论文 | A Neural Probabilistic Language Model
A Neural Probabilistic Language Model
文章目录
1. Top View
这篇文章第一次用 “词向量” 和 神经网络 来解决(统计)语言模型的问题, 作者通过随机初始化一个词库向量corpus matrix (简称
C
C
C) 作为神经网络中的迭代更新的主要参数, 输入进神经网络的每一个词语通过这个
C
C
C 的映射成为词向量来表示这个词语的语义信息. 以
n
n
n 个词的词向量作为输入,
n
n
n个词后的下一个词的词向量作为输出, 不断训练迭代更新
C
C
C, 使得
C
C
C 最终可以成功表达这个训练词库中的每个词.
这样的做法解决的问题包括:
- 在词汇量大的情况下, 以one-hot形式来表达单词会造成很大的开销
- 再者, 以one-hot形式无法有效地表达出词与词之间在语义或语法上的相似程度(e.g. cat & dog; is & was)
- 同时也解决了先前工作中基于统计学习方法的n-gram模型出现的"组合爆炸"问题, 以及训练语料库中存在测试条件下不存在的问题
2. Background
有几个前提背景知识需要了解
-
Language Modeling
如果给你以下一段话,你会在空白处填上什么词语?
“The cat sat on
_____
.” 空白处可能是 “mats” / “sofa” / …Language Modeling 的任务就是对语言进行建模, 最终模型可以预测输入句子下一个紧接的词语.
如果从概率的角度对语言建模进行解释, 一个句子每个单词用
x
(
1
)
,
⋯
,
x
(
T
)
x^{(1)},cdots,x^{(T)}
x(1),⋯,x(T) 表示, 组成这个句子的概率就可以表达成
P
(
x
(
1
)
,
⋯
,
x
(
T
)
)
=
P
(
x
(
1
)
)
×
P
(
x
(
2
)
∣
x
(
1
)
)
×
⋯
×
P
(
x
(
T
)
∣
x
(
T
−
1
)
,
⋯
,
x
(
1
)
)
=
∏
t
=
1
T
P
(
x
(
t
)
∣
x
(
t
−
1
)
,
⋯
,
x
1
)
begin{aligned} P(x^{(1)},cdots,x^{(T)})&=P(x^{(1)})times P(x^{(2)}|x^{(1)})timescdotstimes P(x^{(T)}|x^{(T-1)},cdots,x^{(1)}) \ &=prod^{T}_{t=1}{P(x^{(t)}|x^{(t-1)},cdots,x^{1}}) end{aligned}
P(x(1),⋯,x(T))=P(x(1))×P(x(2)∣x(1))×⋯×P(x(T)∣x(T−1),⋯,x(1))=t=1∏TP(x(t)∣x(t−1),⋯,x1)
( 这里的概率是在给出的词库(数据集)中进行统计得到的概率 )举个例子就是
P(‘The’, ‘cat’, ‘sat’, ‘on’, ‘mats’) =
P(‘The’) x P(‘cat’|‘The’) x P(‘sat’|‘cat’, ‘The’) x P(‘on’|‘sat’, ‘cat’, ‘The’) x P(‘mats’ |‘on’, ‘sat’, ‘cat’, ‘The’)
-
n-gram Language Model
上述例子只是一个很简单的例子,在现实中可能面对的情况往往是很多个单词, 可能是10几个单词, 组成的句子, 这时候进行概率统计的计算量就会非常的大. n-gram作了一个很强的假设, 它利用了1. 词序和2. 词与词之间存在的语义关系 (如 鸟-飞; 猫-跳; 狗-叫), 假设对在一个句子中,如果要对下一个单词进行预测, 只需基于最后
n
n
n 个词语进行概率预测, 即:
p
^
(
w
t
∣
w
1
t
−
1
)
≈
p
^
(
w
t
∣
w
t
−
n
+
1
t
−
1
)
hat{p}(w_t|w_1^{t-1})approxhat{p}(w_t|w_{t-n+1}^{t-1})
p^(wt∣w1t−1)≈p^(wt∣wt−n+1t−1)
