〇、序

之前一段時(shí)間，在結(jié)合深度學(xué)習(xí)做NLP的時(shí)候一直有思考一些問題，其中有一個(gè)問題算是最核心一個(gè)：究竟深度網(wǎng)絡(luò)是怎么做到讓各種NLP任務(wù)解決地如何完美呢？到底我的數(shù)據(jù)在NN中發(fā)什么了什么呢？

并且，不少的terms like： 詞向量、word embedding、分布式表示、word2vec、glove等等，這一鍋粥的名詞術(shù)語分別代表什么，他們具體的關(guān)系是什么，他們是否處于平級關(guān)系？

出于對知識結(jié)構(gòu)追求完整梳理的強(qiáng)迫癥的老毛病，于是不停地查資料、思考、keep revolving……

然后就感覺有一點(diǎn)小進(jìn)展了。想到，不如將個(gè)人對其的理解，無論對錯(cuò)，先拿出來跟peer分享下，或許能交換出更有意義的東西呢？

整篇文章的構(gòu)架是按照屬于概念在邏輯上的先后大小順序，一層一層一級一級地往下剖析、比較、說明。

另外說明下，here整篇文字內(nèi)容相對是比較入門，甚至有的點(diǎn)可能描述的不太客觀正確，限于當(dāng)前的認(rèn)知水平……還請您海涵，希望您在評論中指正！

一、DeepNLP的核心關(guān)鍵：語言表示（Representation）

最近有一個(gè)新名詞：Deep Learning + NLP = DeepNLP。當(dāng)常規(guī)的機(jī)器學(xué)習(xí)Machine Learning升級發(fā)展到了一定的階段后，慢慢的被后起的深度學(xué)習(xí)Deep Learning奪勢而去，并如火如荼地引領(lǐng)了一波新高潮，因?yàn)镈eep Learning有machinelearning過而不及之處！那當(dāng)Deep Learning進(jìn)入NLP領(lǐng)域，自然是要橫掃ACL一批paper才是。事實(shí)也是這樣的。

先提下數(shù)據(jù)特征表示問題。數(shù)據(jù)表示是機(jī)器學(xué)習(xí)的核心問題，在過去的Machine Learning階段，大量興起特征工程，人工設(shè)計(jì)大量的特征解決數(shù)據(jù)的有效表示問題。而到了Deep Learning，想都別想，end-2-end，一步到位，hyper-parameter自動(dòng)幫你選擇尋找關(guān)鍵的特征參數(shù)。

那么，Deep Learning如何能在NLP中發(fā)揮出應(yīng)有的real power呢？很明顯，先不提如何設(shè)計(jì)出很強(qiáng)勢的網(wǎng)絡(luò)結(jié)構(gòu)，不提如何在NLP中引入基于NN的解決例如情感分析、實(shí)體識別、機(jī)器翻譯、文本生成這些高級任務(wù)，咱們首先得把語言表示這一關(guān)過了——如何讓語言表示成為NN能夠處理的數(shù)據(jù)類型。

我們看看圖像和語音是怎么表示數(shù)據(jù)的：

在語音中，用音頻頻譜序列向量所構(gòu)成的matrix作為前端輸入喂給NN進(jìn)行處理，good；在圖像中，用圖片的像素構(gòu)成的matrix展平成vector后組成的vector序列喂給NN進(jìn)行處理，good；那在自然語言處理中呢？噢你可能知道或者不知道，將每一個(gè)詞用一個(gè)向量表示出來！想法是挺簡單的，對，事實(shí)上就是這么簡單，然而真有這么簡單嗎？可能沒這么簡單。

有人提到，圖像、語音屬于比較自然地低級數(shù)據(jù)表示形式，在圖像和語音領(lǐng)域，最基本的數(shù)據(jù)是信號數(shù)據(jù)，我們可以通過一些距離度量，判斷信號是否相似，在判斷兩幅圖片是否相似時(shí)，只需通過觀察圖片本身就能給出回答。而語言作為人類在進(jìn)化了幾百萬年所產(chǎn)生的一種高層的抽象的思維信息表達(dá)的工具，其具有高度抽象的特征，文本是符號數(shù)據(jù)，兩個(gè)詞只要字面不同，就難以刻畫它們之間的聯(lián)系，即使是“麥克風(fēng)”和“話筒”這樣的同義詞，從字面上也難以看出這兩者意思相同（語義鴻溝現(xiàn)象），可能并不是簡單地一加一那么簡單就能表示出來，而判斷兩個(gè)詞是否相似時(shí)，還需要更多的背景知識才能做出回答。

