【文本分类】深入理解embedding层的模型、结构与文本表示_embedding模型

[1] 名词理解

  embedding层：嵌入层，神经网络结构中的一层，由embedding_size个神经元组成，[可调整的模型参数]。是input输入层的输出。

  词嵌入：也就是word embedding…根据维基百科，被定义为自然语言处理NLP中的一组语言建模和特征学习技术的集体名称，其中来自词汇表的单词或者短语被映射成实数向量。

  word2vec：词嵌入这个技术的具体实现，也可以理解成是将向量从高维度映射到低维度的计算过程。 具体的包含两种处理方式也就是两个典型的模型—CBOW模型和SG模型。假设，原始数据有F个特征，通过one-hot编码后，表示成N维的向量，即input层的维度是N，和权重矩阵相乘，变成embedding_size维的向量。（embedding_size <N)

  词向量：也就是通过word2vec计算处理后的结果的释义。比如说…从input输入层到embedding层的权重矩阵，记作是N*embedding_size的，那么这个矩阵的一行就是一个词向量，是第几行就对应input输入层one-hot编码中第几列那个1所对应的词。

[2] embedding层模型

  embedding层模型如下图所示：

很多人说【词向量只是embedding层训练的一个中间产物】，从上面的模型图中可以很容易理解。在深度学习处理此类问题中，我们关心的是文本如果通过向量表示，向量化的文本才是最终产物。对于embedding层，输入是分词后的序列，输出是向量化文本，中间会计算参数矩阵，就是词向量。所以说它是中间产物。

[2.1] 文本预处理

  首先拿到的数据集是比较原始的，一条文本（content）+标签（label）：

content|label
皮肤真好啊|女性
翻开课本|校园
1
2
3

  然后要对文本进行分词，一条文本（词语list）+标签（label）：

content|label
['皮肤','真好','啊']|女性
['翻开','课本']|校园
1
2
3

  构建数据集的词典，把文本用词典索引表示：
  · 词典：

0 '皮肤'
1 '真好'
2 '啊'
3 '翻开'
4 '课本'
1
2
3
4
5

   ·表示：

content|label
[0, 1, 2]|女性
[3, 4]|校园
1
2
3

[2.2] 数据集分批（batch）

  这里使用的是torch的分批。

  同一batch里，文本长度要一致。所以torch会使长度相近的文本分在一个batch里，这样降低填充/删减文本数据带来的误差。

[2.3] 参数矩阵（词向量）

  上图中，假设1个batch内的文本数为k，每篇文本中的词语数为4，嵌入层的维度为n，|v|为词典中的总词数，那么输入为(k,4)的张量，文本矩阵为(k,4,n)的三维张量，嵌入层参数矩阵形状为(|v|,n)。

  从降维的角度看，定义了嵌入层的维度为n后，词向量就是把词典中的所有词用n个维度来表征出来，相当于特征提取。

  举个例子：假设词典里面的每个词是一个个人，那么嵌入层维度就相当于人的‘鼻子’、‘眼睛’、‘身高’等等属于人的特征。那么我取嵌入层维度为n，就是取在我本次词典中的这些人，最能区别他们的前n个特征是什么、权重如何。只不过我们提取出的词典的n个特征并不是那么好理解，没法像‘鼻子’、‘眼睛’、‘身高’这么直观。

[2.4] 文本矩阵

  对于一个batch中的一条文本，会有一个文本矩阵。这个文本矩阵的行数是这个文本的词数，列数是嵌入层维度。好好看看上图，理解一下对应关系，图中已经用颜色标注。但这不是最终输出。

[2.5] 最终输出的文本矩阵

  在文本矩阵的基础上，相加求均值。

[3] embedding层批次与word2vec

  embedding层模型如上图所示。在得到batch数据之后，Embedding层还不能直接计算，需要使用word2vec算法思想来把数据进一步细分，之后才能训练。

  Word2Vec模型介绍

  Word2Vec模型实际上分为了两个部分，第一部分为训练数据集的构造，第二部分是通过模型获取词嵌入向量，即word embedding。

  Word2Vec的整个建模过程实际上与自编码器（auto-encoder）的思想很相似，即先基于训练数据构建一个神经网络，当这个模型训练好以后，并不会用这个训练好的模型处理新任务，而真正需要的是这个模型通过训练数据所更新到的参数。

  关于word embedding的发展，由于考虑上下文关系，所以模型的输入和输出分别是词汇表中的词组成，进而产生出了两种词模型方法：Skip-Gram和CBOW。同时，在隐藏层-输出层，也从softmax（）方法演化到了分层softmax和negative sample方法。

  所以，要拿到每个词的词嵌入向量，首先需要理解Skip-Gram和CBOW。下图展示了CBOW和Skip-Gram的网络结构：

  以Skip-Gram为例，来理解词嵌入的相关知识。Skip-Gram是给定input word来预测上下文。我们可以用小学英语课上的造句来帮助理解，例如：“The __________”。

  关于Skip-Gram的模型结构，主要分为几下几步：

  1、从句子中定义一个中心词，即Skip-Gram的模型input word
  2、定义skip_window参数，用于表示从当前input word的一侧（左边及右边）选取词的数量。
  3、根据中心词和skip_window，构建窗口列表。
  4、定义num_skips参数，用于表示从当前窗口列表中选择多少个不同的词作为output word。

  假设有一句子"The quick brown fox jumps over the lazy dog" ，设定的窗口大小为2（window_size=2），也就是说仅选中心词（input word）前后各两个词和中心词（input word）进行组合。如下图所示，以步长为1对中心词进行滑动，其中蓝色代表input word，方框代表位于窗口列表的词。

  所以，我们可以使用Skip-Gram构建出神经网络的训练数据。

  我们需要明白，不能把一个词作为文本字符串输入到神经网络中，所以我们需要一种方法把词进行编码进而输入到网络。为了做到这一点，首先从需要训练的文档中构建出一个词汇表，假设有10,000个各不相同的词组成的词汇表。那么需要做的就是把每一个词做One hot representation。此外神经网络的输出是一个单一的向量(也有10000个分量)，它包含了词汇表中每一个词随机选择附近的一个词的概率。