NLP深度学习 DAY4：Word2Vec详解：两种模式（CBOW与Skip-gram）

用稀疏向量表示文本，即所谓的词袋模型在 NLP 有着悠久的历史。正如上文中介绍的，早在 2001年就开始使用密集向量表示词或词嵌入。Mikolov等人在2013年提出的创新技术是通过去除隐藏层，逼近目标，进而使这些单词嵌入的训练更加高效。虽然这些技术变更本质上很简单，但它们与高效的word2vec配合使用，便能使大规模的词嵌入训练成为可能。

0 前言：词袋模型

首先解释一下什么是词袋模型：

词袋模型（Bag-of-Words, BOW） 是最早、最经典的文本表示方法之一（1940左右出现，甚至比n-gram还要早，我愿称之为原始祖师爷）。它将一段文本看作一个「袋子」：里面盛放了这个文本所含的所有单词，但忽略了单词的顺序、句法结构等信息，只关注单词是否出现以及出现次数（或频率）。这就好比把句子里的单词都抓出来扔进一个袋子，摇匀后再数一数这些单词都有什么、各出现几次。

1.1 典型示例

假设我们的词表是 "I","like","apples","banana"，大小 V=4（指的就是一共有4个词）。
有两句话：

1. “I like apples”
2. “I like banana apples”

那么在词袋表示下：

• 对于 “I like apples”：

  1. "I" 出现 1 次
  2. "like" 出现 1 次
  3. "apples"出现 1 次
  4. "banana"出现 0 次
     向量表示可写作 [1, 1, 1, 0]

• 对于 “I like banana apples”：

  1. "I" 出现 1 次
  2. "like" 出现 1 次
  3. "apples"出现 1 次
  4. "banana"出现 1 次
     向量表示可写作 [1, 1, 1, 1]

可以看到，这种表示只管词的出现情况，不会去记录 “banana”是在“apples”前还是后出现，也不会记录它们之间的距离。这样就得到最纯粹的词袋表示。

一、词向量引入

先来考虑一个问题：如何能将文本向量化呢？听起来比较抽象，我们可以先从人的角度来思考。

如何用一个数值向量描述一个人呢？只用身高或者体重，还是综合其各项指标呢？当然是综合各项指标能更加准确的描述一个人啦，具体什么指标还得看你能收集到什么指标。比如除了常规的身高、体重外，我们还可以用人的性格，从内向到外向设置为从-1到+1，人的性格让“专家”去打分，从而获取人性格的数值化数据。

只要有了向量，就可以用不同方法（欧氏距离、曼哈顿距离、切比雪夫距离、余弦相似度等）来计算两个向量之间的相似度了！

                      

通常来说，向量的维度越高，能提供的信息也就越多，从而计算结果的可靠性就更值得信赖

 现在回到正题，如何描述词的特征？通常都是在词的层面上来构建特征。Word2Vec就是要把词转化为向量。

下图展示了一个50维的词向量：

 假设现在已经拿到了一份训练好的词向量，其中每一个词都表示为50维的向量，如下图所示：

 如果将它们在热度图中显示，结果如下：

 在结果中可以发现，相似的词在特征表达中比较相似，也就是说明词的特征是有实际意义的！

                     

二、词向量模型

在词向量模型中输入和输出是什么？中间这个黑盒又是什么？

如下图所示，在词向量模型中，输入可以是多个词。例如下面所示的，输入是 Thou 和 shalt，模型的任务是预测它们的下一个词是什么。

早期的神经网络的词嵌入方法（word2vec出现之前使用n-gram去训练原始词表里面的300维向量 差不多2001年）

最后一层连接了 SoftMax，所以网络的输出是所有词可能是下一个词的概率。

             

