GloVe模型_nerlove模型

GloVe模型_nerlove模型系列目录(系列更新中)第二讲cs224n系列之word2vec&词向量word2vec进阶之skim-gram和CBOW模型(HierarchicalSoftmax、NegativeSampling)第三讲cs224n系列之skip-pram优化&GlobalVectorbyManning&

大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺

系列目录(系列更新中)

GloVe模型_nerlove模型

1.概述

  • 模型目标:进行词的向量化表示,使得向量之间尽可能多地蕴含语义和语法的信息。
  • 输入:语料库
  • 输出:词向量
  • 方法概述:首先基于语料库构建词的共现矩阵,然后基于共现矩阵和GloVe模型学习词向量。
    开始 -> 统计共现矩阵 -> 训练词向量 -> 结束

2.统计共现矩阵

设共现矩阵为X,其元素为 X i , j X_{i,j} Xi,j
X i , j X_{i,j} Xi,j的意义为:在整个语料库中,单词i和单词j共同出现在一个窗口中的次数。
举个栗子:
设有语料库:

i love you but you love him i am sad

这个小小的语料库只有1个句子,涉及到7个单词:i、love、you、but、him、am、sad。
如果我们采用一个窗口宽度为5(左右长度都为2)的统计窗口,那么就有以下窗口内容:

窗口标号 中心词 窗口内容
0 i i love you
1 love i love you but
2 you i love you but you
3 but love you but you love
4 you you but you love him
5 love but you love him i
6 him you love him i am
7 i love him i am sad
8 am him i am sad
9 sad i am sad

窗口0、1长度小于5是因为中心词左侧内容少于2个,同理窗口8、9长度也小于5。
以窗口5为例说明如何构造共现矩阵:
中心词为love,语境词为but、you、him、i;则执行:

X l o v e , b u t + = 1 X_{love,but}+=1 Xlove,but+=1
X l o v e , y o u + = 1 X_{love,you}+=1 Xlove,you+=1
X l o v e , h i m + = 1 X_{love,him}+=1 Xlove,him+=1
X l o v e , i + = 1 X_{love,i}+=1 Xlove,i+=1

使用窗口将整个语料库遍历一遍,即可得到共现矩阵X。

3.使用GloVe模型训练词向量

3.1.模型公式

先看模型,代价函数长这个样子:

J = ∑ i , j N f ( X i , j ) ( v i T v j + b i + b j − l o g ( X i , j ) ) 2 J=\sum_{i,j}^Nf(X_{i,j})(v_{i}^Tv_{j}+b_{i}+b_{j}-log(X_{i,j}))^2 J=i,jNf(Xi,j)(viTvj+bi+bjlog(Xi,j))2

v i v_{i} vi v j v_{j} vj是单词i和单词j的词向量, b i b_{i} bi b j b_{j} bj是两个标量(作者定义的偏差项),f是权重函数(具体函数公式及功能下一节介绍),N是词汇表的大小(共现矩阵维度为N*N)。
可以看到,GloVe模型没有使用神经网络的方法。

3.2.模型怎么来的

那么作者为什么这么构造模型呢?首先定义几个符号:

X i = ∑ j = 1 N X i , j X_{i}=\sum_{j=1}^NX_{i,j} Xi=j=1NXi,j

其实就是矩阵单词i那一行的和;
P i , k = X i , k X i P_{i,k}=\dfrac{X_{i,k}}{X_{i}} Pi,k=XiXi,k

条件概率,表示单词k出现在单词i语境中的概率;
r a t i o i , j , k = P i , k P j , k ratio_{i,j,k}=\dfrac{P_{i,k}}{P_{j,k}} ratioi,j,k=Pj,kPi,k

两个条件概率的比率。
作者的灵感是这样的:
作者发现, r a t i o i , j , k ratio_{i,j,k} ratioi,j,k这个指标是有规律的,规律统计在下表:

r a t i o i , j , k ratio_{i,j,k} ratioi,j,k的值 单词j,k相关 单词j,k不相关
单词i,k相关 趋近1 很大
单词i,k不相关 很小 趋近1

