深度学习基础—了解词嵌入

引言

        上图是使用one-hot向量表示词向量的一种方式，这种表示方式优点是方面简洁，但是缺点也很明显，就是词与词之间独立性太强，没有关联，这样使得算法对相关词的泛化能力不强。

        举个例子，假如我们已经学习到了一个语言模型，当看到“I want a glass of orange ___”，下一个词会是什么？很可能是juice。即使学习算法已经学到了“I want a glass of orange juice”这样一个很可能的句子，但如果看到“I want a glass of apple ___”，因为算法不知道apple和orange的关系很接近，就像man和woman，king和queen一样。所以算法很难知道orange juice是一个常见的组合，从而不理解apple juice也是很常见的组合。其中的原因是：任何两个one-hot向量的内积都是0，因此很难区分词向量之间的差别和联系。

        而词嵌入就是一种让模型理解词与词之间是存在某种关系的方式，让我们一起了解一下。

1.了解词嵌入

        假设考察这些词与Gender（性别）之间的关系，定义男性为-1，女性为1。那么Man就是-1，Woman就是1。King是国王，一般都是男性，因此可能为-0.95，Queen为女王，都是女性，因此为0.97。而Apple和Orange是水果，没有性别之谈。

        如果考虑其他的特征，比如Royal（高贵）、Age（年龄）、Food（食物）等等，假设有300个特征，我们就可以得到300行，组成表格如上。那么每一个词向量都用300维的向量（表格列）表示，这样我们就得到了一种新的表示方式——词嵌入。

        词嵌入方式考虑了词与词之间的关联性，使每一个词不再独立，学习算法很容易学习到这种关联性，从而是算法泛化效果更好。

        注意：尽管最终学习到的特征向量很难解释和理解，但是词嵌入确实提高了算法的泛化效果，让算法发现apple和orange会比king和orange或queen和orange更加相似。

2.如何理解词嵌入

        嵌入的意思就是：假设在300维的特征空间中，每个词都被嵌入了300维空间的某个位置。

        假设我们使用t-SNE算法（一种可视化算法），把这300维的数据嵌入到一个二维空间里，就发现man和woman这些词聚集在一块（上图编号1所示），king和queen聚集在一块（上图编号2所示），这些都是人也都聚集在一起（上图编号3所示）。动物都聚集在一起（上图编号4所示），水果也都聚集在一起（上图编号5所示），像1、2、3、4这些数字也聚集在一起（上图编号6所示）。如果把这些生物看成一个整体，他们也聚集在一起（上图编号7所示）。

        把一个词通过词嵌入的方式嵌入到特种空间的某个位置，这样相似或者关系相近的词在空间中的距离也就越近，这比one-hot编码方式效果更好。

3.使用词嵌入

        用词嵌入作为输入训练识别人名的模型，训练集假如有一个句子：“Sally Johnson is an orange farmer.”（Sally Johnson是一个种橙子的农民），训练完模型后，如果有新的输入：“Robert Lin is an apple farmer.”（Robert Lin是一个种苹果的农民），因为orange和apple关系很相近，那么算法很容易就知道Robert Lin也是一个人的名字。但是如果遇到：“Robert Lin is a durian cultivator.”（Robert Lin是一个榴莲培育家）怎么办？在训练集里可能没有durian（榴莲）或者cultivator（培育家）这两个词。

        不用担心，由于学习词嵌入的算法会考察非常大的文本集，可以是1亿个单词，甚至达到100亿也都是合理的。通过考察大量的无标签文本，可以发现orange（橙子）和durian（榴莲）相近，farmer（农民）和cultivator（培育家）相近。因此尽管只有一个很小的训练集，但是可以使用迁移学习，然后把这些知识迁移到一个任务中。

        使用词嵌入做迁移学习的步骤：

        （1）从大量的文本集中学习词嵌入，可以下载网上预训练好的词嵌入模型。

        （2）将词嵌入模型迁移到自己的只有少量标注训练集的任务中。

        （3）如果训练集很大，微调整词嵌入。

3.词嵌入特性

        我们已经了解到词嵌入的概念和作用，词嵌入还有一个有意思的特性，就是做类比推理。比如由man和woman之间的关系推理出king和？有关系，我们很容易猜出来是king和queen，但是用算法怎么表示呢？一起来看一下：

3.1.向量作差

        假设基于下面的词嵌入表，只有4个特征维度构成的词嵌入。

        把man和woman表示的向量作差：

        把king和queen表示的向量作差：

        比较两个结果会发现，它们的差都约等于右边的向量，这个结果表示man和woman之间的差异主要是性别Gender的差异，king和queen之间的差异也是性别的差异，由此我们可以得到，类比man对woman，可以推理出king对queen。因此可以用如下公式表示这个特性：

        上式的w即为我们要找的单词。把上式变形，我们可以得到如下优化目标，表示寻找它们之间的最大相似度：

        其中Sim()表示一种相似度函数，相似度函数有很多，常见的有：曼哈顿相似度、欧几里得相似度、皮尔森相关系数、余弦相似度等等。

        注意：通过这种方法来做类比推理准确率大概只有30%~75%，只要算法猜中了单词，就把该次计算视为正确，从而计算出准确率。

3.2.余弦相似度

        这里列举一种计算语义相似度最常用的一种方式：余弦相似度，公式如下：

        当两个向量非常相似时（正相关），它们的夹角接近0度，此时相似度约等于1。当两个向量完全无关时（无关），它们的夹角为90度，相似度等于0。当两个向量相似但特性相反时（负相关），夹角为180度，相似度等于-1。关系图如下：

        注意：从学术上来说，比起测量相似度，这个函数更容易测量的是相异度，所以我们通常需要对其取负，但究竟是否取负，根据实际需求来决策。

4.嵌入矩阵

        嵌入矩阵就是词嵌入得到的那个表格，把那个表格表示成矩阵，就是嵌入矩阵E。如下为6.3.1表表示的嵌入矩阵E：

        现在如果我们想取某个词的词向量，可以用这个词的one-hot向量和矩阵做乘法，由于矩阵是4*6，而one-hot向量是6*1，因此得到的结果是4*1，而one-hot向量只有这个词的位置是1，其他全是0，因此最终可以得到4*1的词向量，即E中的这个词对应的一列。计算流程如下：

        上图表示从嵌入矩阵取woman对应的词向量的过程，也就是j=2，O表示one-hot向量。

        注意：由于one-hot向量只有一个1，其余全是0，用矩阵乘法做运算效率太低，而one-hot向量实际作用是取嵌入矩阵对应的一列，因此实际中我们一般使用专门的函数查找某一列。