那么有人就会问了，输入是文字，文字怎么输入到神经网络中啊 ？这个问题很好，我们通常会用一个 Embedding 层来解决这个问题。如下图所示，在神经网络初始化的时候，我们会随机初始化一个 N×K 的矩阵，其中 N 是 词典的大小，K 是词向量的维数（一个自行设定的超参数）。然后，我们会用一个 N×N 的矩阵和 N×K 的矩阵相乘，得到一个新的 N×K的矩阵向下进行前向传播。其中，N×N 的矩阵会在输入的文字的对应对角线上设置为1，其余位置均为0。N×K 的矩阵是随机初始化的，通过反向传播进行更新调整。

          

 下面展示了一个例子（假设输入的两个词在词典中的位置是2和3处）：

          

三、训练数据构建（还是早期的n-gram模型）

问：我们的训练数据应该从哪找呢？

答：一切具有正常逻辑的语句都可以作为训练数据。如小说、论文等。

如果我们有一个句子，那么我们可以按照下面你的方式构建数据集，选出前三个词，用前两个作为词模型的输入，最后一个词作为词模型输出的目标，继而进行训练。如下图所示： 

 然后，我们还可以将”窗口“往右平移一个词，如下图所示，构造一个新的训练数据

当然，这个”窗口“的宽度也是可以自己设置的，在上例中，窗口宽度设置为 3，也可以设置为 4、5、6 等等

四、Word2vec（2013年）不同模型对比

4.1 CBOW

CBOW的全称是continuous bag of words（连续词袋模型）。其本质也是通过context word（背景词）来预测target word（目标词）。

CBOW之所以叫连续词袋模型，是因为在每个窗口内它也不考虑词序信息，因为它是直接把上下文的词向量相加了，自然就损失了词序信息。CBOW抛弃了词序信息，指的就是在每个窗口内部上下文直接相加而没有考虑词序。

用 CBOW 构造数据集的例子1如下图所示：

                           

例子2：

假设我们有一个简单的句子：

“The cat sits on the mat”

• 选择“sits”作为目标词（w_t )，窗口大小设置为 2，意味着它的上下文是：

  • 左边两个词: “The”, “cat”
  • 右边两个词: “on”, “the” (如果只算到 “on the” 可能这样)

• 构建训练样本时，就会出现：

  • 输入：上下文词“[The, cat, on, the]”各自的向量，合并/平均后得到 vcontext。
  • 输出：目标词“sits”在词表上的概率。

对于句子中的其他位置，也会类似地滑动窗口，把每个词当作目标词，然后获取它的上下文词，构建训练样本。例如，把“cat”当目标词时，上下文就是 [The], [sits, on] （在超出边界时，窗口不够可特殊处理）。

最大缺点：为什么说 “CBOW 不考虑词序”（之所以叫连续词袋模型）

• 在同一个窗口里，CBOW 只是把上下文词向量进行相加/平均。
• 这样做后，我们无法区分“cat sits on the mat” 和 “on the cat sits the mat” 这样的词序变化，因为最终得到的上下文向量是一样的。
• 这就是“Bag of Words”的含义：视上下文词为一个无序的集合。

尽管 CBOW 在窗口内部抛弃了词序信息，但它仍然是“连续”地按照窗口来遍历整篇文本（不会跨句子或任意地远距离取词），所以叫 “Continuous Bag of Words”。

4.2 Skip-gram 模型

Skip-gram 模型和 CBOW 相反，Skip-gram 模型的输入是一个词汇，输出则是该词汇的上下文。如下图所示：

                   

下面举一个例子，设”窗口“宽度为5，每次用”窗口“的第三个也就是中的词汇作为输入，其余上下文作为输出，分别构建数据集，如下图所示： 

       

 然后用构建好的数据集丢给词模型进行训练，如下图所示：

如果一个语料库稍微大一点，可能的结果就太多了，最后一层 SoftMax 的计算就会很耗时，有什么办法来解决吗？

下面提出了一个初始解决方案：假设，传统模型中，我们输入 not ，希望输出是 thou，但是由于语料库庞大，最后一层 SoftMax 太过耗时，所以我们可以改为：将 not 和 thou 同时作为输入，做一个二分类问题，类别 1 表示 not 和 thou 是邻居，类别 0 表示它们不是邻居。

                    