那么據(jù)上是不是可以自信地下一個(gè)結(jié)論呢：如何有效地表示出語言句子是決定NN能發(fā)揮出強(qiáng)大擬合計(jì)算能力的關(guān)鍵前提！

二、NLP詞的表示方法類型

接下來將按照上面的思路，引出各種詞的表示方法。按照現(xiàn)今目前的發(fā)展，詞的表示分為獨(dú)熱表示one-hot、分布式表示distributed。

1、詞的獨(dú)熱表示one-hot representation

NLP 中最直觀，也是到目前為止最常用的詞表示方法是 One-hot Representation，這種方法把每個(gè)詞表示為一個(gè)很長的向量。這個(gè)向量的維度是詞表大小，其中絕大多數(shù)元素為 0，只有一個(gè)維度的值為 1，這個(gè)維度就代表了當(dāng)前的詞。關(guān)于one-hot編碼的資料很多，街貨，這里簡單舉個(gè)栗子說明：

“話筒”表示為 [0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 ...] “麥克”表示為 [0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 ...]

每個(gè)詞都是茫茫 0 海中的一個(gè) 1。這種 One-hot Representation 如果采用稀疏方式存儲(chǔ)，會(huì)是非常的簡潔：也就是給每個(gè)詞分配一個(gè)數(shù)字 ID。比如剛才的例子中，話筒記為 3，麥克記為 8（假設(shè)從 0 開始記）。如果要編程實(shí)現(xiàn)的話，用 Hash 表給每個(gè)詞分配一個(gè)編號就可以了。這么簡潔的表示方法配合上最大熵、SVM、CRF 等等算法已經(jīng)很好地完成了 NLP 領(lǐng)域的各種主流任務(wù)。

現(xiàn)在我們分析他的不當(dāng)處。1、向量的維度會(huì)隨著句子的詞的數(shù)量類型增大而增大；2、任意兩個(gè)詞之間都是孤立的，根本無法表示出在語義層面上詞語詞之間的相關(guān)信息，而這一點(diǎn)是致命的。

2、詞的分布式表示distributed representation

傳統(tǒng)的獨(dú)熱表示（ one-hot representation）僅僅將詞符號化，不包含任何語義信息。如何將語義融入到詞表示中？Harris 在 1954 年提出的分布假說（ distributional hypothesis）為這一設(shè)想提供了理論基礎(chǔ)：上下文相似的詞，其語義也相似。Firth 在 1957 年對分布假說進(jìn)行了進(jìn)一步闡述和明確：詞的語義由其上下文決定（ a word is characterized by thecompany it keeps）。

到目前為止，基于分布假說的詞表示方法，根據(jù)建模的不同，主要可以分為三類：基于矩陣的分布表示、基于聚類的分布表示和基于神經(jīng)網(wǎng)絡(luò)的分布表示。盡管這些不同的分布表示方法使用了不同的技術(shù)手段獲取詞表示，但由于這些方法均基于分布假說，它們的核心思想也都由兩部分組成：一、選擇一種方式描述上下文；二、選擇一種模型刻畫某個(gè)詞（下文稱“目標(biāo)詞”）與其上下文之間的關(guān)系。

三、NLP語言模型

在詳細(xì)介紹詞的分布式表示之前，需要將NLP中的一個(gè)關(guān)鍵概念描述清楚：語言模型。語言模型包括文法語言模型和統(tǒng)計(jì)語言模型。一般我們指的是統(tǒng)計(jì)語言模型。之所以要將語言模型擺在詞表示方法之前，是因?yàn)楹竺娴谋硎痉椒R上要用到這一概念。

統(tǒng)計(jì)語言模型： 統(tǒng)計(jì)語言模型把語言（詞的序列）看作一個(gè)隨機(jī)事件，并賦予相應(yīng)的概率來描述其屬于某種語言集合的可能性。給定一個(gè)詞匯集合 V，對于一個(gè)由 V 中的詞構(gòu)成的序列S = ?w1, · · · , wT ? ∈ Vn，統(tǒng)計(jì)語言模型賦予這個(gè)序列一個(gè)概率P(S)，來衡量S 符合自然語言的語法和語義規(guī)則的置信度。

用一句簡單的話說，就語言模型就是計(jì)算一個(gè)句子的概率大小的這種模型。有什么意義呢？一個(gè)句子的打分概率越高，越說明他是更合乎人說出來的自然句子。

