From A Neural Probalistic Language Model to Word2vec

From Neural Probabilistic Language Model To

Word2Vec

[email protected]

Intro• 고전 언어 모델 N-gram • 다 세는 거 어렵다 • p(wt | wt-1) => 추정할 parameter 수 |V|^2• p(wt | wt-1,wt-2) => 추정할 parameter 수 |V|^3• p(wt | wt-1,wt-2, wt-3) => 추정할 parameter 수 |V|^4• …

• 차원의 저주

Intro

• 수많은 문장을 모델에 압축 , 단어를 벡터로 표현함으로 차원의 저주와 싸운다• 모델은 단어의 벡터 표현 (Vector Representation Learning) 과 이

벡터 표현을 이용한 단어 순서에 대한 확률 함수를 동시에 학습

LSI 와 다른 점• LSI 는 같은 문서 안의 단어의 co-occurring 을

단어의 특성 벡터로 학습• NPLM 은 단어 시퀀스의 확률 분포를 컴팩트하게

표현하는 것이 목표• 다음 문장의 시밀러리티를 인지할 수 있음• cat 다음에 dog 가 비슷한 특성 벡터로 학습됨• LSI 는 못함

구글 관련검색어

1.1 Fighting the Curse of Dimensionality with Distributed Representations • 단어를 피쳐 벡터 ( 실수 ) 로 표현• 단어 시퀀스의 결합 확률 함수를 피쳐 벡터로 표현 • 학습 시 단어 피쳐 벡터와 확률 함수의 파라메터를

동시에 학습• 이 함수는 훈련셋의 log-likelihood +regularized criterion 을 최대화 하는

방향으로 파라메터를 반복적으로 수정해 간다 (ridge regression 과 비슷 )

• 학습 후 , “ 비슷한” 단어는 비슷한 피쳐 벡터를 갖게 된다

2. A Neural Model • 학습 데이터는 단어 시퀀스 w1 · · · wT of words wt ∈ V• The objective is to learn a good model, f(wt,··· ,wt−n+1) = Pˆ(wt|wt−1) in

the sense that it gives high out-of-sample likelihood• 학습의 목적은 학습 데이터의 likelihood 가 제일 큰 모델 P 를 피팅하는 것

• The only constraint on the model is that for any choice of wt−1,

• f(i,wt,··· ,wt−n+1): 이전 단어들이 주어졌을 때 , 현재 단어가 i 일 확률• By the product of these conditional probabilities, one obtains a model of the

joint probability of sequences of words. • 이 조건부 확률의 곱으로 , 단어 시퀀스의 결합확률을 구할 수 있다

2. A Neural Model

• f 를 두 부분으로 나눌 수 있다• 각 단어의 특성 벡터 와 그 벡터의 모든 단어의 모임 행렬 C • 인풋 단어 시퀀스가 주어졌을 때 , 다음 단어에 뭐가 나올지에 대한 확률

분포 g

g 의 아웃풋 벡터의 i 번째 원소 = 다음 단어 가 단어집의 i 번째 단어일 확률

2. A Neural Model

• 함수 f 는 두 매핑 C 와 g 의 합성이고 , C 는 context 안의 모든 단어가 공유한다 • C 와 g 는 각각 파라메터를 갖는다• C 의 파라메터는 피쳐 벡터 자신 , 즉 단어 i 의 피쳐벡터는 |V | × m matrix

C 에서 i 번째 row 를 추출 . C(i)• 함수 g 는 뉴럴넷으로 구성 , 그러므로 뉴럴넷의 파라메터 ω 가 g 의

파라메터• 전체 파라메터는 θ = (C, ω). • Training is achieved by looking for θ that maximizes the

training corpus penalized log-likelihood:

• 단어 시퀀스에서 각 단어를 한칸씩 순회하면서 , 훈련셋에서 나온 단어의 p(wt | context) 가 최대가 되도록 파라메터 θ 를 피팅

뉴럴넷으로 구현

• 2 - hidden layer( 은닉층 )• word vector (n-1)*m• h 크기의 차원의 word vector 를 output layer 를 연결해주는 레이어• n-gram(context) 의 정보들이 이 hidden layer 에 저장 , 축적되고 , 전파됨

• input word i -> word vector C(i)• first hidden layer 가 다음과 같이 코딩됨 •

• x 는 W((n-1)*m 크기 ) 가중치로 출력층 y 에 영향을 줌• x 는 d + Hx 가중치로 두번째 은닉층에 영향에 줌 (h 크기의 벡터 )• d 는 h 크기의 bias 벡터

• 두번째 은닉층은 U*tanh(d+Hx) 로 출력층에 영향• tanh 함수로 non-linearity 가 추가됨• 최종적으로 출력층의 완성된 수식은 y = b + Wx +

Utahh(d+Hz)• y 는 |V| 크기의 벡터• b 도 bias term

• context 가 주어졌을 때 , 다음 단어의 예측은 softmax 를 씌운다

learning• 최종적으로 학습해야 할 파라메터는 θ = (b,d,W,U,H,C)• 학습해야할 파라메터 수는 |V| 에 비례• |V |(nm + h) <- 모델 복잡도

• 학습은 훈련셋의 각 t 번째 단어에 대해서 다음과 같이 stochastic gradient descent 를 반복적으로 수행

• 학습느림• softmax 예측할때마다 모든 단어 스캔

word2vec• bengio 모델 (2003) 이후 , 많은 변형 연구• 최근 (2013), bengio 모델의 학습은 매우 느리므로 , Mikolov(@google) 가 변형 모델을

제안• skip-gram model• cbow model• dense 한 행렬 곱셉 연산을 포함하지 않아서 학습이 굉장히 효율적• 1000 억 단어 (|V| 가 아니라 ) 로 이루어진 시퀀스 학습 시 싱글 컴퓨터에서 하루도 안걸림

• 추가적으로 학습을 빠르게 하는 여러가지 추가 기법이 들어감• Negative Sampling : 정답이 아닌 비정답셋을 샘플링해서 훈련셋과 같이 보여준다 . • Hierarchical Softmax: 예측 수식 y 의 Softmax 의 분모를 구하는 것이 어려움을 해소• 모든 단어 |V| 에 대해서 구하지 않고 , 출력층을 단어 계층의 이진 트리로 표현해서

랜덤워크하면서 log(|V|) 만으로 softmax 를 근사함• Subsampling of Frequent Words: 많이 나오는 단어는 다운 샘플링해서 모델에게

보여준다• https://code.google.com/p/word2vec/

CBOW(Continuous Bag Of Words)• 문서를 순차적으로 학습하지만 , 현재 단어 예측시

사용되는 Context 는 bag of words• bengio 모델과는 달리 단어의 앞도 사용

skip-gram model• CBOW 의 반대

Example• Linear Regularity 가 유지됨• vec(‘ 러시아’ ) + vec(‘ 강’ ) = vec(‘ 볼가

강’ )• vec(‘ 독일’ ) + vec(‘ 수도’ ) = vec(‘ 베를

린’ )

• Freebase.

word clustering

word2vec 메뉴얼• architecture: skip-gram (slower, better for infrequent

words) vs CBOW (fast)• the training algorithm: hierarchical softmax (better for

infrequent words) vs negative sampling (better for frequent words, better with low dimensional vectors)• sub-sampling of frequent words: can improve both

accuracy and speed for large data sets (useful values are in range 1e-3 to 1e-5)• dimensionality of the word vectors: usually more is

better, but not always• context (window) size: for skip-gram usually around 10,

for CBOW around 5