[NLP复习笔记] 基于负采样的 Skip-gram 及 SGD 训练公式推导
1. one-hot 向量
我們先了解一下 \(\text{one-hot}\) 向量。\(\text{one-hot}\) 編碼是表示分類變量的常見方法，尤其在數據預處理和機器學習的特征工程中。一個 \(\text{one-hot}\) 向量是一個其中只有一個元素是 1，其余為 0 的向量。
假設存在一個單詞集合：\(\{\text{marisa, reimu, renko, hearn}\}\)，可以將這些單詞進行索引映射：
\[\begin{split} \text{marisa} \rightarrow 0 \\ \text{reimu} \rightarrow 1 \\ \text{renko} \rightarrow 2 \\ \text{hearn} \rightarrow 3 \end{split} \]那么，這些單詞經過 \(\text{one-hot}\) 編碼的向量如下：
\[\begin{split} & \text{marisa}: [1, 0, 0, 0] \\ & \text{reimu}: [0, 1, 0, 0] \\ & \text{renko}: [0, 0, 1, 0] \\ & \text{hearn}: [0, 0, 0, 1] \end{split} \]顯然，每個位置被看作一個特征，這個特征只能是 1（存在）或者 0（不存在）。
但是，對于包含大量唯一詞匯的大型語料庫而言， \(\text{one-hot}\) 編碼會產生 極大的稀疏矩陣，每一個單詞對應的詞向量都是 \(|V|\) 維的，使得 維度很高，導致計算效率低下。
而且 \(\text{one-hot}\) 編碼的詞向量之間都是等距的，每個詞語的向量與其他詞語的向量都是正交的關系，這意味著它們 不攜帶任何詞語間的相似性信息。
\(\text{one-hot}\) 編碼現在依然有比較廣泛的應用，但在一些自然語言處理問題中，為了避免上述的限制，會采用更加高級的技術，就比如 \(\text{Word2Vec}\)。
2. Word2Vec
2.1 Word2Vec 介紹
\(\text{Word2Vec}\) 模型通過訓練神經網絡，為每個單詞構建一個密集且連續的向量。這些向量被稱為 詞嵌入（word embeddings），它們捕捉大量關于單詞的語義和句法信息。每個單詞在多維空間中被表示為一個向量，向量中的每個維度代表詞義的不同方面，具體每個維度代表什么并不是人為定義的，而是通過 模型學習得到 的。
例如，經過訓練后，單詞 \(\text{marisa}\) 最終對應的詞向量是 一個 \(d\) 維的向量，有可能是如下的形式：
\[vec_{\text{marisa}} = \begin{bmatrix} 0.1 \\ 1.5 \\ \vdots \\ 0.7 \end{bmatrix} \]\(vec\) 就是 目標單詞的詞向量。這里的維度 \(d\) 是 人為設定的一個超參數，表示我們需要將單詞映射到一個 \(d\) 維的向量空間，決定了 詞向量的特征數量，也就是我們想要 得到的詞向量的大小。
通過 \(\text{Word2Vec}\) 得到的詞向量 擁有相似上下文的詞在空間中的位置，能夠捕捉單詞之間的語義關系。
從維度上，提取的 \(d\) 個維度特征，可以一定程度上避免維度過高的情況；從語義上，攜帶上下文信息，可以表示出近義詞的相似性。
2.2 Skip-gram 與 CBOW
\(\text{Word2Vec}\) 模型包括輸入層、隱藏層和輸出層。模型框架根據輸入輸出的不同，主要包括 \(\text{Skip-gram}\) 和 \(\text{CBOW}\) 兩種模型。
\(\text{Skip-gram}\) 模型: 用一個詞語作為輸入，來預測其上下文。模型的目標是 最大化在給定目標單詞的情況下上下文單詞出現的概率，也就是 計算其他單詞出現在目標單詞周圍的概率。
\(\text{CBOW}\) 模型: 用一個詞語的上下文作為輸入，來預測這個詞語。模型的目標是最大化上下文單詞出現時目標單詞的條件概率。
本篇文章將會介紹基于 \(\text{Negative Sampling}\) 的 \(\text{Skip-gram}\) 模型。（\(\text{Negative Sampling}\) 也就是 負采樣，是 \(\text{Word2Vec}\) 模型訓練的加速策略之一）
3. 基于 Negative Sampling 的 Skip-gram
3.1 Skip-gram 模型
\(\text{Skip-gram}\) 模型輸入層 \(x\) 只有一個單詞，輸出層 \(y\) 為多個單詞，其基本結構如下：
