word2vec: отрицательная выборка (в терминологии непрофессионала)?

Я читаю статью ниже, и у меня возникли проблемы с пониманием концепции отрицательной выборки.

http://arxiv.org/pdf/1402.3722v1.pdf

Кто-нибудь может помочь, пожалуйста?

Идея word2vecсостоит в том, чтобы максимизировать сходство (скалярное произведение) между векторами для слов, которые появляются близко друг к другу (в контексте друг друга) в тексте, и минимизировать сходство слов, которые этого не делают. В уравнении (3) статьи, на которую вы ссылаетесь, на мгновение игнорируйте возведение в степень. У тебя есть

      v_c * v_w
 -------------------
   sum(v_c1 * v_w)

Числитель - это в основном сходство между словами c(контекстом) и w(целевым) словом. Знаменатель вычисляет сходство всех других контекстов c1и целевого слова w. Максимальное увеличение этого соотношения гарантирует, что слова, которые встречаются в тексте ближе друг к другу, будут иметь больше похожих векторов, чем слова, у которых их нет. Однако вычисление этого может быть очень медленным, потому что существует много контекстов c1. Отрицательная выборка - один из способов решения этой проблемы - просто выберите пару контекстов c1наугад. Конечный результат состоит в том, что если он catпоявляется в контексте food, то вектор foodбольше похож на вектор cat(как измеряется их скалярным произведением), чем на векторы нескольких других случайно выбранных слов.(например democracy, greed, Freddy), а все остальные слова в языке . Это word2vecзначительно ускоряет тренировку.

Вычисление Softmax (функция для определения того, какие слова похожи на текущее целевое слово) обходится дорого, поскольку требует суммирования по всем словам в V (знаменатель), которое обычно очень велико.

Что можно сделать?

Были предложены различные стратегии для приближения softmax. Эти подходы могут быть сгруппированы в SoftMax основе и отбор проб на основе подходов. Подходы на основе Softmax - это методы, которые сохраняют уровень softmax нетронутым, но изменяют его архитектуру для повышения его эффективности (например, иерархический softmax). С другой стороны, подходы, основанные на выборке, полностью устраняют слой softmax и вместо этого оптимизируют некоторую другую функцию потерь, которая приближает softmax (они делают это, аппроксимируя нормализацию в знаменателе softmax с некоторыми другими потерями, которые дешево вычислить, например отрицательная выборка).

Функция потерь в Word2vec выглядит примерно так:

Какой логарифм можно разложить на:

С помощью некоторых математических и градиентных формул (подробнее см. 6 ) он преобразован в:

Как видите, он преобразован в задачу двоичной классификации (y = 1 положительный класс, y = 0 отрицательный класс). Поскольку нам нужны метки для выполнения нашей задачи двоичной классификации, мы обозначаем все контекстные слова c как истинные метки (y = 1, положительная выборка), а k, случайно выбранные из корпусов, как ложные метки (y = 0, отрицательная выборка).

Взгляните на следующий абзац. Предположим, что наше целевое слово - « Word2vec ». С окном 3, наши контекстные слова: The, widely, popular, algorithm, was, developed. Эти контекстные слова рассматриваются как положительные ярлыки. Нам также нужны негативные ярлыки. Мы случайным образом выбрать несколько слов из корпуса ( produce, software, Collobert, margin-based, probabilistic) и рассматривать их как отрицательные образцы. Этот метод, который мы выбрали случайным образом из корпуса, называется отрицательной выборкой.

Ссылка :

• (1) К. Дайер, «Заметки о контрастной оценке шума и отрицательной выборке» , 2014 г.
• (2) http://sebastianruder.com/word-embeddings-softmax/

Я написал обучающую статью об отрицательной выборке здесь .

Почему мы используем отрицательную выборку? -> снизить вычислительные затраты

Функция стоимости для ванильной выборки по Skip-Gram (SG) и Skip-Gram отрицательной выборки (SGNS) выглядит следующим образом:

Обратите внимание, что Tэто количество всех словарей. Это эквивалентно V. Другими словами, T= V.

Распределение вероятностей p(w_t+j|w_t)в SG вычисляется для всех Vсловарей в корпусе с помощью:

Vлегко может превышать десятки тысяч при обучении модели Skip-Gram. Вероятность необходимо вычислять Vраз, что делает это затратным с точки зрения вычислений. Кроме того, коэффициент нормализации в знаменателе требует дополнительных Vвычислений.

С другой стороны, распределение вероятностей в SGNS вычисляется с помощью:

c_pos- вектор слов для положительного слова и W_negвекторы слов для всех Kотрицательных выборок в выходной матрице весов. При использовании SGNS вероятность необходимо вычислять только K + 1раз, Kобычно от 5 до 20. Кроме того, не требуется дополнительных итераций для вычисления коэффициента нормализации в знаменателе.

В SGNS обновляется только часть весов для каждой обучающей выборки, тогда как SG обновляет все миллионы весов для каждой обучающей выборки.

Как SGNS этого добивается? -> путем преобразования задачи множественной классификации в задачу двоичной классификации.

В SGNS векторы слов больше не изучаются путем предсказания контекстных слов центрального слова. Он учится отличать фактические контекстные слова (положительные) от случайно выбранных (отрицательных) слов из распределения шума.

В реальной жизни вы обычно не наблюдаете regressionс помощью случайных слов вроде Gangnam-Style, или pimples. Идея состоит в том, что если модель может различать вероятные (положительные) пары и маловероятные (отрицательные) пары, векторы хороших слов будут изучены.

На приведенном выше рисунке текущая положительная пара слова-контекст - ( drilling, engineer). K=5отрицательные образцы случайным образом обращается от распределения шума : minimized, primary, concerns, led, page. По мере того, как модель проходит через обучающие образцы, веса оптимизируются так, чтобы выводилась вероятность для положительной пары и выводилась p(D=1|w,c_pos)≈1вероятность для отрицательной пары p(D=1|w,c_neg)≈0.