上面提到的解决方案出发点非常好，但是由于训练集本来就是用上下文构建出来的，所以训练集构建出来的标签全为 1 ，无法较好的进行训练，如下图所示： 

 改进方案：加入一些负样本（负采样模型），一般负采样个数为 5 个就好，负采样示意图如下图所示：

最大缺点：和上面的CBOW一样无法考虑词序

• Skip-gram输入是目标词，输出是预测其上下文词。与 CBOW 类似，上下文词也被视为独立的个体，不关心它们的顺序或位置。

• 例如，对于目标词 "sat"，模型会尝试预测周围的词（如 "The", "cat", "on", "the"），但预测过程中这些词的顺序无关紧要。

4.3 CBOW 和 Skip-gram 对比 

 

五、词向量训练过程

5.1 初始化词向量矩阵

             

5.2 训练模型

通过神经网络反向传播来计算更新，此时不光更新权重参数矩阵W，也会更新输入数据

         

训练完成后，我们就得到了比较准确的 Word Embeddings，从而得到了每个词的向量表示！！！ 

六、Python 代码实战

6.1 Model

from torch import nnclass DNN(nn.Module):def __init__(self, vocabulary_size, embedding_dim):super(DNN, self).__init__()self.embedding = nn.Linear(vocabulary_size, embedding_dim, bias=False)print("embedding_size:", list(self.embedding.weight.size()))self.layers = nn.Sequential(nn.Linear(vocabulary_size * embedding_dim, embedding_dim // 2),nn.LeakyReLU(),nn.Linear(embedding_dim // 2, 4),nn.LeakyReLU(),nn.Linear(4, 1),)# Mean squared error lossself.criterion = nn.MSELoss()# self.criterion = nn.CrossEntropyLoss()def forward(self, x):x = self.embedding(x)x = x.view(x.size()[0], -1)x = self.layers(x)x = x.squeeze(1)return xdef cal_loss(self, pred, target):""" Calculate loss """return self.criterion(pred, target)

6.2 DataSet

import randomimport numpy as np
from torch.utils.data import Datasetclass MyDataSet(Dataset):def __init__(self, features, labels):self.features = featuresself.labels = labelsdef __getitem__(self, index):return self.features[index], self.labels[index]def __len__(self):return len(self.features)def get_data_set(data_path, window_width, window_step, negative_sample_num):with open(data_path, 'r', encoding='utf-8') as file:document = file.read()document = document.replace(",", "").replace("?", "").replace(".", "").replace('"', '')data = document.split(" ")print(f"数据中共有 {len(data)} 个单词")# 构造词典vocabulary = set()for word in data:vocabulary.add(word)vocabulary = list(vocabulary)print(f"词典大小为 {len(vocabulary)}")# index_dictindex_dict = dict()for index, word in enumerate(vocabulary):index_dict[word] = index# 开始滑动窗口，构造数据features = []labels = []neighbor_dict = dict()for start_index in range(0, len(data), window_step):if start_index + window_width - 1 < len(data):mid_index = int((start_index + start_index + window_width - 1) / 2)for index in range(start_index, start_index + window_width):if index != mid_index:feature = np.zeros((len(vocabulary), len(vocabulary)))feature[index_dict[data[index]]][index_dict[data[index]]] = 1feature[index_dict[data[mid_index]]][index_dict[data[mid_index]]] = 1features.append(feature)labels.append(1)if data[mid_index] in neighbor_dict.keys():neighbor_dict[data[mid_index]].add(data[index])else:neighbor_dict[data[mid_index]] = {data[index]}# 负采样for _ in range(negative_sample_num):random_word = vocabulary[random.randint(0, len(vocabulary))]for word in vocabulary:if random_word not in neighbor_dict.keys() or word not in neighbor_dict[random_word]:feature = np.zeros((len(vocabulary), len(vocabulary)))feature[index_dict[random_word]][index_dict[random_word]] = 1feature[index_dict[word]][index_dict[word]] = 1features.append(feature)labels.append(0)break# 返回dataset和词典return MyDataSet(features, labels), vocabulary, index_dict