下面的 \(d\) 對應圖中的 \(N\)。
-
輸入層 \(x\)：一個 \(1 \times V\) 的 \(\text{one-hot}\) 向量，\(V\) 為詞匯表大小。表示一個單詞，也是我們的 目標詞。
-
\(W\) 矩陣：輸入層到隱藏層之間 \(V \times d\) 的參數矩陣，包含了模型使用的所有詞向量，目的是為了將輸入層的 \(\text{one-hot}\) 向量映射到嵌入向量空間，也就是 \(d\) 維空間。
-
隱藏層 \(h\)：一個 \(1 \times d\) 的特征向量，其實也就是當前的 目標詞對應的詞向量 。
-
\(W^{'}\) 矩陣：隱藏層到輸出層之間的 \(d \times V\) 的參數矩陣，用來將隱藏層的表示轉換到輸出空間。也表示了所有單詞的詞向量，將于 目標詞詞向量做內積。
-
輸出層 \(o\)：一個 \(1 \times V\) 的向量。經過 \(h \times W^{'}\) 后（做內積之后）產生一個相似度向量，向量中 每個元素 表示詞匯表 每個單詞 的 在目標詞上下文出現 的 原始概率。最后要經過一個 激活層 得到 真實概率。對于 多分類 問題，常常采用 \(\text{softmax}\) 函數；對于 二分類 問題，則一般采用 \(\text{sigmoid}\) 函數。（注意，這里的輸出層并非圖中最終的輸出，只是一個概率的分布）
PS: 在后面的問題中，將會采用 \(\text{sigmoid}\) 函數。
- 輸出單詞 \(y\)：\(C\) 個單詞的 \(\text{one-hot}\) 向量，其中 \(C\) 表示采用的 上下文窗口的大小。根據輸出層 \(o\) 的概率分布，選取 前 \(C\) 大概率 的單詞作為最終預測的 目標詞 \(x\) 的上下文單詞 \(y\)。
下圖是一個上下文窗口典型示例：
3.2 Negative Sampling
傳統的神經語言模型需要在每一步對全詞匯表進行運算，而 \(\text{Negative Sampling}\)（負采樣）只在更新權重時考慮一個小的負樣本集合，也就是隨機選擇一個負單詞集合（也就是若干非上下文的單詞組成的一個子集）。這樣，目標就轉化為 最大化正樣本的概率，同時最小化負樣本的概率。
由此我們可以得到如下定義：
-
樣本概率
\[P(+ | w, c) = \sigma (c \cdot w) \]其中 \(w\) 表示 目標詞對應的詞向量，\(c\) 表示 目標詞的上下文對應的詞向量。
\(\sigma\) 表示 \(\text{sigmoid}\) 函數，\(c \cdot w\) 是兩個詞向量的內積。
-
正樣本似然函數
\[\prod P(+ | w, c_{\text{pos}}) \] -
負樣本似然函數
\[\prod P(- | w, c_{\text{neg}}) \]
我們需要最大化正樣本的概率，同時最小化負樣本的概率，所以，可以轉化為最大化下式：
\[\prod P(+ | w, c_{\text{pos}}) \prod (1 - P(- | w, c_{\text{neg}})) \]為了計算方便，我們可以取對數，得到對數似然函數：
\[\mathcal{L} = \text{log}(\prod P(+ | w, c_{\text{pos}}) \prod (1 - P(- | w, c_{\text{neg}}))) \]為了后續方便訓練，我們可以變成最小化如下形式 (在前面加一個負號)：
\[L = - \text{log}(\prod P(+ | w, c_{\text{pos}}) \prod (1 - P(- | w, c_{\text{neg}}))) \]由 \(\text{sigmoid}\) 函數 \(f(x) = \frac{1}{1 + e^{-x}}\) 得：
\[\begin{split} L &= - \text{log}(\prod \sigma (c_{\text{pos}} \cdot w) \prod \sigma(- c_{\text{neg}} \cdot w)) \\\\ &= - \left [ \sum \text{log} \; \sigma(c_{\text{pos}} \cdot w) + \sum \text{log} \; \sigma(- c_{\text{neg}} \cdot w) \right ] \end{split} \]一般情況下使用 \(\text{SGD}\) （隨機梯度下降法）來進行學習，故只需要知道對一個正樣本 \((w, c_{\text{pos}})\) 的目標函數。假設我們隨機選取 \(k\) 個負樣本單詞作為負采樣集合，則有如下形式：
