这是用户在 2024-5-26 1:41 为 https://app.immersivetranslate.com/pdf-pro/cdb9a8ce-cefc-4106-9fe9-6c71014e71a3 保存的双语快照页面,由 沉浸式翻译 提供双语支持。了解如何保存?
2024_05_25_f72c16e1f7c2ae9ac271g


矢量空间中单词表示的高效估算

 托马斯-米科洛夫
谷歌公司,加利福尼亚州山景城
tmikolov@google.com 格雷格-科拉多
谷歌公司,加利福尼亚州山景城
gcorrado@google.com

 陈凯
谷歌公司,加利福尼亚州山景城
kaichen@google.com 杰弗里-迪安
谷歌公司,加利福尼亚州山景城
jeff@google.com

 摘要


我们提出了两种新颖的模型架构,用于计算超大数据集中单词的连续向量表示。我们在词语相似性任务中测量了这些表征的质量,并将结果与之前基于不同类型神经网络的最佳技术进行了比较。我们观察到,在计算成本大大降低的情况下,准确率有了很大提高,也就是说,从 16 亿字的数据集中学习高质量的单词向量只需不到一天的时间。此外,我们还表明,这些向量在我们的测试集上提供了最先进的性能,可用于测量句法和语义词的相似性。

 1 引言


当前的许多 NLP 系统和技术都将单词视为原子单位,没有单词之间相似性的概念,因为这些单词在词汇表中表示为索引。这种选择有几个很好的理由--简单、稳健,以及观察到在海量数据上训练出来的简单模型优于在较少数据上训练出来的复杂系统。统计语言建模中常用的 -gram 模型就是一个很好的例子--如今,在几乎所有可用数据(数万亿单词[3])上训练 -grams是可能的。

然而,在许多任务中,简单的技术已经达到了极限。例如,用于自动语音识别的相关域内数据量是有限的--性能通常取决于高质量转录语音数据的大小(通常只有数百万字)。在机器翻译中,许多语言的现有语料库仅包含几十亿字或更少。因此,在某些情况下,简单地扩大基本技术的规模不会带来任何重大进展,我们必须将重点放在更先进的技术上。

近年来,随着机器学习技术的进步,在更大的数据集上训练更复杂的模型已成为可能,而且这些模型通常优于简单的模型。最成功的概念可能是使用单词的分布式表示[10]。例如,基于神经网络的语言模型明显优于 -gram 模型[1, 27, 17]。


1.1 本文的目标


本文的主要目标是介绍可用于从拥有数十亿词汇和数百万词汇的庞大数据集中学习高质量词向量的技术。据我们所知,之前提出的架构都没有成功地在更多的数据集上进行过训练。


数亿词以上,词向量维度适中,介于 之间。

我们使用最近提出的技术来衡量所得到的向量表示的质量,希望不仅相似的词往往彼此接近,而且词可以有多种相似度[20]。早先在词性语言的语境中就观察到了这一点--例如,名词可以有多种词尾,如果我们在原始向量空间的子空间中搜索相似词,就有可能找到词尾相似的词[13, [14]。

令人惊讶的是,我们发现词语表征的相似性超出了简单的句法规律。例如,利用词偏移技术对词向量进行简单的代数运算,结果表明向量("King")-向量("Man")+向量("Woman")得到的向量最接近 Queen 这个词的向量表示[20]。

在本文中,我们试图通过开发新的模型架构来最大限度地提高这些向量运算的准确性,从而保留词语之间的线性规律性。我们设计了一个新的综合测试集,用于测量句法和语义规则性 ,并证明可以高精度地学习到许多此类规则性。此外,我们还讨论了训练时间和准确性如何取决于词向量的维度和训练数据的数量。

 1.2 以前的工作


将单词表示为连续向量的方法由来已久[10, 26, 8]。[1]中提出了一种非常流行的用于估算神经网络语言模型(NNLM)的模型结构,即使用带有线性投影层和非线性隐藏层的前馈神经网络来联合学习词向量表示和统计语言模型。这项工作之后又有许多人效仿。

文献[13, 14]提出了另一种有趣的 NNLM 结构,即首先使用单隐层神经网络学习单词向量。然后使用这些词向量来训练 NNLM。因此,即使不构建完整的 NNLM,也能学习到词向量。在这项工作中,我们直接扩展了这一架构,只关注第一步,即使用简单模型学习词向量。

后来的研究表明,词向量可用于显著改善和简化许多 NLP 应用 [4, 5, 29]。词向量的估算本身使用了不同的模型架构,并在不同的语料库上进行了训练[4, 29, 23, 19, 9],得到的一些词向量可供未来的研究和比较 。然而,据我们所知,除了使用对角权重矩阵的对数-线性模型的某些版本外[23],这些架构的训练计算成本明显高于[13]中提出的架构。

 2 模型架构


人们提出了许多不同类型的模型来估计词语的连续表征,其中包括著名的潜在语义分析(LSA)和潜在德里希特分配(LDA)。在本文中,我们将重点关注通过神经网络学习到的词的分布式表示,因为之前的研究表明,神经网络在保持词之间的线性规律性方面的表现要明显优于 LSA [20, 31];此外,LDA 在大型数据集上的计算成本也非常高昂。

与文献[18]类似,为了比较不同的模型架构,我们首先将模型的计算复杂度定义为完全训练模型所需的参数数量。接下来,我们将尝试在最大限度降低计算复杂度的同时,最大限度地提高准确度。

对于以下所有模型,训练复杂度都与

其中, 是训练历元数, 是训练集中的单词数, 是针对每个模型架构的进一步定义。常见的选择是 ,最高可达 10 亿。所有模型均采用随机梯度下降法和反向传播法进行训练[26]。


2.1 前馈神经网络语言模型(NNLM)