就是這么簡單。常見的統(tǒng)計(jì)語言模型有N元文法模型（N-gram Model），最常見的是unigram model、bigram model、trigram model等等。形式化講，統(tǒng)計(jì)語言模型的作用是為一個(gè)長度為 m 的字符串確定一個(gè)概率分布 P(w1; w2; :::; wm)，表示其存在的可能性，其中 w1 到 wm 依次表示這段文本中的各個(gè)詞。一般在實(shí)際求解過程中，通常采用下式計(jì)算其概率值：

同時(shí)通過這些方法均也可以保留住一定的詞序信息，這樣就能把一個(gè)詞的上下文信息capture住。

具體的語言模型詳情屬于街貨，詳細(xì)請自行搜索。

四、詞的分布式表示

1. 基于矩陣的分布表示

基于矩陣的分布表示通常又稱為分布語義模型，在這種表示下，矩陣中的一行，就成為了對應(yīng)詞的表示，這種表示描述了該詞的上下文的分布。由于分布假說認(rèn)為上下文相似的詞，其語義也相似，因此在這種表示下，兩個(gè)詞的語義相似度可以直接轉(zhuǎn)化為兩個(gè)向量的空間距離。

常見到的Global Vector 模型（ GloVe模型）是一種對“詞-詞”矩陣進(jìn)行分解從而得到詞表示的方法，屬于基于矩陣的分布表示。

2. 基于聚類的分布表示

基于聚類的分布表示我也還不是太清楚，所以就不做具體描述。

3. 基于神經(jīng)網(wǎng)絡(luò)的分布表示，詞嵌入（ word embedding）

基于神經(jīng)網(wǎng)絡(luò)的分布表示一般稱為詞向量、詞嵌入（ word embedding）或分布式表示（ distributed representation）。這正是我們的主角today。

神經(jīng)網(wǎng)絡(luò)詞向量表示技術(shù)通過神經(jīng)網(wǎng)絡(luò)技術(shù)對上下文，以及上下文與目標(biāo)詞之間的關(guān)系進(jìn)行建模。由于神經(jīng)網(wǎng)絡(luò)較為靈活，這類方法的最大優(yōu)勢在于可以表示復(fù)雜的上下文。在前面基于矩陣的分布表示方法中，最常用的上下文是詞。如果使用包含詞序信息的 n-gram 作為上下文，當(dāng) n 增加時(shí)， n-gram 的總數(shù)會(huì)呈指數(shù)級增長，此時(shí)會(huì)遇到維數(shù)災(zāi)難問題。而神經(jīng)網(wǎng)絡(luò)在表示 n-gram 時(shí)，可以通過一些組合方式對 n 個(gè)詞進(jìn)行組合，參數(shù)個(gè)數(shù)僅以線性速度增長。有了這一優(yōu)勢，神經(jīng)網(wǎng)絡(luò)模型可以對更復(fù)雜的上下文進(jìn)行建模，在詞向量中包含更豐富的語義信息。

五、詞嵌入（ word embedding）

1、概念

基于神經(jīng)網(wǎng)絡(luò)的分布表示又稱為詞向量、詞嵌入，神經(jīng)網(wǎng)絡(luò)詞向量模型與其它分布表示方法一樣，均基于分布假說，核心依然是上下文的表示以及上下文與目標(biāo)詞之間的關(guān)系的建模。

前面提到過，為了選擇一種模型刻畫某個(gè)詞（下文稱“目標(biāo)詞”）與其上下文之間的關(guān)系，我們需要在詞向量中capture到一個(gè)詞的上下文信息。同時(shí)，上面我們恰巧提到了統(tǒng)計(jì)語言模型正好具有捕捉上下文信息的能力。那么構(gòu)建上下文與目標(biāo)詞之間的關(guān)系，最自然的一種思路就是使用語言模型。從歷史上看，早期的詞向量只是神經(jīng)網(wǎng)絡(luò)語言模型的副產(chǎn)品。

2001年， Bengio 等人正式提出神經(jīng)網(wǎng)絡(luò)語言模型（ Neural Network Language Model ，NNLM），該模型在學(xué)習(xí)語言模型的同時(shí)，也得到了詞向量。所以請注意一點(diǎn)：詞向量可以認(rèn)為是神經(jīng)網(wǎng)絡(luò)訓(xùn)練語言模型的副產(chǎn)品。

2、理解

前面提過，one-hot表示法具有維度過大的缺點(diǎn)，那么現(xiàn)在將vector做一些改進(jìn)：1、將vector每一個(gè)元素由整形改為浮點(diǎn)型，變?yōu)檎麄€(gè)實(shí)數(shù)范圍的表示；2、將原來稀疏的巨大維度壓縮嵌入到一個(gè)更小維度的空間。如圖示：