\[L = - \left [ \text{log} \; \sigma(c_{\text{pos}} \cdot w) + \sum_{i=1}^k \text{log} \; \sigma(- c_{\text{neg}_{i}} \cdot w) \right ] \]這就是我們最終要 最小化得目標函數 \(L\) 。
3.3 參數求導
我們最終需要得到最優的 \(c_\text{pos}\) 、\(c_{\text{neg}}\) 以及 \(w\) 參數，由 \(\text{SGD}\) 算法（應該沒有人不懂這個算法吧），我們要分別對這些參數求導。
目標函數中有 \(\text{sigmoid}\) 函數，故在求導之前，我們先看一下 \(\text{sigmoid}\) 函數的求導，以便后續化簡。
\(\text{sigmoid}\) 函數如下：
\[\sigma(x) = \frac{1}{1 + e^{-x}} \]我們先對其進行變形，得：
\[\begin{split} \sigma(x) &= \frac{1}{1 + e^{-x}} \\\\ &= \frac{e^x}{e^x + 1} \\\\ &= 1 - (e^x + 1)^{-1} \end{split} \]由此可得 \(\text{sigmoid}\) 的導數如下：
\[\begin{split} \frac{\textozvdkddzhkzd \sigma}{\textozvdkddzhkzd x} &= (e^x + 1)^{-2} e^x \\\\ &= [e^x(1 + e^{-x})]^{-2} e^x \\\\ &= (1 + e^{-x})^{-2} e^{-2x} e^x \\\\ &= (1 + e^{-x})^{-1} \cdot \frac{e^{-x}}{1 + e^{-x}} \\\\ &= \sigma(x) \cdot (1 - \sigma(x)) \end{split} \]我們可以再看下 \(\sigma(-x)\) 的導數。顯然 \(\text{sigmoid}\) 函數滿足 \(\sigma(-x) = 1 - \sigma(x)\)，所以\(\sigma(-x)\) 的導數就很簡單了，就是 \(-\sigma(x) \cdot (1 - \sigma(x))\)
后面再對各個參數求導就比較清晰易懂了，具體過程如下(對數看作取 \(\text{ln}\) 函數)：
-
對 \(c_{\text{pos}}\) 求導
這里使用了 鏈式求導法則。
\[\begin{split} \frac{\partial L}{\partial c_{\text{pos}}} &= \frac{\partial}{\partial c_{\text{pos}}}(- \left [ \text{log} \; \sigma(c_{\text{pos}} \cdot w) + \sum_{i=1}^k \text{log} \; \sigma(- c_{\text{neg}_i} \cdot w) \right ]) \\\\ &= - \frac{\partial L}{\partial \sigma(c_{\text{pos}} \cdot w)} \frac{\partial \sigma(c_{\text{pos}} \cdot w)}{\partial c_{\text{pos}}} \end{split} \]其中前半部分為：
\[\frac{\partial L}{\partial \sigma(c_{\text{pos}} \cdot w)} = \frac{1}{\sigma(c_{\text{pos}} \cdot w)} \]后半部分為：
\[\frac{\partial \sigma(c_{\text{pos}} \cdot w)}{\partial c_{\text{pos}}} = \sigma(c_{\text{pos}} \cdot w) \cdot (1 - \sigma(c_{\text{pos}} \cdot w))\;w \]最后結合起來得到 \(\frac{\partial L}{\partial c_{\text{pos}}}\)（記得最全面有一個負號） ：
\[\begin{split} \frac{\partial L}{\partial c_{\text{pos}}} &= - \frac{1}{\sigma(c_{\text{pos}} \cdot w)} \; \sigma(c_{\text{pos}} \cdot w) \; (1 - \sigma(c_{\text{pos}} \cdot w)) \; w \\\\ &= \left [ \sigma(c_{\text{pos}} \cdot w) - 1 \right] w \end{split} \]
