720      技术社区[云栖]

不可思议的Word2Vec系列一数学原理

对于了解深度学习、自然语言处理NLP的读者来说，Word2Vec可以说是家喻户晓的工具，尽管不是每一个人都用到了它，但应该大家都会听说过它——Google出品的高效率的获取词向量的工具。

I. Word2Vec不可思议？

大多数人都是将Word2Vec作为词向量的等价名词，也就是说，纯粹作为一个用来获取词向量的工具，关心模型本身的读者并不多。可能是因为模型过于简化了，所以大家觉得这样简化的模型肯定很不准确，所以没法用，但它的副产品词向量的质量反而还不错。没错，如果是作为语言模型来说，Word2Vec实在是太粗糙了。

但是，为什么要将它作为语言模型来看呢？抛开语言模型的思维约束，只看模型本身，我们就会发现，Word2Vec的两个模型 —— CBOW和Skip-Gram —— 实际上大有用途，，而很多基本的NLP任务，都是建立在这个关系之上，如等。这几篇文章就是希望能够抛砖引玉，通过介绍Word2Vec模型本身，以及几个看上去“不可思议”的用法，来提供一些研究此类问题的新思路。

说到Word2Vec的“不可思议”，在Word2Vec发布之初，可能最让人惊讶的是它的特性，即诸如 king-man ≈ queen-woman 的线性特性，而发布者Mikolov认为这个特性意味着Word2Vec所生成的词向量具有了语义推理能力，而正是因为这个特性，加上Google的光环，让Word2Vec迅速火了起来。但很遗憾，我们自己去训练词向量的时候，其实很难复现这个结果出来，甚至也没有任何合理的依据表明一份好的词向量应该满足这个Word Analogy特性。不同的是，这里笔者介绍的若干个用途，，读者甚至在小语料中训练一个Word2Vec模型，然后也能取到类似的结果。

II. 数学原理：网络资源

有心想了解这个系列的读者，有必要了解一下Word2Vec的数学原理。当然，Word2Vec出来已经有好几年了，介绍它的文章数不胜数，这里我推荐peghoty大神的系列博客：
https://blog.csdn.net/itplus/article/details/37969519
另外，本博客的《词向量与Embedding究竟是怎么回事？》也有助于我们理解Word2Vec的原理。

为了方便读者阅读，我还收集了两个对应的PDF文件：
word2vector中的数学原理详解.pdf
Deep Learning 实战之 word2vec.pdf
其中第一个就是推荐的peghoty大神的系列博客的PDF版本。当然，英文好的话，可以直接看Word2Vec的原始论文：

[1] Tomas Mikolov, Kai Chen, Greg Corrado, and Jeffrey Dean. Efficient Estimation of Word Representations in Vector Space. In Proceedings of Workshop at ICLR, 2013.

[2] Tomas Mikolov, Ilya Sutskever, Kai Chen, Greg Corrado, and Jeffrey Dean. Distributed Representations of Words and Phrases and their Compositionality. In Proceedings of NIPS, 2013.

但个人感觉，原始论文并没有中文解释得清晰。

III. 数学原理：简单解释

简单来说，Word2Vec就是“”，所以严格来讲，它有四个备选的模型。

两个训练方案分别是CBOW和Skip-Gram，如图所示

用通俗的语言来说，就是“周围词叠加起来预测当前词”（P(wt|Context)P(wt|Context)）和“当前词分别来预测周围词”（P(wothers|wt)P(wothers|wt)），也就是条件概率建模问题了；两个提速手段，分别是层次Softmax和负样本采样。层次Softmax是对Softmax的简化，直接将预测概率的效率从

最后更新：2017-09-17 22:34:35

  上一篇：  不可思议的Word2Vec系列二训练好的模型

  下一篇：  如何给视频加边框