這也是詞向量又名詞嵌入的緣由了。

六、神經(jīng)網(wǎng)絡(luò)語言模型與word2vec

好了，到目前為止我們已經(jīng)對的分布式表示以及詞嵌入的概念的層級關(guān)系有了個(gè)理性的認(rèn)識了，那這跟word2vec有什么聯(lián)系？

1、神經(jīng)網(wǎng)絡(luò)語言模型

上面說，通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練語言模型可以得到詞向量，那么，究竟有哪些類型的神經(jīng)網(wǎng)絡(luò)語言模型呢？個(gè)人所知，大致有這么些個(gè)：

a) Neural Network Language Model ，NNLM

b) Log-Bilinear Language Model， LBL

c) Recurrent Neural Network based Language Model，RNNLM

d) Collobert 和 Weston 在2008 年提出的 C&W 模型

e) Mikolov 等人提出了 CBOW（ Continuous Bagof-Words）和 Skip-gram 模型

到這，估計(jì)有人看到了兩個(gè)熟悉的term：CBOW、skip-gram，有看過word2vec的同學(xué)應(yīng)該對此有所了解。我們繼續(xù)。

2.word2vec與CBOW、Skip-gram

現(xiàn)在我們正式引出最火熱的另一個(gè)term：word2vec。

上面提到的5個(gè)神經(jīng)網(wǎng)絡(luò)語言模型，只是個(gè)在邏輯概念上的東西，那么具體我們得通過設(shè)計(jì)將其實(shí)現(xiàn)出來，而實(shí)現(xiàn)CBOW（ Continuous Bagof-Words）和 Skip-gram 語言模型的工具正是well-known word2vec！另外，C&W 模型的實(shí)現(xiàn)工具是SENNA。

所以說，分布式詞向量并不是word2vec的作者發(fā)明的，他只是提出了一種更快更好的方式來訓(xùn)練語言模型罷了。分別是：連續(xù)詞袋模型Continous Bag of Words Model(CBOW)和Skip-Gram Model，這兩種都是可以訓(xùn)練出詞向量的方法，再具體代碼操作中可以只選擇其一，不過據(jù)論文說CBOW要更快一些。

順便說說這兩個(gè)語言模型。統(tǒng)計(jì)語言模型statistical language model就是給你幾個(gè)詞，在這幾個(gè)詞出現(xiàn)的前提下來計(jì)算某個(gè)詞出現(xiàn)的（事后）概率。CBOW也是統(tǒng)計(jì)語言模型的一種，顧名思義就是根據(jù)某個(gè)詞前面的C個(gè)詞或者前后C個(gè)連續(xù)的詞，來計(jì)算某個(gè)詞出現(xiàn)的概率。Skip-Gram Model相反，是根據(jù)某個(gè)詞，然后分別計(jì)算它前后出現(xiàn)某幾個(gè)詞的各個(gè)概率。

以“我愛北京天安門”這句話為例。假設(shè)我們現(xiàn)在關(guān)注的詞是“愛”，C＝2時(shí)它的上下文分別是“我”，“北京天安門”。CBOW模型就是把“我” “北京天安門” 的one hot表示方式作為輸入，也就是C個(gè)1xV的向量，分別跟同一個(gè)VxN的大小的系數(shù)矩陣W1相乘得到C個(gè)1xN的隱藏層hidden layer，然后C個(gè)取平均所以只算一個(gè)隱藏層。這個(gè)過程也被稱為線性激活函數(shù)(這也算激活函數(shù)？分明就是沒有激活函數(shù)了)。然后再跟另一個(gè)NxV大小的系數(shù)矩陣W2相乘得到1xV的輸出層，這個(gè)輸出層每個(gè)元素代表的就是詞庫里每個(gè)詞的事后概率。輸出層需要跟ground truth也就是“愛”的one hot形式做比較計(jì)算loss。這里需要注意的就是V通常是一個(gè)很大的數(shù)比如幾百萬，計(jì)算起來相當(dāng)費(fèi)時(shí)間，除了“愛”那個(gè)位置的元素肯定要算在loss里面，word2vec就用基于huffman編碼的Hierarchical softmax篩選掉了一部分不可能的詞，然后又用nagetive samping再去掉了一些負(fù)樣本的詞所以時(shí)間復(fù)雜度就從O(V)變成了O(logV)。Skip gram訓(xùn)練過程類似，只不過輸入輸出剛好相反。

