5.2自然语言处理
觉得有用的话,欢迎一起讨论相互学习~
2.7 负采样 Negative sampling
Mikolov T, Sutskever I, Chen K, et al. Distributed representations of words and phrases and their compositionality[C]// International Conference on Neural Information Processing Systems. Curran Associates Inc. 2013:3111-3119.
- skip-gram模型可以构造一个监督学习任务，把上下文映射到目标词上，以学习一个实用的词嵌入，但是他的缺点是softmax计算起来很慢。本节将会介绍了一个经过优化的学习问题叫做 负采样，其能够做到和 skip-gram 相似的功能但是使用起来更加高效。
样本生成方法
- 例句： I want a glass of orange juice to go along with my cereal 构造一个新的监督学习问题，给定一对单词 orange 和 juice ,预测这是否是一对 上下文词-目标词 (context-target) ,在这个样本中，orange 和 juice 就是一个正样本。 然而对于 orange 和 king 就是一个负样本。
- 正样本 的生成是采样得到一个上下文词和一个目标词。其中先在句中随机均匀的选取一个单词作为上下文词。然后在其左右两边一定词距内随机选择一个单词作为目标词。 并且将 标签 设置为1.
- 负样本 的生成是使用和正样本一样的上下文词，然后从字典中随机选取一个单词构成一个组合。并且将 标签 设置为0. 其中同一 上下文词 生成 K个 负样本
| context | word | target |
|---|---|---|
| orange | juice | 1 |
| orange | king | 0 |
| orange | book | 0 |
| orange | the | 0 |
| orange | of | 0 |
- 注意：正负样本 的区别仅取决于单词对的来源，即是 of 也在 orange 的设定词距之内，但是作为随机从字典中选取的单词， of - orange 单词对仍然被标记为负样本。
- 在本次提出的算法中 输入数据x 将被设定为 context-word 的单词对，预测结果y 将被设置为 target 算法的目的即是区分 样本采样的来源
- 论文作者推荐，小数据集的话 K 被设置为5-20， 而对于较大的数据集， K 被设置为2-5.即数据集越小 K 值被设定的越大。
模型学习原理
- Skip-grams 中softmax函数定义:
[P(target|content)=frac{e^{ heta_{t}^{T}e_{c}}}{sum^{10000}_{j=1}{e^{ heta^{T}_{j}e_{c}}}}
]
- 本节算法定义 输入Context为c,Word为t,定义输出Target为y
| context | word | target |
|---|---|---|
| c | t | y |
| (x_1) | (x_2) | y |
| orange | juice | 1 |
| orange | king | 0 |
| orange | book | 0 |
| orange | the | 0 |
| orange | of | 0 |
- 损失函数 定义为给定 样本单词对 的情况下，(y=1) 的概率:
- 使用(e_{c})表示context的词嵌入向量 其中( heta_{t})表示每个样本对应的参数.
-
[P(y=1|c,t)=sigma( heta^{T}_{t}e_{c}) ]
- 对于每个正样本都有 K 个负样本来训练一个类似logisitic回归的模型。
神经网络算法流程
- 如果输入词是 orange ，即词典中的第6257个词，将其使用one-hot向量表示 (o_{6257}),
- 再传递给E(词嵌入向量矩阵)，通过两者相乘得到 orange 的嵌入向量 (e_{6357})
- (e_{6357})是一个1W维(字典中总单词数量)的向量，可以看成是1W个可能的logistic回归分类问题，其中一个是用来判断目标词是否是 juice 的分类器，当然也有用来判断 king,book,the... 等词汇是否是目标词的分类器。但是每次迭代不都是训练所有的样本， 每次迭代只会训练一个正样本和随机选取的 K 个负样本
- 此算法将需要计算10000个维度的softmax问题转化为10000个二分类问题，每一个都易于计算，每次迭代要做的只是训练其中的 K+1 个样本，其中一个正样本和随机选取的同一个Context的 K 个负样本。
- 此算法被称为 负采样 ， 因为在挑选一个 正样本 的同时，随机生成 K个负样本
负样本采样方法
- 仅考虑单词在 语料库 中出现的频率，会导致负样本中 the, of, and ... 等介词出现的频率过高
- 仅考虑单词在 词汇表 中出现的频率，即在 词汇表 中随机采样，分母是词汇表中的总词数，这样采样十分没有代表性。
- 论文提出采样公式为:
[P(w_{i})=frac{f(w_{i})^{3/4}}{sum^{10000}_{j=1}f(w_{j})^{3/4}}
]
其中(f(w_{i}))表示单词在语料库中的词频。