word2vec原理总结

参考文章：https://www.cnblogs.com/pinard/p/7160330.html
word2vec是google在2013年推出的一个NLP工具，它的特点是将所有的词向量化，这样词与词之间就可以定量的去度量他们之间的关系，挖掘词之间的联系。

1 词向量编码

1.1 one hot

最早出现的词向量的编码方式是one hot，其维度大小是整个词汇表的大小，具体是那个词汇，该词汇维度上为1，其余为0。
这种词向量具有很多的问题：

1. 一般来说词汇表都很大，因此这种编码方式非常吃内存。
2. 该向量只有一个位置是1，其余位置都是0，效率太低

1.2 Distributed representation

后面出现了方法Distributed representation，其通过训练，将每个词都映射到一个较短的词向量上来。
所有的这些词向量就构成了向量空间，进而可以用普通的统计学的方法来研究词与词之间的关系。

2 早期训练词向量

word2vec出现之前，我们用DNN进行训练词向量进而处理词与词之间的关系，有CBOW和Skip-Gram两种模型。

2.1 CBOW

输入是某一个特征词的上下文相关的词对应的词向量，而输出就是这特定的一个词的词向量。下面举例说明输入和输出：

比如下面这段话，我们的上下文大小取值为4，特定的这个词是"Learning"，也就是我们需要的输出词向量,上下文对应的词有8个，前后各4个，这8个词是我们模型的输入，对应8个神经元。
输出是所有词的softmax概率，有词汇表大小个神经元 ，最终找到概率最大的词对应的神经元即可。

2.2 Skip-Gram

Skip-Gram的思路和CBOW相反。输入是特定的一个词的词向量，而输出是特定词对应的上下文词向量 。
还以上面为例，特定的这个词是"Learning"，也就是我们需要的输入词向量，对应的Skip-Gram神经网络模型输入层有1个神经元。
输出是所有词的softmax概率，有词汇表大小个神经元 ，最终找到概率排前8的词对应的神经元即可。

2.3 存在的问题

我们的词汇表一般在百万级别以上，这意味着我们DNN的输出层需要进行softmax计算各个词的输出概率的的计算量很大，因此非常耗时。

3 霍夫曼树

word2vec还是使用CBOW和SKip-Gram模型，但是不再以DNN为基础，使用的是霍夫曼树。其用霍夫曼树来代替隐藏层和输出层的神经元，霍夫曼树的叶子节点起到输出层神经元的作用，叶子节点的个数即为词汇表的小大。 而内部节点则起到隐藏层神经元的作用。

3.1 建立霍夫曼树

**输入：**权值为(w1, w2, w3, w4, …, wn)的n个节点
**输出：**对应的霍夫曼树
流程：

1. 将(w1, w2, w3, w4, …, wn)看做是有n棵树的森林，每个树仅有一个节点
2. 在森林中选择根节点权值最小的两棵树进行合并，得到一个新的树，这两颗树分布作为新树的左右子树。新树的根节
   点权重为左右子树的根节点权重之和
3. 将之前的根节点权值最小的两棵树从森林删除，并把新树加入森林。
4. 重复步骤2和3直到森林里只有一棵树为止。
   举例说明：
   假设我们有(a,b,c,d,e,f)共6个节点，节点的权值分布是(20,4,8,6,16,3)。
   首先是最小的b和f合并，得到的新树根节点权重是7.此时森林里5棵树，根节点权重分别是20,8,6,16,7。此时根节点权
   重最小的6,7合并，得到新子树，依次类推，最终得到下面的霍夫曼树。
   

3.2 霍夫曼树的优势

在word2vec中，约定编码方式和上面的例子相反，即约定左子树编码为1，右子树编码为0，同时约定左子树的权重不小
于右子树的权重。比如上图中f的编码为(1001)