Pytorch实现基于skip-gram的word2vec
对于词语的表示，最开始采用one-hot编码，用于判断文本中是否具有该词语；后来发展使用Bag-of-Words，使用词频信息对词语进行表示；再后来使用TF-IDF根据词语在文本中分布情况进行表示。而近年来，随着神经网络的发展，分布式的词语表达得到大量使用，word2vec就是对词语进行连续的多维向量表示。
区别于其它神经网络对词语embedding表示，Mikolov的word2vec非常漂亮，直接采用单层神经网络（或理解为sigmoid函数）对词语进行表示。具体的方法有两种CBOW和Skip-gram，具体模型结构如下：
CBOW是使用周边词语来预测当前词语出现的概率，而skip-gram是采用中心词语预测周边词语的概率。需要说明的是，当语料较少时使用CBOW方法比较好，当语料较多时采用skip-gram表示比较好。
本文具体描述skip-gram模型的原理与实现。假设给定一句话“中国 经济 近年来 发展 飞快”，skip-gram模型就是通过“近年来”预测其它周边词语的概率。模型的预测目标函数，就是使得中心词预测周边词的概率最大，具体数学表示为：
对于概率p的计算公式可以表示为：
当语料比较大时，词典规模会比较大，求softmax速度会变得很慢，严重影响了训练速度。此时有两种方法进行改进：（1）分层softmax; （2）负采样。分层softmax的原理很简单，就是构建Huffman树（使得计算概率的次数最小），正例词都在叶子结点，其他词为中间节点，分层进行softmax。负采样的思想也很简单，就是不计算所有词的概率算softmax，而是采样一些负样本，算对数sigmoid函数，近似softmax。具体原理就是最大化正例概率，最小化负例出现的概率。
根据上述公式，使用Pytorch进行模型实现，具体如下：