\partial vc}\left(\log \exp(u_o^Tv_c)-\log{\sum{w\in V}\exp(u_w^Tv_c)}\right)\\
&=\frac{\partial}{\partial vc}\left(u_o^Tv_c-\log{\sum{w\in V}\exp(u_w^Tv_c)}\right)\\
&=uo-\frac{\sum{w\in V}\exp(uw^Tv_c)u_w}{\sum{w\in V}\exp(u_w^Tv_c)}
\end{aligned} 偏导数可以移进求和中,对应上方公式的最后两行的推导
\frac{\partial}{\partial x}\sum_iy_i = \sum_i\frac{\partial}{\partial x}y_i
我们可以对上述结果重新排列如下,第一项是真正的上下文单词,第二项是预测的上下文单词。使用梯度下降法,模型的预测上下文将逐步接近真正的上下文。
\begin{aligned}
\frac{\partial}{\partial v_c}\log P(o|c)
&=uo-\frac{\sum{w\in V}\exp(uw^Tv_c)u_w}{\sum{w\in V}\exp(u_w^Tv_c)}\\
&=uo-\sum{w\in V}\frac{\exp(uw^Tv_c)}{\sum{w\in V}\exp(u_w^Tv_c)}u_w\\
&=uo-\sum{w\in V}P(w|c)u_w
\end{aligned} 再对 u_o 进行偏微分计算,注意这里的 u_o 是 u_{w=o} 的简写,故可知
\frac{\partial}{\partial u_o}\sum_{w \in V } u_w^T v_c = \frac{\partial}{\partial u_o} u_o^T v_c = \frac{\partial u_o}{\partial u_o}v_c + \frac{\partial v_c}{\partial u_o}u_o= v_c \begin{aligned}
\frac{\partial}{\partial u_o}\log P(o|c)
&=\frac{\partial}{\partial uo}\log \frac{\exp(u_o^Tv_c)}{\sum{w\in V}\exp(u_w^Tv_c)}\\
&=\frac{\partial}{\partial uo}\left(\log \exp(u_o^Tv_c)-\log{\sum{w\in V}\exp(u_w^Tv_c)}\right)\\
&=\frac{\partial}{\partial uo}\left(u_o^Tv_c-\log{\sum{w\in V}\exp(u_w^Tv_c)}\right)\\
&=vc-\frac{\sum\frac{\partial}{\partial u_o}\exp(u_w^Tv_c)}{\sum{w\in V}\exp(u_w^Tv_c)}\\
&=vc - \frac{\exp(u_o^Tv_c)v_c}{\sum{w\in V}\exp(u_w^Tv_c)}\\
&=vc - \frac{\exp(u_o^Tv_c)}{\sum{w\in V}\exp(u_w^Tv_c)}v_c\\
&=v_c - P(o|c)v_c\\
&=(1-P(o|c))v_c
\end{aligned} 可以理解,当 P(o|c) \to 1 ,即通过中心词 c 我们可以正确预测上下文词 o ,此时我们不需要调整 u_o ,反之,则相应调整 u_o 。
关于此处的微积分知识,可以查阅ShowMeAI 的教程图解AI数学基础 文章图解AI数学基础 | 微积分与最优化 。
word2vec中的梯度下降训练细节推导
训练模型的过程,实际上是我们在调整参数最小化损失函数。 如下是一个包含2个参数的凸函数,我们绘制了目标函数的等高线。 4.3 训练模型:计算所有向量梯度 训练模型:计算所有向量梯度
\theta 代表所有模型参数,写在一个长的参数向量里。
在我们的场景汇总是 d 维向量空间的 V 个词汇。
5.视频教程 可以点击 B站 查看视频的【双语字幕】版本
6.参考资料 NLP系列教程文章 斯坦福 CS224n 课程带学详解