6.3 Main

import random
from math import sqrtimport numpy as np
import torch
from torch.utils.data import DataLoaderfrom Python.DataSet import get_data_set
from Python.Model import DNNdef same_seed(seed):"""Fixes random number generator seeds for reproducibility固定时间种子。由于cuDNN会自动从几种算法中寻找最适合当前配置的算法，为了使选择的算法固定，所以固定时间种子:param seed: 时间种子:return: None"""torch.backends.cudnn.deterministic = True  # 解决算法本身的不确定性，设置为True 保证每次结果是一致的torch.backends.cudnn.benchmark = False  # 解决了算法选择的不确定性，方便复现，提升训练速度np.random.seed(seed)  # 按顺序产生固定的数组，如果使用相同的seed，则生成的随机数相同， 注意每次生成都要调用一次torch.manual_seed(seed)  # 手动设置torch的随机种子，使每次运行的随机数都一致random.seed(seed)if torch.cuda.is_available():# 为GPU设置唯一的时间种子torch.cuda.manual_seed(seed)torch.cuda.manual_seed_all(seed)def train(model, train_loader, config):# Setup optimizeroptimizer = getattr(torch.optim, config['optimizer'])(model.parameters(), **config['optim_hyper_paras'])device = config['device']epoch = 0while epoch < config['n_epochs']:model.train()  # set model to training modeloss_arr = []for x, y in train_loader:  # iterate through the dataloaderoptimizer.zero_grad()  # set gradient to zerox, y = x.to(device).to(torch.float32), y.to(device).to(torch.float32)  # move data to device (cpu/cuda)pred = model(x)  # forward pass (compute output)mse_loss = model.cal_loss(pred, y)  # compute lossmse_loss.backward()  # compute gradient (backpropagation)optimizer.step()  # update model with optimizerloss_arr.append(mse_loss.item())print(f"epoch: {epoch}/{config['n_epochs']} , loss: {np.mean(loss_arr)}")epoch += 1print('Finished training after {} epochs'.format(epoch))def find_min_distance_word_vector(cur_i, vector, embeddings, vocabulary):def calc_distance(v1, v2):# 计算欧式距离distance = 0for i in range(len(v1)):distance += sqrt(pow(v1[i] - v2[i], 2))return distancemin_distance = Nonemin_i = -1for i, word in enumerate(vocabulary):if cur_i != i:distance = calc_distance(vector, embeddings[i].tolist())if min_distance is None or min_distance > distance:min_distance = distancemin_i = ireturn min_iif __name__ == '__main__':data_path = './data/data.txt'config = {'seed': 3407,  # Your seed number, you can pick your lucky number. :)'device': 'cuda' if torch.cuda.is_available() else 'cpu','n_epochs': 20,  # Number of epochs.'batch_size': 64,'optimizer': 'Adam','optim_hyper_paras': {  # hyper-parameters for the optimizer (depends on which optimizer you are using)'lr': 0.001,  # learning rate of optimizer},'embedding_dim': 6,  # 词向量长度'window_width': 5,  # 窗口的宽度'window_step': 2,  # 窗口滑动的步长'negative_sample_num': 10  # 要增加的负样本个数}same_seed(config['seed'])data_set, vocabulary, index_dict = get_data_set(data_path, config['window_width'], config['window_step'],config['negative_sample_num'])train_loader = DataLoader(data_set, config['batch_size'], shuffle=True, drop_last=False, pin_memory=True)model = DNN(len(vocabulary), config['embedding_dim']).to(config['device'])train(model, train_loader, config)# 训练完，看看embeddings，展示部分词的词向量，并找到离它最近的词的词向量embeddings = torch.t(model.embedding.weight)for i in range(10):print('%-50s%s' % (f"{vocabulary[i]} 的词向量为 :", str(embeddings[i].tolist())))min_i = find_min_distance_word_vector(i, embeddings[i].tolist(), embeddings, vocabulary)print('%-45s%s' % (f"离 {vocabulary[i]} 最近的词为 {vocabulary[min_i]} , 它的词向量为 :", str(embeddings[min_i].tolist())))print('-' * 200)

七、根据上面的代码举个例子 

一、数据处理流程（以示例文本说明）

假设输入文件 data.txt 内容为：

I love machine learning because it is interesting.

