【Word2Vec】传统词嵌入矩阵训练方法

1. Word2Vec 简介

Word2Vec 是一种词嵌入模型，主要通过无监督学习来训练词汇的稠密向量表示。它通过分析大量的语料库，学习到每个词（token）在该语料库中的上下文关系。Word2Vec 使用神经网络模型来生成每个词的嵌入向量，嵌入向量的维度通常远小于词汇表的大小。

2. Word2Vec 的训练方法

Word2Vec 主要有两种训练方式：

• 连续词袋模型（Continuous Bag of Words, CBOW）
• 跳字模型（Skip-gram）

无论是 CBOW 还是 Skip-gram，Word2Vec 都是通过上下文关系来训练词向量的，而不是像 独热编码 那样直接表示每个词。

2.1 Skip-Gram模型

Skip-Gram 模型的目标是，给定一个中心词（target word），预测它的上下文词（context words）。这种方法适用于小数据集，能够更好地捕捉到词汇的稀有用法。

• 输入：中心词（target word）
• 输出：上下文词（context words）
• 例子：
  • 如果上下文窗口为 2，给定句子 “The cat sat on the mat”，在 “sat” 这个词的中心下，模型会尝试预测 “The”、“cat”、“on” 和 “the” 这四个词作为上下文。

训练时，Skip-Gram 模型通过最大化目标词和上下文词的条件概率，更新模型中的参数。

2.2 CBOW（Continuous Bag of Words）模型

CBOW 模型的目标是，给定上下文词（context words），预测目标词（center word）。CBOW 适合较大数据集，计算上通常比 Skip-Gram 更高效。

• 输入：上下文词（context words）
• 输出：中心词（target word）
• 例子：
  • 给定上下文窗口为 2，句子 “The cat sat on the mat”，在上下文词 “The”、“cat”、“on” 和 “the” 下，CBOW 模型会尝试预测 “sat” 作为中心词。

在训练时，CBOW 模型通过最大化目标词的条件概率来更新参数。

联想成物理中的向量分量合并与分解的操作即可

3. Word2Vec 中的词嵌入表示

在 Word2Vec 中，输入词汇并不直接使用 独热编码，而是通过 嵌入矩阵（embedding matrix）将每个词映射到一个稠密向量空间。这些向量是在训练过程中学习到的。

• 独热编码：独热编码（One-Hot Encoding）是将每个词表示为一个维度为词汇表大小的稀疏向量，其中只有对应词的位置是 1，其他位置是 0。例如，如果词汇表大小是 5，“dog” 在词汇表中的位置是 3，那么它的独热编码表示为 [0, 0, 1, 0, 0]。这种表示方式通常会导致非常稀疏的高维向量，维度非常大，并且无法有效地捕捉词与词之间的关系。

• 词嵌入：而在 Word2Vec 中，每个词会被映射到一个固定维度的 密集向量（通常是 50 到 300 维）。这些向量表示了词与词之间的语义关系，例如，“king” 和 “queen” 会有相似的向量表示。

Word2Vec 的训练方式实际上是通过 嵌入矩阵 来进行的。在训练过程中，模型会根据上下文词来调整每个词的向量，使得在语义空间中，相似的词会有相似的向量。

4. 训练过程中是否使用独热编码？

是的，在 Word2Vec 中，一般会先将词转换成独热编码（one-hot encoding）向量，再通过嵌入矩阵转换成稠密的低维嵌入向量。

这里是一个简化的流程：

1. 独热编码：假设词汇表大小为 V，每个词用一个 V 维的独热编码向量表示。例如，如果“喜欢”是词汇表中的第 i 个词，则它的独热编码在第 i 个位置为 1，其他位置为 0。

2. 嵌入矩阵：设嵌入矩阵 W 的维度是 V × d，其中 d 是嵌入的维度。嵌入矩阵 W 存储了每个词的嵌入向量（每行对应词汇表中的一个词）。

3. 嵌入向量：将独热编码向量 o 乘以嵌入矩阵 W，得到词的嵌入向量 e。计算过程为 e = o × W，结果就是一个 d 维的嵌入向量。

这样，每个词的独热编码就被映射到一个稠密、低维的嵌入空间中，用以捕获词与词之间的语义关系。