很简单的规律,但是有用。
思想:假设我们已经得到了词向量,如果我们用词向量 v i v_{i} vi v j v_{j} vj v k v_{k} vk通过某种函数计算 r a t i o i , j , k ratio_{i,j,k} ratioi,j,k,能够同样得到这样的规律的话,就意味着我们词向量与共现矩阵具有很好的一致性,也就说明我们的词向量中蕴含了共现矩阵中所蕴含的信息。
设用词向量 v i v_{i} vi v j v_{j} vj v k v_{k} vk计算 r a t i o i , j , k ratio_{i,j,k} ratioi,j,k的函数为 g ( v i , v j , v k ) g(v_{i},v_{j},v_{k}) g(vi,vj,vk)(我们先不去管具体的函数形式),那么应该有:

P i , k P j , k = r a t i o i , j , k = g ( v i , v j , v k ) \dfrac{P_{i,k}}{P_{j,k}}=ratio_{i,j,k}=g(v_{i},v_{j},v_{k}) Pj,kPi,k=ratioi,j,k=g(vi,vj,vk)

即:
P i , k P j , k = g ( v i , v j , v k ) \dfrac{P_{i,k}}{P_{j,k}}=g(v_{i},v_{j},v_{k}) Pj,kPi,k=g(vi,vj,vk)

即二者应该尽可能地接近;
很容易想到用二者的差方来作为代价函数:
J = ∑ i , j , k N ( P i , k P j , k − g ( v i , v j , v k ) ) 2 J=\sum_{i,j,k}^N(\dfrac{P_{i,k}}{P_{j,k}}-g(v_{i},v_{j},v_{k}))^2 J=i,j,kN(Pj,kPi,kg(vi,vj,vk))2

但是仔细一看,模型中包含3个单词,这就意味着要在NNN的复杂度上进行计算,太复杂了,最好能再简单点。
现在我们来仔细思考 g ( v i , v j , v k ) g(v_{i},v_{j},v_{k}) g(vi,vj,vk),或许它能帮上忙;
作者的脑洞是这样的:

  1. 要考虑单词i和单词j之间的关系,那 g ( v i , v j , v k ) g(v_{i},v_{j},v_{k}) g(vi,vj,vk)中大概要有这么一项吧: v i − v j v_{i}-v_{j} vivj;嗯,合理,在线性空间中考察两个向量的相似性,不失线性地考察,那么 v i − v j v_{i}-v_{j} vivj大概是个合理的选择;
  2. r a t i o i , j , k ratio_{i,j,k} ratioi,j,k是个标量,那么 g ( v i , v j , v k ) g(v_{i},v_{j},v_{k}) g(vi,vj,vk)最后应该是个标量啊,虽然其输入都是向量,那內积应该是合理的选择,于是应该有这么一项吧: ( v i − v j ) T v k (v_{i}-v_{j})^Tv_{k} (vivj)Tvk
  3. 然后作者又往 ( v i − v j ) T v k (v_{i}-v_{j})^Tv_{k} (vivj)Tvk的外面套了一层指数运算exp(),得到最终的 g ( v i , v j , v k ) = e x p ( ( v i − v j ) T v k ) g(v_{i},v_{j},v_{k})=exp((v_{i}-v_{j})^Tv_{k}) g(vi,vj,vk)=exp((vivj)Tvk)
    最关键的第3步,为什么套了一层exp()?
    套上之后,我们的目标是让以下公式尽可能地成立:
    P i , k P j , k = g ( v i , v j , v k ) \dfrac{P_{i,k}}{P_{j,k}}=g(v_{i},v_{j},v_{k}) Pj,kPi,k=g(vi,vj,vk)

即:
P i , k P j , k = e x p ( ( v i − v j ) T v k ) \dfrac{P_{i,k}}{P_{j,k}}=exp((v_{i}-v_{j})^Tv_{k}) Pj,kPi,k=exp((vivj)Tvk)

即:
P i , k P j , k = e x p ( v i T v k − v j T v k ) \dfrac{P_{i,k}}{P_{j,k}}=exp(v_{i}^Tv_{k}-v_{j}^Tv_{k}) Pj,kPi,k=exp(viTvkvjTvk)

