doc2vec原理_简述三层交换的原理
Hi，大家好，我是编程小6，很荣幸遇见你，我把这些年在开发过程中遇到的问题或想法写出来，今天说一说
doc2vec原理_简述三层交换的原理,希望能够帮助你!!!。
- 最近阅读了Mikolov两篇关于word2vec的论文，结合Goldberg对这两篇论文的解读，作如下概述。
- 概述
在较早的论文“Efficient Estimation of Word Representations in Vector Space”中，Mikolov讨论了Feedforward Neural Net Language Model (NNLM)、Recurrent Neural Net Language Model (RNNLM)以及论文中描述的两个新模型Continuous Bag-of-Words Model （CBOW）和Continuous Skip-gram Model (Skip-gram).
Distributed Representations of Words and Phrases and their Compositionality
”中，作者对Skip-gram做了进一步的论述和扩展。本文详细描述Skip-gram的原理及扩展。
- 定义及符号
T
w，使用长度为d的列向量表示
w
为中心，向前k个单词，向后k个单词所形成的短语中包含的单词
θ
c
|
w
)：当
w
出现时，某一语境
c
出现的概率
w
)：在文本集合
T
中，单词
w
出现过的语境包含的单词的集合
c，使用长度为d的列向量表示
c
∈
C(
w
)
w
均表示单词，但作者认为，即使对于同一个单词，比如apple，它作为普通单词和作为语境中的单词是的向量表示是不同的，因此使用不同的符号来表示语境中的单词和普通单词。
w
和它的语境
C(
w
)
构成的组合的集合
- Skip-gram
Skip-gram的目标是寻找参数集合
θ来最大化如下条件概率的乘积：
θ
进行形式化处理，使得条件概率转化为下式：
c
和
w
的列向量，维度为d。
C
是所有语境中的单词构成的集合，等同于词汇表V。参数
θ
就是vc和vw中每一维度的具体取值，参数的总数为|C|
×|V|×
d
。将式3代入式2，并于等式两边取对数可得：
p(
c
|
w
)的分母计算需要很大代价，作者使用hierarchical softmax来近似softmax，并用霍夫曼树来构建hierachical softmax.
- Negative Sampling
另一种降低计算代价的方法是改变目标函数。对于一个单词、语境组合（
w,
c
），使用p(D=1|
w,
c
)来表示这个组合存在于
T
中的概率，对应的
p(D=0|
w,
c
) = 1-
p(D=1|
w,
c
)
，表示
（
w,
c
）不在
T
中的概率。与前文类似，假设集合
θ是控制
p(D=1|
w,
c
)分布的参数，那么此时的目标是寻找参数集合θ来最大化
（
w,
c
）存在于
T
中的概率：
w,
c;
θ
)：
p(D=1|
w,
c
)=1，从而达到目标函数最大化。因此，为了所有的矢量有相同的值，作者生成了一个数据集D'，D'中的所有单词、语境组合都不存在于
T
中，这些样例被称之为反例（negative examples）,而获得反例的采样方法被称之为反例采集（negative-sampling）。引进了反例之后的目标函数演变为：
p(
c
|
w
)进行建模而此处根据联合概率
p(D=1|
w,
c
)进行建模
- 参考文献
- Efficient Estimation of Word Representations in Vector Space
- Distributed Representations of Words and Phrases and their Compositionality
- word2Vec Explained: Deriving Mikolov et al.'s Negative-Sampling Word-Embedding Method
- Softmax Regression,
www.cnblogs.com/tornadomeet/archive/2013/03/22/2975978.html
今天的分享到此就结束了，感谢您的阅读，如果确实帮到您，您可以动动手指转发给其他人。
上一篇
已是最后文章
下一篇
已是最新文章