補(bǔ)充下，Word embedding的訓(xùn)練方法大致可以分為兩類：一類是無監(jiān)督或弱監(jiān)督的預(yù)訓(xùn)練；一類是端對端（end to end）的有監(jiān)督訓(xùn)練。無監(jiān)督或弱監(jiān)督的預(yù)訓(xùn)練以word2vec和auto-encoder為代表。這一類模型的特點(diǎn)是，不需要大量的人工標(biāo)記樣本就可以得到質(zhì)量還不錯(cuò)的embedding向量。不過因?yàn)槿鄙倭巳蝿?wù)導(dǎo)向，可能和我們要解決的問題還有一定的距離。因此，我們往往會(huì)在得到預(yù)訓(xùn)練的embedding向量后，用少量人工標(biāo)注的樣本去fine-tune整個(gè)模型。

相比之下，端對端的有監(jiān)督模型在最近幾年里越來越受到人們的關(guān)注。與無監(jiān)督模型相比，端對端的模型在結(jié)構(gòu)上往往更加復(fù)雜。同時(shí)，也因?yàn)橛兄鞔_的任務(wù)導(dǎo)向，端對端模型學(xué)習(xí)到的embedding向量也往往更加準(zhǔn)確。例如，通過一個(gè)embedding層和若干個(gè)卷積層連接而成的深度神經(jīng)網(wǎng)絡(luò)以實(shí)現(xiàn)對句子的情感分類，可以學(xué)習(xí)到語義更豐富的詞向量表達(dá)。

3.個(gè)人對word embedding的理解

現(xiàn)在，詞向量既能夠降低維度，又能夠capture到當(dāng)前詞在本句子中上下文的信息（表現(xiàn)為前后距離關(guān)系），那么我們對其用來表示語言句子詞語作為NN的輸入是非常自信與滿意的。

另外一點(diǎn)很實(shí)用的建議，在你做某一項(xiàng)具體的NLP任務(wù)時(shí)如你要用到詞向量，那么我建議你：要么1、選擇使用別人訓(xùn)練好的詞向量，注意，得使用相同語料內(nèi)容領(lǐng)域的詞向量；要么2、自己訓(xùn)練自己的詞向量。我建議是前者，因?yàn)椤犹嗔恕?/p>

七、后言

說到這里，其實(shí)我并沒有想繼續(xù)說下去的打算了，即并沒有打算將word2vec的數(shù)學(xué)原理、詳解啥的統(tǒng)統(tǒng)來一頓講了，因?yàn)槲野l(fā)現(xiàn)網(wǎng)上關(guān)于講解word2vec的文章實(shí)在是太多了，多到幾乎所有的文章都是一樣的。所以我也沒有必要再copy一份過來咯。

所以，要詳細(xì)了解word2vec、cbow、skip-gram細(xì)節(jié)的請您仔細(xì)搜索。我相信，在了解了這一系列的前提上下文知識的背景下，你再去讀word2vec相關(guān)的細(xì)節(jié)文章時(shí)，一定不會(huì)感到有多吃力。

另外這也反映出來了一個(gè)更大的問題，即網(wǎng)絡(luò)文章缺少critical思維的原創(chuàng)性。

網(wǎng)上隨便一搜“word2vec”、“詞向量”，然后一大堆的關(guān)于word2vec、cbow、skip-gram數(shù)學(xué)公式的講解，并且還都是千篇一律的東西……但最讓人無法理解的是，基本上沒有人去詳細(xì)地提一提這些東西他的出現(xiàn)他的存在的上下文、他的發(fā)展的過程、他在整個(gè)相關(guān)技術(shù)框架的所處位置等等。這讓我很郁悶……

其實(shí)順便分享下，在我個(gè)人的方法論思維中，一個(gè)帶有完整上下文以及結(jié)構(gòu)構(gòu)建良好的知識框架，在某種程度上，比一些細(xì)枝末節(jié)的詳細(xì)知識點(diǎn)來的重要的多了！因?yàn)?，一旦?gòu)建了一個(gè)完備的知識結(jié)構(gòu)框架，那么剩下你要做的是將一些零零碎碎的細(xì)節(jié)進(jìn)行填補(bǔ)而已；而反過來卻根本不行，知識堆砌只會(huì)讓你思維混亂，走不了多遠(yuǎn)。

所以here我也呼吁各位blogger，大家能充分發(fā)揮自己的能動(dòng)性，主動(dòng)去創(chuàng)造一些沒有的東西，分享一些獨(dú)有的思維見解，也算是對中國網(wǎng)絡(luò)blog以及CS事業(yè)的推動(dòng)貢獻(xiàn)?。 mean，即便是copy別人的原來的東西，也最好是咀嚼咀嚼，消化后加上自己的東西再share??！