1. 文本预处理

• 清洗：移除标点（, ? . "），处理后得到：

  I love machine learning because it is interesting

• 分词：按空格切分为单词列表：

  data = ["I", "love", "machine", "learning", "because", "it", "is", "interesting"]

2. 构建词汇表

• 去重后得到词汇表（假设顺序固定）：

  vocabulary = ["I", "love", "machine", "learning", "because", "it", "is", "interesting"]

• 索引映射 index_dict：

  {"I":0, "love":1, "machine":2, "learning":3, "because":4, "it":5, "is":6, "interesting":7}

3. 滑动窗口生成正样本

假设窗口宽度 window_width=5，步长 window_step=2：

• 窗口划分：

  • 窗口1: ["I", "love", "machine", "learning", "because"]，中心词是第2个（machine，索引2）。

  • 窗口内上下文词：I（索引0）、love（索引1）、learning（索引3）、because（索引4）。

  • 每个上下文词与中心词生成一个正样本。

• 特征矩阵示例（中心词 machine 和上下文词 love）：

  # 特征矩阵形状 [8,8]（词汇表大小=8）
  feature = np.zeros((8,8))
  feature[1][1] = 1  # 上下文词 "love" 的对角线置1
  feature[2][2] = 1  # 中心词 "machine" 的对角线置1

  该样本标签为 1。

4. 负采样生成负样本

随机选择不共现的词对（例如 machine 和 it）：

feature = np.zeros((8,8))
feature[2][2] = 1  # "machine"
feature[5][5] = 1  # "it"

标签为 0。

---

二、模型架构详解（DNN 类）

1. Embedding 层

• 定义：nn.Linear(vocab_size, embed_dim, bias=False)

• 作用：将输入矩阵的每个词索引转换为嵌入向量。

• 输入形状：[batch_size, vocab_size, vocab_size]

• 输出形状：[batch_size, vocab_size, embed_dim]

  • 矩阵乘法等价于对每个词进行线性变换。

2. 全连接层

• 结构：

  nn.Sequential(nn.Linear(vocab_size * embed_dim, embed_dim//2),  # 展平后输入nn.LeakyReLU(),nn.Linear(embed_dim//2, 4),nn.LeakyReLU(),nn.Linear(4, 1)
  )

• 作用：将展平后的嵌入向量映射到标量输出。

3. 前向传播流程

以单个样本 [8,8]（词汇表大小=8）为例：

1. 输入矩阵：[1, 8, 8]（batch_size=1）

2. Embedding 层：与 [8, embed_dim] 权重矩阵相乘，得到 [1, 8, embed_dim]。

3. Reshape：展平为 [1, 8*embed_dim]。

4. 全连接层：逐步降维到标量输出。

---

三、训练过程（以示例说明）

1. 数据加载

• Dataset：包含特征矩阵和标签。

• DataLoader：按批次加载数据（batch_size=64）。

2. 损失函数与优化器

• 损失函数：MSELoss，优化目标使正样本输出接近1，负样本接近0。

• 优化器：Adam，学习率 0.001。

3. 训练循环

• 前向传播：输入特征矩阵，计算预测值。

• 反向传播：根据 MSE 损失更新参数。

---

四、词向量可视化与最近邻查找

1. 提取词向量

• 权重矩阵：embeddings = torch.t(model.embedding.weight)，形状 [vocab_size, embed_dim]。

• 示例输出：

  "machine" 的词向量为 : [0.12, -0.45, 0.78, ...]

2. 计算最近邻

• 欧式距离：遍历所有词向量，找到距离最小的非自身词。

• 示例结果：

  离 "machine" 最近的词为 "learning" ，距离 0.89