-
對 \(c_{\text{neg}}\) 求導
使用 鏈式求導法則
\[\begin{split} \frac{\partial L}{\partial c_{\text{neg}}} &= \frac{\partial}{\partial c_{\text{neg}}}(- \left [ \text{log} \; \sigma(c_{\text{pos}} \cdot w) + \sum_{i=1}^k \text{log} \; \sigma(- c_{\text{neg}_i} \cdot w) \right ]) \\\\ &= - \sum_{i=1}^k \frac{\partial L}{\partial \sigma(- c_{\text{neg}_i} \cdot w)} \frac{\partial \sigma(- c_{\text{neg}_i} \cdot w)}{\partial c_{\text{neg}_i}} \end{split} \]前半部分為：
\[\frac{\partial L}{\partial \sigma(- c_{\text{neg}_i} \cdot w)} = \frac{1}{\sigma(- c_{\text{neg}_i} \cdot w)} \]后半部分為：
\[\begin{split} \frac{\partial \sigma(- c_{\text{neg}_i} \cdot w)}{\partial c_{\text{neg}_i}} &= -\sigma(c_{\text{neg}_i} \cdot w) \; (1 - \sigma(c_{\text{neg}_i} \cdot w)) \; w \end{split} \]由于 \(\sigma(-x) = 1 - \sigma(x)\)，我們可以把 \((1 - \sigma(c_{\text{neg}_i} \cdot w))\) 換成 \(\sigma(- c_{\text{neg}_i} \cdot w)\) 便于后續化簡：
\[\frac{\partial \sigma(- c_{\text{neg}_i} \cdot w)}{\partial c_{\text{neg}_i}} = - \sigma(c_{\text{neg}_i} \cdot w) \; \sigma(- c_{\text{neg}_i} \cdot w) \; w \]將兩個部分結合起來，得到 \(\frac{\partial L}{\partial c_{\text{neg}}}\)（記得最全面有一個負號）：
\[\begin{split} \frac{\partial L}{\partial c_{\text{neg}}} &= - \sum_{i=1}^k \frac{1}{\sigma(- c_{\text{neg}_i} \cdot w)} \; \left [ - \sigma(c_{\text{neg}_i} \cdot w) \; \sigma(- c_{\text{neg}_i} \cdot w) \; w \right ] \\\\ &= \sum_{i=1}^k \frac{1}{\sigma(- c_{\text{neg}_i} \cdot w)} \; \left [ \sigma(c_{\text{neg}_i} \cdot w) \; \sigma(- c_{\text{neg}_i} \cdot w) \; w \right ] \\\\ &= \sum_{i=1}^k \sigma(c_{\text{neg}_i} \cdot w) \; w \\\\ &= [\sigma(c_{\text{neg}} \cdot w)] \; w \end{split} \]
-
對 \(w\) 求導
對前面兩個參數進行求導后，對 \(w\) 求導就方便多了。
\[\frac{\partial L}{\partial w} = - \left [ \frac{\partial}{\partial w}(\text{log} \; \sigma(c_{\text{pos}} \cdot w)) + \frac{\partial}{\partial w}(\sum_{i=1}^k \text{log} \; \sigma(- c_{\text{neg}_i} \cdot w)) \right ] \]對于前半部分，由
\[\frac{\partial}{\partial w} \sigma(c_{\text{pos}} \cdot w) = \sigma(c_{\text{pos}} \cdot w) \; (1 - \sigma(c_{\text{pos}} \cdot w)) \; c_{\text{pos}} \]可得
