word2vec 的本质

午夜昏睡的时候，忽然想到 word2vec 的本质，其实很简单。理解了其本质，可以组合出各种具体的方案出来。

假设词汇库里有 m 个词汇，word2vec 把 $m$ 个词汇映射到 $n$ 维空间。说白了，这就是一个映射。如下所示，其中 $w$ 是词汇， $v$ 是向量：
$$w\stackrel{F}{\to }v\text{\hspace{1em}(1)}$$

要实现这个映射，可以分成两步：

第一步，把 $w$ 映射到一个稀疏向量 $u$。

可选方案很多，最简单的做法是，统计语料库中的句子中， $w$ 前后某个范围内出现的其他单词的概率分布，这个频率分布可以用一个 $m$ 维向量 $u$ 表示 。

$$w\stackrel{R}{\to }u\text{\hspace{1em}(2)}$$

其实这一步已经完成向量化的任务了。一般而言，这个步骤中的 $u$ 是一个稀疏向量，因此我们需要给它降一下维。

第二步，把 $u$ 降维。

这个用压缩+解压缩网络模型，用无监督训练方法，很容易建立一个数据压缩模型，进一步把 $m$ 维的概率分布压缩到 $n$ 维。

$$u\stackrel{S}{\to }v\stackrel{T}{\to }{u}^{\prime }\text{\hspace{1em}(3)}$$

其中，$S$ 是压缩网络，$T$ 是解压缩网络。最后，得到 word2vec 映射：
$$F=R?S$$

即：

$$w\stackrel{R}{\to }u\stackrel{S}{\to }v$$

虽然各种网络模型实现形式各有特色，但背后的数学思想，基本离不开本文所述。$■$

原创不易，如果对您有帮助，请关注、点赞，谢谢支持！