即:
P i , k P j , k = e x p ( v i T v k ) e x p ( v j T v k ) \dfrac{P_{i,k}}{P_{j,k}}=\dfrac{exp(v_{i}^Tv_{k})}{exp(v_{j}^Tv_{k})} Pj,kPi,k=exp(vjTvk)exp(viTvk)

然后就发现找到简化方法了:只需要让上式分子对应相等,分母对应相等,即:
P i , k = e x p ( v i T v k ) {P_{i,k}}={exp(v_{i}^Tv_{k})} Pi,k=exp(viTvk)并且 P j , k = e x p ( v j T v k ) {P_{j,k}}={exp(v_{j}^Tv_{k})} Pj,k=exp(vjTvk)

然而分子分母形式相同,就可以把两者统一考虑了,即:
P i , j = e x p ( v i T v j ) {P_{i,j}}={exp(v_{i}^Tv_{j})} Pi,j=exp(viTvj)

本来我们追求:
P i , k P j , k = g ( v i , v j , v k ) \dfrac{P_{i,k}}{P_{j,k}}=g(v_{i},v_{j},v_{k}) Pj,kPi,k=g(vi,vj,vk)

现在只需要追求:
P i , j = e x p ( v i T v j ) {P_{i,j}}={exp(v_{i}^Tv_{j})} Pi,j=exp(viTvj)

两边取个对数:
l o g ( P i , j ) = v i T v j log(P_{i,j})=v_{i}^Tv_{j} log(Pi,j)=viTvj

那么代价函数就可以简化为:
J = ∑ i , j N ( l o g ( P i , j ) − v i T v j ) 2 J=\sum_{i,j}^N(log(P_{i,j})-v_{i}^Tv_{j})^2 J=i,jN(log(Pi,j)viTvj)2

现在只需要在NN的复杂度上进行计算,而不是NN*N,现在关于为什么第3步中,外面套一层exp()就清楚了,正是因为套了一层exp(),才使得差形式变成商形式,进而等式两边分子分母对应相等,进而简化模型。
然而,出了点问题。
仔细看这两个式子:
l o g ( P i , j ) = v i T v j 和 l o g ( P j , i ) = v j T v i log(P_{i,j})=v_{i}^Tv_{j}和log(P_{j,i})=v_{j}^Tv_{i} log(Pi,j)=viTvjlog(Pj,i)=vjTvi

l o g ( P i , j ) log(P_{i,j}) log(Pi,j)不等于 l o g ( P j , i ) log(P_{j,i}) log(Pj,i)但是 v i T v j v_{i}^Tv_{j} viTvj等于 v j T v i v_{j}^Tv_{i} vjTvi;即等式左侧不具有对称性,但是右侧具有对称性。
数学上出了问题。
补救一下好了。
现将代价函数中的条件概率展开:
l o g ( P i , j ) = v i T v j log(P_{i,j})=v_{i}^Tv_{j} log(Pi,j)=viTvj

即为:
l o g ( X i , j ) − l o g ( X i ) = v i T v j log(X_{i,j})-log(X_{i})=v_{i}^Tv_{j} log(Xi,j)log(Xi)=viTvj

将其变为:
l o g ( X i , j ) = v i T v j + b i + b j log(X_{i,j})=v_{i}^Tv_{j}+b_{i}+b_{j} log(Xi,j)=viTvj+bi+bj

即添了一个偏差项 b j b_{j} bj,并将 l o g ( X i ) log(X_{i}) log(Xi)吸收到偏差项 b i b_{i} bi中。
于是代价函数就变成了:
J = ∑ i , j N ( v i T v j + b i + b j − l o g ( X i , j ) ) 2 J=\sum_{i,j}^N(v_{i}^Tv_{j}+b_{i}+b_{j}-log(X_{i,j}))^2 J=i,jN(viTvj+bi+bjlog(Xi,j))2

然后基于出现频率越高的词对儿权重应该越大的原则,在代价函数中添加权重项,于是代价函数进一步完善:
J = ∑ i , j N f ( X i , j ) ( v i T v j + b i + b j − l o g ( X i , j ) ) 2 J=\sum_{i,j}^Nf(X_{i,j})(v_{i}^Tv_{j}+b_{i}+b_{j}-log(X_{i,j}))^2 J=i,jNf(Xi,j)(viTvj+bi+bjlog(Xi,j))2

