0x03 Negative Sampling

使用Negative Sampling的目的

摒弃Hierarchical Softmax结构, 原因:

• 我们的训练样本里的中心词$w$是一个很生僻的词, 就要在树结构中探索较深

为了简化模型, 使用Negative Sampling来代替Hierarchical Softmax模型结构

Negative Sampling原理

对于中心词$w$, 总计$2c$个上下文词, 即为$\text{Context}(w)$. 由于是语料中存在的上下文关系, 令$w$与$\text{Context}(w)$为一个正样本. 然后在字典中采样, 得到$\text{neg}$个和$w$不同的词作为中心词, 这在语料中是不存在的(或者说极大概率是不存在的), 因此将采样到的每个中心词$w_i,\ i=1,2,\cdots,\text{neg}$和$\text{Context}(w)$作为一个负样本.

最后的输出层就演变成了若干个并行的二元逻辑回归层, 其数量与字典中词的数量相同. 每个词对应一个二元逻辑回归层, 有着自己独立的参数.

通过对这一个正样本和$\text{neg}$个负样本的二元逻辑回归, 更新这$\text{neg}+1$个词的逻辑回归参数和每个词的词向量.

Negative Sampling负采样方法

Negative Sampling需要采样$\text{neg}$个负样本. 如果词汇表为$V$, 其大小为$|V|$, 将长度为1的线段分成$|V|$份, 每份对应词汇表里的一个词, 每个词对应的线段长度是不一样的, 高频词对应的线段长, 低频词对应线段短. 最简单的计算每个词对应的线段的长度的方法为:

$len(w) = \frac{count(w)}{\sum\limits_{u \in vocab} count(u)}$

在word2vec论文中使用的函数为:

$len(w) = \frac{count(w)^{3/4}}{\sum\limits_{u \in vocab} count(u)^{3/4}}$

论文中采用的采样方法具体为: 将长度为1的线段等分成$M$份, $M$远大于$|V|$, 这样每个词对应的线段都被划分成若干个更小的线段, 而$M$份中的每一份都会落在某个词对应的线段上. 采样时, 只需要采样出这$M$个位置中的$\text{neg}$个位置, 对应的线段所属的词就是我们要采样出的负样本单词. 论文中$M=10^8$.

示例图如下:

Negative Sampling的梯度计算

将正例的中心词定义为$w_0$, 因此就有样本$(\text{Context}(w_0), w_i),\ i=0,1,2,\cdots,\text{neg}$. 最大似然法, 最大化下式:

$\prod_{i=0}^{neg}P(context(w_0), w_i) = \sigma(x_{w_0}^T\theta^{w_0})\prod_{i=1}^{neg}(1- \sigma(x_{w_0}^T\theta^{w_i}))$

对应的对数似然函数为:

$L = \sum\limits_{i=0}^{neg}y_i log(\sigma(x_{w_0}^T\theta^{w_i})) + (1-y_i) log(1- \sigma(x_{w_0}^T\theta^{w_i}))$

采用梯度上升法, 每次使用一个样本进行参数更新. 这里我们需要更新的参数为正样本对应的词向量$x_{w_0}$, 以及输出层中对应的二元逻辑回归神经元$\theta^{w_i}, i=0,1,..neg$.

首先是$\theta^{w_i}$的梯度:

同样求出$x_{w_0}$的梯度:

$\frac{\partial L}{\partial x^{w_0} } = \sum\limits_{i=0}^{neg}(y_i -\sigma(x_{w_0}^T\theta^{w_i}))\theta^{w_i}$

基于Negative Sampling的CBOW模型

• 输入: 训练语料样本, 单侧窗口长度$c$, 负采样的个数$\text{neg}$

• 输出: 每个词的词向量$x_w$, 每个词对应的逻辑回归参数$\theta$

• 过程

  • 随机初始化所有的模型参数$\theta$, 所有词向量$x$

  • 对于每个训练正样本$(context(w_0), w_0)$, 负采样出$\text{neg}$个负样本中心词$w_i, i=1,2,...neg$

  • 对于训练集中的每一个样本$(context(w_0), w_0,w_1,...w_{neg})$, 进行梯度上升:

    • 中间变量$e=0$

    • $x_{w_0}=\sum\limits_{i=1}^{2c}x_i$

    • $\text{for } i =0 \text{ to } \text{neg}$, 计算:

      • $f = \sigma(x_{w_0}^T\theta^{w_i})$

      • $g = (y_i-f)\eta$

      • $e = e + g\theta^{w_i}$

      • $\theta^{w_i}= \theta^{w_i} + gx_{w_0}$

    • 对于$\text{Context}(w_0)$中包含的每一个词对应的词向量$x_k,\ k=1,2,\cdots,2c$进行相同的更新:

      $x_k = x_k + e$

  • 梯度收敛则停止迭代, 否则继续循环上一步

基于Negative Sampling的Skip-Gram模型

• 输入: 训练语料样本, 单侧窗口长度$c$, 负采样的个数$\text{neg}$

• 输出: 每个词的词向量$x_w$, 每个词对应的逻辑回归参数$\theta$

• 过程

  • 随机初始化所有的模型参数$\theta$, 所有词向量$x$

  • 对于每个训练正样本$(context(w_0), w_0)$, 负采样出$\text{neg}$个负样本中心词$w_i, i=1,2,...neg$

  • 对于训练集中的每一个样本$(context(w_0), w_0,w_1,...w_{neg})$, 进行梯度上升:

    • $\text{for } i =1 \text{ to } 2c$, 即对上下文中的每个词:

      • 中间变量$e=0$

      • $\text{for } j =0 \text{ to } \text{neg}$, 计算:

        • $f = \sigma(x_{w_{0i}}^T\theta^{w_j})$

        • $g = (y_j-f)\eta$

        • $e = e + g\theta^{w_j}$

        • $\theta^{w_j}= \theta^{w_j} + gx_{w_{0i}}$

      • 对于$\text{Context}(w_0)$中包含的每一个词对应的词向量$x_k,\ k=1,2,\cdots,2c$进行相同的更新:

        $x_k = x_k + e$

  • 梯度收敛则停止迭代, 否则继续循环上一步