[DeeplearningAI笔记]序列模型2.7负采样Negative sampling

5.2自然语言处理

觉得有用的话,欢迎一起讨论相互学习~

吴恩达老师课程原地址

2.7 负采样 Negative sampling

Mikolov T, Sutskever I, Chen K, et al. Distributed representations of words and phrases and their compositionality[C]// International Conference on Neural Information Processing Systems. Curran Associates Inc. 2013:3111-3119.

• skip-gram模型可以构造一个监督学习任务，把上下文映射到目标词上，以学习一个实用的词嵌入，但是他的缺点是softmax计算起来很慢。本节将会介绍了一个经过优化的学习问题叫做 负采样，其能够做到和 skip-gram 相似的功能但是使用起来更加高效。

样本生成方法

• 例句： I want a glass of orange juice to go along with my cereal 构造一个新的监督学习问题，给定一对单词 orange 和 juice ,预测这是否是一对 上下文词-目标词 (context-target) ,在这个样本中，orange 和 juice 就是一个正样本。 然而对于 orange 和 king 就是一个负样本。
  • 正样本 的生成是采样得到一个上下文词和一个目标词。其中先在句中随机均匀的选取一个单词作为上下文词。然后在其左右两边一定词距内随机选择一个单词作为目标词。 并且将 标签 设置为1.
  • 负样本 的生成是使用和正样本一样的上下文词，然后从字典中随机选取一个单词构成一个组合。并且将 标签 设置为0. 其中同一 上下文词 生成 K个 负样本

context	word	target
orange	juice	1
orange	king	0
orange	book	0
orange	the	0
orange	of	0

• 注意：正负样本 的区别仅取决于单词对的来源，即是 of 也在 orange 的设定词距之内，但是作为随机从字典中选取的单词， of - orange 单词对仍然被标记为负样本。
• 在本次提出的算法中 输入数据x 将被设定为 context-word 的单词对，预测结果y 将被设置为 target 算法的目的即是区分 样本采样的来源
• 论文作者推荐，小数据集的话 K 被设置为5-20， 而对于较大的数据集， K 被设置为2-5.即数据集越小 K 值被设定的越大。

模型学习原理

• Skip-grams 中softmax函数定义:

$$P(target|content)=\frac{e^{\theta_{t}^{T}e_{c}}}{\sum^{10000}_{j=1}{e^{\theta^{T}_{j}e_{c}}}}$$

• 本节算法定义 输入Context为c,Word为t,定义输出Target为y

context	word	target
c	t	y
$x_1$	$x_2$	y
orange	juice	1
orange	king	0
orange	book	0
orange	the	0
orange	of	0

• 损失函数 定义为给定 样本单词对 的情况下，$y=1$ 的概率:
  • 使用$e_{c}$表示context的词嵌入向量 其中$\theta_{t}$表示每个样本对应的参数.

  • $$P(y=1|c,t)=\sigma(\theta^{T}_{t}e_{c})$$

  • 对于每个正样本都有 K 个负样本来训练一个类似logisitic回归的模型。

神经网络算法流程

1. 如果输入词是 orange ，即词典中的第6257个词，将其使用one-hot向量表示 $o_{6257}$,
2. 再传递给E(词嵌入向量矩阵)，通过两者相乘得到 orange 的嵌入向量 $e_{6357}$
3. $e_{6357}$是一个1W维(字典中总单词数量)的向量，可以看成是1W个可能的logistic回归分类问题，其中一个是用来判断目标词是否是 juice 的分类器，当然也有用来判断 king,book,the... 等词汇是否是目标词的分类器。但是每次迭代不都是训练所有的样本， 每次迭代只会训练一个正样本和随机选取的 K 个负样本

• 此算法将需要计算10000个维度的softmax问题转化为10000个二分类问题，每一个都易于计算，每次迭代要做的只是训练其中的 K+1 个样本，其中一个正样本和随机选取的同一个Context的 K 个负样本。
• 此算法被称为 负采样 ， 因为在挑选一个 正样本 的同时，随机生成 K个负样本

负样本采样方法

• 仅考虑单词在 语料库 中出现的频率，会导致负样本中 the, of, and ... 等介词出现的频率过高
• 仅考虑单词在 词汇表 中出现的频率，即在 词汇表 中随机采样，分母是词汇表中的总词数，这样采样十分没有代表性。
• 论文提出采样公式为:

$$P(w_{i})=\frac{f(w_{i})^{3/4}}{\sum^{10000}_{j=1}f(w_{j})^{3/4}}$$

其中$f(w_{i})$表示单词在语料库中的词频。