3. NNLM (Neural Network Language Model)
1. 输入层
图1.输入层
- 首先传进来的是
n
−
1
n-1
-
n
−
1
n-1
2. 映射层
图2.映射层
- 根据索引向量中每个词的索引, 在corpus matrix
C
C
- 其中
C
C
∣
V
∣
×
m
|V|times m
∣
V
∣
|V|
m
m
- 如果是一个包含1000个单词的词库 [‘dog’, ‘cat’, ‘baby’, … ] ,
C
C
1000
×
50
1000 times 50
- 而每个单词通过
C
C
C
(
i
)
C(i)
1
×
m
1 times m
- 注意! 这里的
C
C
3. 隐藏层 (
t
a
n
h
tanh
tanh 层)
图3.隐藏层
- 得到
n
−
1
n-1
C
(
i
)
C(i)
x
=
(
C
(
w
t
−
1
)
,
C
(
w
t
−
2
)
,
⋯
,
C
(
w
−
n
+
1
)
)
)
x=(C(w_{t-1}), C(w_{t-2}),cdots, C(_{w-n+1})))
(
n
−
1
)
m
(n-1)m
- 将拼接后的向量
x
x
t
a
n
h
(
)
tanh()
- 实际上, 在
x
x
t
a
n
h
(
)
tanh()
H
H
H
H
h
×
(
n
−
1
)
m
h times (n-1)m
-
H
x
Hx
h
h
- 再加上隐藏层偏差
d
d
H
x
+
d
Hx+d
h
h
- 实际上, 在
- 假设
t
a
n
h
(
)
tanh()
h
h
t
a
n
h
(
)
tanh()
h
h
4. 输出层 (
s
o
f
t
m
a
x
softmax
softmax 层)
图4.输出层
- 隐藏层输出
t
a
n
h
(
)
tanh()
s
o
f
t
m
a
x
softmax
- 在传入
s
o
f
t
m
a
x
softmax
∣
V
×
h
∣
|V times h|
U
U
- 再加上大小为
∣
V
∣
|V|
b
b
∣
V
∣
|V|
U
t
a
n
h
(
d
+
H
x
)
+
b
Utanh(d+Hx)+b
- 在传入
- 经过
s
o
f
t
m
a
x
(
)
softmax()
5. Option (直连边)
在文章中, 作者还提到一部分为 “直连” 部分, 即上图中虚线部分, 由
C
(
i
)
C(i)
C(i) 直接 映射到
O
u
t
p
u
t
Output
Output 的连接.
这部分作者设置了一个权重
W
W
W, 直接乘以
x
x
x, 加到最后的隐藏层输出中, 一并传入到
s
o
f
t
m
a
x
softmax
softmax 中计算, 最后得到:
y
=
b
+
W
x
+
U
t
a
n
h
(
d
+
H
x
)
y=b+Wx+Utanh(d+Hx)
y=b+Wx+Utanh(d+Hx)
文章中, 作者提到:
" When no direct connections from word features to outputs are desired, the matrix
W
W
W is set to
0
0
0 "
直连边好像是一个改善神经网络的trick, 并没有进一步探讨.
6. 汇总
symbol | shape | illustrate |
---|---|---|
x x x |
( n − 1 ) m × 1 (n-1)mtimes1 (n−1)m×1 |
( n − 1 ) (n-1) (n−1) 个词向量拼接 |
H H H |
h × ( n − 1 ) m htimes(n-1)m h×(n−1)m |
x x x 权重 |
d d d |
h × 1 htimes1 h×1 |
x x x 偏差 |
U U U |
∣ V ∣ × h lvert V lverttimes h ∣V∣×h |
隐藏层权重 |
b b b |
∣ V ∣ lvert V lvert ∣V∣ |
隐藏层偏差 |
W W W |
∣ V ∣ × ( n − 1 ) lvert Vlverttimes(n-1) ∣V∣×(n−1) |
直连边权重 |