本文介紹Word2Vec是基于Skip-Gram架構，本文只介紹核心思想，具體權重更新參考論文。

本文與論文同時飲用較好!

理解Word2Vec核心思想的步驟是先理解one word -> one word如何獲取詞向量，而Skip-Gram架構和CBOW架構是再次基礎之上進行了輸入或者輸出的改變。

One-Word Context

One-Word Context是只是用一個單詞預測另一個單詞。其架構圖為:

即只有兩層全連接神經網絡，并且隱藏層為先行層。輸入層為每個單詞的one-hot encoder，輸出為下一個單詞的預測。輸出是Softmax處理后的概率值，那個維度的概率值大則為某個單詞。

其中詞向量為W的行向量或者W'的列向量，一般使用W的行向量作為輸入詞的詞向量，也即是輸入向量(One-hot encoder)與W的轉置相乘之后隱藏層的結果。

CBOW架構

CBOW架構只是在one->one的基礎之上輸入層到隱藏層為：輸入層的平均和。

Skip-Gram架構

只是在輸出時，偏差為所有panel的偏差之和。

其中u為預測輸出。

Hierarchical Softmax

Hierarchical Softmax是使用output-layer的每一個panel(即單詞的輸出評分)，該輸出評分的每一個維度為輸出向量和輸入向量的內積。根據每一維度的大小構建二叉樹(常用哈夫曼樹，建議看看哈夫曼樹的構建)。

對于構建哈夫曼樹的權重進行Sigmoid函數處理，把它壓縮在[0,1]之間，形成往左子樹走的概率，則往右子樹走的概率為1-P(左)。

如上圖，從根節點往w2走，走的方向有向左->向左->向右走。(上圖非哈夫曼樹，但思想一致。)

把從根節點走到w2的路徑的概率乘積即為預測概率，從而求出每個panel維度的概率。

loss函數:

負采樣

負采樣是在Hierarchical Softmax的loss函數基礎之上，添加了負采樣。

因此，損失函數為:

負采樣的核心思想是根據詞頻進行選擇sqmple更新權重，而不是所有權重；并且進行預測的單詞權重必須更新，在所有非預測單詞的權重進行負采樣更新。

代碼實現

from gensim.models import Word2Vec # 必須為字符串,才能進行訓練 docs = [['30760','157507'],['289197','63746'],['36162','168401'],['50644','361620']] wv = Word2Vec(docs,size=12,sg=1,window=2,workers=10,min_count=1,iter=10) wv['30760']

參考文獻

[1]. word2vec Parameter Learning Explained(論文)

[2].https://zhuanlan.zhihu.com/p/26306795

[3].深度學習與推薦系統(王喆)

總結

以上是生活随笔為你收集整理的cbow word2vec 损失_Word2Vec的核心思想的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。