具体权重函数应该是怎么样的呢?
首先应该是非减的,其次当词频过高时,权重不应过分增大,作者通过实验确定权重函数为:
f ( x ) = { ( x / x m a x ) 0.75 , if  x < x m a x 1 , if  x > = x m a x f(x) = \begin{cases} (x/xmax)^{0.75}, & \text{if $x < xmax$} \\ 1, & \text{if $x >= xmax$} \end{cases} f(x)={
(x/xmax)0.75,1,if x<xmaxif x>=xmax

到此,整个模型就介绍完了。

3.3.Glove和skip-gram、CBOW模型对比

Cbow/Skip-Gram 是一个local context window的方法,比如使用NS来训练,缺乏了整体的词和词的关系,负样本采用sample的方式会缺失词的关系信息。
另外,直接训练Skip-Gram类型的算法,很容易使得高曝光词汇得到过多的权重

Global Vector融合了矩阵分解Latent Semantic Analysis (LSA)的全局统计信息和local context window优势。融入全局的先验统计信息,可以加快模型的训练速度,又可以控制词的相对权重。

我的理解是skip-gram、CBOW每次都是用一个窗口中的信息更新出词向量,但是Glove则是用了全局的信息(共线矩阵),也就是多个窗口进行更新

4.实战教程

GloVe 教程之实战入门+python gensim 词向量

参考链接:
理解GloVe模型

GloVe模型_nerlove模型
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/193506.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

  • ODrive应用 #4 配置参数&指令「建议收藏」

    参数与指令我们将使用作为每个ODrive对象的占位符。每个ODrive控制器都是一个ODrive对象。在odrivetool中通常是odrv0。此外,我们将<axis>用作每个轴的占位符,这是ODrive对象的属性(例如odrv0.axis0)。轴表示电动机的连接位置。(M0和axis0对应,M1和axis1对应)文章目录参数与指令轴相应的指令状态机启动程序控制模式控制指令…

  • mysql学习之mysql集群

    mysql学习之mysql集群本片博文是笔者学习《高性能mysql》一书的第一篇学习笔记,对应书籍章节为第10章。主要介绍了mysql集群部署方案主从集群部署。集群方案、主从同步原理、复制类型、docker安装mysql集群示例。

    2022年10月23日
  • mac 文字识别软件ocr_Mac平台上一款免费的OCR文字识别功能的屏幕截图软件Screen OCR…

    mac 文字识别软件ocr_Mac平台上一款免费的OCR文字识别功能的屏幕截图软件Screen OCR…今天小编为大家带来Mac平台上一款免费的OCR文字识别功能的屏幕截图软件ScreenOCRforMac(屏幕截图OCR工具)​www.macdown.com。使用这款截图ocr识别工具可以帮助用户从屏幕截图中获取不可复制文本。ScreenOCRMac版软件介绍ScreenOCRforMac是一款非常简单易用的Mac桌面图片转文字的工具。通过设置快捷键,捕捉屏幕图像,调用OCR功能,…

  • 怎么用浏览器在线打开pdf文件_PDF文件怎么编辑

    怎么用浏览器在线打开pdf文件_PDF文件怎么编辑在web开发当中我们经常需要进行需要在线浏览PDf内容,在线嵌入动态pdf,传统的解决方法安装客户端PDF阅读器,如果是在谷歌是可以在线浏览的,因为他自身就带了一些插件,以前遇到这样的问题往往是费时又

  • 如何用python画一朵樱花_如何用python绘制粉色樱花

    如何用python画一朵樱花_如何用python绘制粉色樱花最近翻到一篇知乎,上面有不少用Python(大多是turtle库)绘制的树图,感觉很漂亮,我整理了一下,挑了一些我觉得不错的代码分享给大家(这些我都测试过,确实可以生成)one樱花树动态生成樱花效果图(这个是动态的):实现代码importturtleasTimportrandomimporttime#画樱花的躯干(60,t)defTree(branch,…

  • MyEclipse每次修改js有另一种部署

    MyEclipse每次修改js有另一种部署

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号