\[\begin{split} \frac{\partial}{\partial w}(\text{log} \; \sigma(c_{\text{pos}} \cdot w)) &= \frac{1}{\sigma(c_{\text{pos}} \cdot w)} \sigma(c_{\text{pos}} \cdot w) \; (1 - \sigma(c_{\text{pos}} \cdot w)) \; c_{\text{pos}} \\\\ &= [1 - \sigma(c_{\text{pos}} \cdot w)] \; c_{\text{pos}} \end{split} \]對于后半部分，由
\[\frac{\partial}{\partial w} \sigma(- c_{\text{neg}_i} \cdot w) = \sigma(- c_{\text{neg}_i} \cdot w) \; (1 - \sigma(- c_{\text{neg}_i} \cdot w) \; (-c_{\text{neg}_i}) \]得
\[\begin{split} \frac{\partial}{\partial w}(\text{log} \; \sigma(-c_{\text{neg}_i} \cdot w)) &= \frac{1}{\sigma(-c_{\text{neg}_i}\cdot w)} \sigma(- c_{\text{neg}_i} \cdot w) \; (1 - \sigma(- c_{\text{neg}_i} \cdot w) \; (-c_{\text{neg}_i}) \\\\ &= - [1 - \sigma(c_{\text{neg}_i} \cdot w)] \; c_{\text{neg}_i} \\\\ &= - [\sigma(c_{\text{neg}_i}\cdot w)] \; c_{\text{neg}_i} \end{split} \]最后結合起來，得到 \(\frac{\partial L}{\partial w}\)（記得最全面有一個負號）：
\[\frac{\partial L}{\partial w} = [ \sigma(c_{\text{pos}} \cdot w) - 1] \; c_{\text{pos}} + \sum_{i=1}^k [\sigma(c_{\text{neg}_i}\cdot w)] \; c_{\text{neg}_i} \]
以上就是對參數求導的全部推導過程。
3.4 SGD 更新公式
將上面的導數套用到 \(\text{SGD}\) 更新公式就可以了。最后簡單寫一下更新公式：
\[c_{\text{pos}}^{t + 1} = c_{\text{pos}}^{t} - \eta \left [ \sigma(c_{\text{pos}}^t \cdot w^t) - 1 \right] w^t \] \[c_{\text{neg}}^{t + 1} = c_{\text{neg}}^{t} - \eta \left [ \sigma(c_{\text{neg}}^t \cdot w^t) \right] w^t \] \[w^{t + 1} = w^t - \eta \left ( [ \sigma(c_{\text{pos}} \cdot w) - 1] \; c_{\text{pos}} + \sum_{i=1}^k [\sigma(c_{\text{neg}_i}\cdot w)] \; c_{\text{neg}_i} \right ) \]經過不斷迭代更新后，最后得到最優的 \(c_\text{pos}\) 、\(c_{\text{neg}}\) 以及 \(w\) 參數，也就是最終的 上下文詞向量 \(c\) 和 目標詞對應的詞向量 \(w\) 。
最后，通常會將兩個詞向量進行相加，來表述單詞。例如第 \(i\) 個單詞就可以表示為 \(w_i + c_i\) 。
參考
【詞向量基礎】：one-hot
全面理解word2vec
Word2Vec介紹：直觀理解skip-gram模型
深入淺出Word2Vec原理解析
[NLP] 秒懂詞向量Word2vec的本質
sigmoid函數求導-只要四步
總結
以上是生活随笔為你收集整理的[NLP复习笔记] 基于负采样的 Skip-gram 及 SGD 训练公式推导的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 一文搞懂什么是阻塞IO、信号驱动IO、R
- 下一篇： 首次引入大模型!Bert-vits2-E