深度学习之word2vec课件 共23页

深度学习之word2vec学习、分享与交流报告人：黄宇鹏目录 基本概念 模型与方法 实战与应用词向量 自然语言中的词语在机器学习中表示符号 One-hot Representation例如： “话筒”表示为 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 . “麦克”表示为 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 . 实现时就可以用0,1,2,3,.来表示词语进行计算，这样“话筒”就为3，“麦克”为8. 存在两个问题 维度比较大,尤其是用于 Deep Learning 的一些算法时 词汇鸿沟：任意两个词之间都是孤立的，不能体现词和词之间的关系词向量 Distributional Representation 词表示为： 0.792, 0.177, 0.107, 0.109, 0.542, .，常见维度50或者100 解决“词汇鸿沟”问题 可以通过计算向量之间的距离（欧式距离、余弦距离等）来体现词与词的相似性 如何训练这样的词向量 没有直接的模型可训练得到 可通过训练语言模型的同时，得到词向量语言模型 判断一句话是不是正常人说出来的，用数学符号描述为 给定一个字符串w1,w2,.,wt,计算它是自然语言的概率 ，一个很简单的推论是 例如，有个句子大家,喜欢,吃,苹果 P(大家，喜欢，吃，苹果)=p(大家)p(喜欢|大家)p(吃|大家,喜欢)p(苹果|大家,喜欢,吃) 简单表示为 计算 问题),.,(21twwwp),.,|(.),|()|()(),.,(12121312121tttwwwwpwwwpwwpwpwwwpTiiiTContextwpwwwpsp121)|(),.,()()|(iiContextwp语言模型 现有模型 N-gram模型 N-pos模型 . Bengio的NNLM C&W 的 SENNA M&H 的 HLBL Mikolov 的 RNNLM Huang 的语义强化 .word2vec原理 两种模型，两种方法模型模型CBOWSkip-Gram方法Hierarchical SoftmaxNegative SamplingHierarchical SoftmaxNegative SamplingCBOW模型+Hierarchical Softmax方法 CBOW模型 INPUT:输入层 PROJECTION:投影层 OUTPUT:输出层 w(t):当前词语（向量） w(t-2),w(t-1),w(t+1),w(t+2):当前词语的上下文 SUM:上下文的累加和CBOW模型+Hierarchical Softmax方法（续）CBOW模型+Hierarchical Softmax方法（续）为什么建哈夫曼树？非叶子结点为LR分类器叶子结点对应词典中的一个词目标：)|(iiContextwpCBOW模型+Hierarchical Softmax方法（续） 句子：我,喜欢,观看,巴西,足球,世界杯 w=足球CBOW模型+Hierarchical Softmax方法（续） 正类概率: 负类概率: 足球 叶子节点经过4次二分类，每次分类结果对应的概率为 由Context(足球)预测足球出现的概率CBOW模型+Hierarchical Softmax方法（续）wljwjwwjXdpwContextwp21),|()(|( 对于词典中的每个词w有， 结点个数 其中， 或者表示为 对于由S个句子组成的语料库C有 取对数似然函数. 1),(1; 0),(),|(111wjwjTxwjwjTxwjwwjdXdXXdpwjwjdwjTwdwjTwwjwwjXXXdp)(1 )(),|(1111CsswljwjwwjCsswwXdpwContextwpXL21),|()(|(),()(1log()(log)1(),|(log),(log21121CsswljwjTwwjwjTwwjCsswljwjwwjwwXdXdXdpXLwl参数1参数2CBOW模型+Hierarchical Softmax方法（续）)(1log()(log)1 (),(11wjTwwjwjTwwjXdXdjwfwj 1 梯度下降法进行求解 令 f(w,j)关于 和 的梯度分别为 更新公式wXwwjTwwjwjXXdjwf)(1 ),(11wjwjTwwjwXdXjwf11)(1 ),(wjwjwjjwf111),(:wljwwContextwXjwfwVwV2)(,),()(: )(word2vec实战（一） 训练数据集：经过分词后的新闻数据，大小184MB 查看中国，钓鱼岛，旅游，苹果几个词语的相似词语如下所示word2vec实战（一） 向量加减法 中国+北京-日本，中国+北京-法国，家庭+孩子-学校word2vec应用（一） 机器翻译 语言词语的关系集合被表征为向量集合 向量空间内，不同语言享有许多共性 实现一个向量空间到另一个向量空间的映射和转换 图为英语和西班语的五个词在向量空间中的位置（已经过降维） 对英语和西班语之间的翻译准确率高达90%word2vec应用（三） 给广告主推荐用户 T媒体网站用户浏览网页的记录 pageH是匹克体育用品公司在T上的官网 page2,page3,page5和pageH是比较相似的页面 可给匹克体育用品公司推荐经常浏览page2,3,5这个几个页面的用户进行广告投放word2vec应用（三） 相似的页面计算过程word2vec应用（三）续 对ctr预估模型的帮助 新广告上线存在冷启动问题 通过比较相似的广告的点击率来预估这个广告的点击率 由上个例子可得到每个页面的向量，然后通过Kmeans进行聚类，得到比较相似页面的簇？ 向页面向量添加其它的特征，例如广告主所属的行业和地域等 假设页面p1的向量是(0.3,-0.5,0.1），加入行业和地域信息后为(0.3,-0.5,0.1,1,0)，1和0分别表示行业和地域的特征值 这样得到的聚类效果相对更好参考文献1 .csdn/mytestmy/article/details/26969149 深度学习word2vec笔记之算法篇 2 .csdn/itplus/article/details/37969979 word2vec 中的数学原理详解（四）基于 Hierarchical Softmax 的模型 3 zhihu/question/21661274/answer/19331979 杨超在知乎上的问答Word2Vec的一些理解4 xiaoquanzi/?p=156 hisen博客的博文5 .csdn/mytestmy/article/details/38612907 深度学习word2vec笔记之应用篇 6 tech.youdao/?p=915 Deep Learning实战之word2vec，网易有道的pdf7 .csdn/lingerlanlan/article/details/38232755 word2vec源码解析之word2vec.c 8 Hierarchical probabilistic neural network language model. Frederic Morin and Yoshua Bengio.9 Distributed Representations of Words and Phrases and their Compositionality T. Mikolov, I. Sutskever, K. Chen, G. Corrado, and J. Dean.10 A neural probabilistic language model Y. Bengio, R. Ducharme, P. Vincent.11 Linguistic Regularities in Continuous Space Word Representations. Tomas Mikolov,Wen-tau Yih,Geoffrey Zweig.12 Efficient Estimation of Word Representations in Vector Space. Tomas Mikolov,Kai Chen,Greg Corrado,Jeffrey Dean.13licstar/archives/328 Deep Learning in NLP （一）词向量和语言模型thank you !Q&A谢谢