14.2.2 层序softmax

在层序softmax中，不是只有叶子节点才代表一个词元吗？那么为什么计算条件概率的时候要去看非叶子节点？非叶子节点代表什么？为什么非叶子节点有词向量？对此，deepseek的解释如下
在层序Softmax（Hierarchical Softmax）中，非叶子节点虽然不直接代表词元，但它们通过构建二叉树的路径结构来间接影响词元的概率计算。以下是逐步解释：

---

1. 层序Softmax的基本结构

• 二叉树构建：词表中的每个词元（叶子节点）被组织成一棵二叉树（通常为哈夫曼树，按词频构建）。
• 节点角色：
  • 叶子节点：每个叶子节点唯一对应一个词元。
  • 非叶子节点：作为路径中的决策点，每个非叶子节点存储一个向量，用于计算路径选择的概率。

---

2. 非叶子节点的作用

• 路径决策：
  预测某个词时，从根节点到该词对应叶子节点的路径上，每一步需要选择向左或向右子树移动。非叶子节点的向量用于计算这些路径选择的概率。

  • 例如，非叶子节点 ( n ) 的向量 ( \mathbf{v}_n ) 与中心词向量 ( \mathbf{v}_c ) 计算点积，通过逻辑函数（如sigmoid）得到向左子树的概率：
    [
    P(\text{左} | n, \mathbf{v}_c) = \sigma(\mathbf{v}_n^\top \mathbf{v}_c)
    ]
  • 向右的概率则为 ( 1 - \sigma(\mathbf{v}_n^\top \mathbf{v}_c) )。

• 路径概率的乘积：
  从根节点到目标叶子节点的路径上，所有非叶子节点的条件概率相乘，得到该词元的最终预测概率：
  [
  P(w_o | w_c) = \prod_{n \in \text{Path}(w_o)} P(\text{dir}(n) | n, \mathbf{v}_c)
  ]
  其中，( \text{Path}(w_o) ) 是路径上的非叶子节点集合，( \text{dir}(n) ) 表示在节点 ( n ) 处的方向（左/右）。

---

3. 非叶子节点向量的意义

• 决策参数：
  非叶子节点的向量 ( \mathbf{v}_n ) 是模型需要学习的参数，它们不直接表示某个词，而是编码了“如何根据中心词 ( w_c ) 选择路径方向”。

  • 例如，若某非叶子节点的向量与中心词向量点积较大，模型会更倾向于向左子树移动。

• 与词向量的区别：

  • 叶子节点：直接关联词元的向量（如Skip-Gram中的输入向量 ( \mathbf{v}_w )）。
  • 非叶子节点：仅用于路径决策的辅助向量，与词义无关，本质是二分类器的权重。

---

4. 为什么需要非叶子节点的向量？

• 降低计算复杂度：
  传统Softmax需要对所有词计算归一化概率，复杂度为 ( O(|V|) )。层序Softmax通过二叉树路径将复杂度降至 ( O(\log |V|) )，每一步只需计算一个二分类概率。

  • 每个二分类步骤依赖非叶子节点的向量来建模决策边界。

• 分解多分类问题：
  将全局的多分类问题（所有词的概率）分解为多个局部二分类问题（路径上的方向选择），每个二分类由非叶子节点的向量参数化。

---

5. 示例说明

假设词表为 {A, B, C, D}，构建的二叉树如下：

        Root
       /   \
      n1    n2
     / \   / \
    A  B  C  D

• 预测词 A 时，路径为 Root → n1 → A。
• 在 Root 处，用向量 ( \mathbf{v}_{\text{Root}} ) 计算向左（n1）的概率：
  [
  P(\text{左} | \text{Root}, \mathbf{v}c) = \sigma(\mathbf{v}{\text{Root}}^\top \mathbf{v}_c)
  ]
• 在 n1 处，用向量 ( \mathbf{v}_{n1} ) 计算向左（A）的概率：
  [
  P(\text{左} | n1, \mathbf{v}c) = \sigma(\mathbf{v}^\top \mathbf{v}_c)
  ]
• 最终概率为两者的乘积：
  [
  P(A | w_c) = \sigma(\mathbf{v}_{\text{Root}}^\top \mathbf{v}c) \cdot \sigma(\mathbf{v}^\top \mathbf{v}_c)
  ]

---

6. 非叶子节点向量的训练

• 反向传播：
  训练时，模型根据目标词的真实路径调整非叶子节点的向量：
  • 若路径在某个节点应向左，则增大 ( \sigma(\mathbf{v}_n^\top \mathbf{v}_c) )；
  • 反之则减小该概率。
• 参数更新：
  非叶子节点的向量通过梯度下降更新，以最大化正确路径的概率。

---

总结

• 非叶子节点不直接代表词元，而是路径决策的中间节点，其向量用于建模路径选择的概率。
• 计算条件概率时需涉及非叶子节点：因为词元的最终概率是路径上所有节点决策概率的乘积。
• 非叶子节点的向量本质是二分类器参数，与词义无关，但通过训练可有效指导路径选择。

那么这种构造二叉树的方式如何从直观上理解呢？实际上，这个东西就没有什么道理，之所以构造二叉树，纯粹是因为要降低复杂度。如果说负采样变化了优化目标的话，层序softmax啥也没变化，只是为了加速，或者说，这么计算出来的嵌入向量，可能根本不能让跳元模型的损失函数最小化。简而言之，就是找到了一种计算比较快的方法还可以联系中心词和上下文词，所以就用层序softmax了