電子發(fā)燒友App
創(chuàng)作
發(fā)文章
發(fā)帖 
提問 
發(fā)資料
發(fā)視頻回憶一下我們?cè)?/font>15.1 節(jié)中的討論。skip-gram模型的主要思想是使用softmax操作來計(jì)算生成上下文詞的條件概率wo基于給定的中心詞wc在(15.1.4)中，其對(duì)應(yīng)的對(duì)數(shù)損失由(15.1.7)的相反數(shù)給出 。
由于 softmax 操作的性質(zhì)，因?yàn)樯舷挛脑~可能是字典中的任何人V， (15.1.7)的反面 包含與詞匯表的整個(gè)大小一樣多的項(xiàng)目總和。因此， （15.1.8）中 skip-gram 模型的梯度計(jì)算和（15.1.15）中連續(xù)詞袋模型的 梯度計(jì)算都包含求和。不幸的是，這種在大型詞典（通常有數(shù)十萬或數(shù)百萬個(gè)單詞）上求和的梯度的計(jì)算成本是巨大的！
為了降低上述計(jì)算復(fù)雜度，本節(jié)將介紹兩種近似訓(xùn)練方法：負(fù)采樣和分層softmax。由于skip-gram模型與連續(xù)詞袋模型的相似性，我們將僅以skip-gram模型為例來描述這兩種近似訓(xùn)練方法。
15.2.1。負(fù)采樣
負(fù)采樣修改了原來的目標(biāo)函數(shù)。給定中心詞的上下文窗口wc，任何（上下文）詞的事實(shí)wo來自這個(gè)上下文窗口被認(rèn)為是一個(gè)事件，其概率建模為
在哪里σ使用 sigmoid 激活函數(shù)的定義：
讓我們首先最大化文本序列中所有此類事件的聯(lián)合概率來訓(xùn)練詞嵌入。具體來說，給定長度的文本序列T, 表示為w(t)時(shí)間步長的單詞t并讓上下文窗口大小為m, 考慮最大化聯(lián)合概率
然而，(15.2.3)只考慮那些涉及正例的事件。因此， 只有當(dāng)所有詞向量都等于無窮大時(shí)，(15.2.3)中的聯(lián)合概率才最大化為 1。當(dāng)然，這樣的結(jié)果是沒有意義的。為了使目標(biāo)函數(shù)更有意義，負(fù)采樣添加了從預(yù)定義分布中采樣的負(fù)樣本。
表示為S上下文詞的事件wo來自中心詞的上下文窗口wc. 對(duì)于此次涉及的事件wo，來自預(yù)定義的分布P(w) 樣本K 不是來自這個(gè)上下文窗口的噪聲詞。表示為Nk干擾詞的事件wk (k=1,…,K) 不是來自上下文窗口 wc. 假設(shè)這些事件同時(shí)涉及正例和反例S,N1,…,NK是相互獨(dú)立的。負(fù)采樣將（15.2.3）中的聯(lián)合概率（僅涉及正例）重寫為
其中條件概率是通過事件來近似的 S,N1,…,NK:
上傳資料賺積分
工商網(wǎng)監(jiān)
評(píng)論