概率前馈神经网络语言模型是在 [1] 中提出的。它由输入层、投影层、隐藏层和输出层组成。在输入层, 前一个词使用 1 的 编码,其中 是词汇量的大小。然后,使用共享投影矩阵将输入层投影到投影层 ,投影层的维度为 。由于在任何给定时间内只有 输入处于活动状态,因此组成投影层的操作成本相对较低。

NNLM 架构在投影层和隐藏层之间的计算变得复杂,因为投影层中的值是密集的。对于 的常见选择,投影层的大小 可能是 500 到 2000,而隐藏层的大小 通常是 500 到 1000 个单位。此外,隐层用于计算词汇表中所有单词的概率分布,因此输出层的维度为 。因此,每个训练实例的计算复杂度为

其中主导项为 。然而,为了避免这种情况,人们提出了几种实用的解决方案:或者使用分层版本的 softmax [25, 23, 18],或者通过使用在训练过程中未归一化的模型来完全避免归一化模型 [4, 9]。使用二叉树表示词汇时,需要评估的输出单元数量可以减少到 左右。因此,大部分复杂性都是由术语 引起的。

在我们的模型中,我们使用分层软最大值(hierarchical softmax),将词汇表表示为哈夫曼二叉树(Huffman binary tree)。根据之前的观察,在神经网络语言模型中,词频可以很好地用于获取类别[16]。哈夫曼树为频繁出现的单词分配了简短的二进制代码,这进一步减少了需要评估的输出单元数量:平衡二叉树需要评估 个输出,而基于哈夫曼树的分层软最大值只需要约 Unigram_perplexity 。例如,当词汇量为一百万词时,评估速度将提高两倍。由于计算瓶颈在于 项,因此这对神经网络 LM 的速度提升并不重要,但我们稍后将提出没有隐藏层的架构,因此这在很大程度上取决于 softmax 归一化的效率。


2.2 循环神经网络语言模型(RNNLM)


提出基于递归神经网络的语言模型是为了克服前馈 NNLM 的某些局限性,例如需要指定上下文长度(模型的阶数 ),而且从理论上讲,RNN 比浅层神经网络能有效地表示更复杂的模式[15, 2]。RNN 模型没有投影层,只有输入层、隐藏层和输出层。这种模型的特殊之处在于使用延时连接将隐藏层与自身连接起来的递归矩阵。这使得递归模型能够形成某种短期记忆,因为过去的信息可以通过隐层状态来表示,而隐层状态则根据当前输入和上一时间步的隐层状态进行更新。

RNN 模型每个训练实例的复杂度为

其中,词表示 与隐藏层 的维度相同。同样,通过使用分层软最大值(hierarchical softmax),可以将 有效地缩减为 。这样,大部分复杂性就来自于


2.3 并行训练神经网络


为了在海量数据集上训练模型,我们在一个名为 DistBelief [6] 的大规模分布式框架上实现了几个模型,包括前馈 NNLM 和本文提出的新模型。该框架允许我们并行运行同一模型的多个副本,每个副本通过一个保存所有参数的集中式服务器同步梯度更新。在这种并行训练中,我们使用迷你批次异步梯度下降法,并采用名为 Adagrad 的自适应学习率程序 [7]。在此框架下,通常会使用 100 个或更多模型副本,每个副本使用数据中心不同机器上的多个 CPU 内核。


3 新对数线性模型


在本节中,我们提出了两种用于学习单词分布式表征的新模型架构,以尽量降低计算复杂度。上一节的主要观点是,大部分复杂性是由模型中的非线性隐藏层造成的。虽然这正是神经网络的魅力所在,但我们决定探索更简单的模型,这些模型可能无法像神经网络那样精确地表示数据,但却可以在更多的数据上高效地进行训练。

新架构直接沿用了我们早期工作[13, 14]中提出的架构,我们发现神经网络语言模型可以通过两个步骤训练成功:首先,使用简单模型学习连续词向量,然后在这些分布式词表征的基础上训练 N-gram NNLM。虽然后来有大量的工作都集中在学习单词向量上,但我们认为 [13] 中提出的方法是最简单的方法。需要注意的是,相关模型的提出也要早得多 [26, 8]。


3.1 连续词袋模型


第一个提议的架构类似于前馈 NNLM,其中的非线性隐藏层被移除,所有单词共享投影层(而不仅仅是投影矩阵);因此,所有单词都会被投影到相同的位置(它们的向量被平均化)。我们称这种结构为词袋模型,因为词在历史记录中的顺序不会影响投影。此外,我们还使用了来自未来的单词;在下一节介绍的任务中,我们通过建立一个对数线性分类器,输入四个未来单词和四个历史单词,训练标准是正确分类当前(中间)单词,从而获得了最佳性能。训练复杂度为

我们将该模型进一步命名为 CBOW,因为与标准的词袋模型不同,它使用连续的分布式上下文表示法。模型架构如图 1 所示。请注意,输入层和投影层之间的权重矩阵与 NNLM 中的方式相同,都是共享所有词位的权重矩阵。


3.2 连续跳读模式


第二种结构与 CBOW 类似,但它不是根据上下文预测当前单词,而是试图根据同一句子中的另一个单词最大化单词分类。更确切地说,我们将每个当前单词作为带有连续投影层的对数线性分类器的输入,并预测当前单词前后一定范围内的单词。我们发现,扩大范围可以提高得到的词向量的质量,但同时也会增加计算复杂度。由于距离较远的词与当前词的相关性通常低于距离较近的词,因此我们在训练示例中减少了对距离较远的词的采样,从而降低了这些词的权重。

这种结构的训练复杂度与

其中 是单词的最大距离。因此,如果我们选择 ,那么对于每个训练词,我们将在 的范围内随机选择一个数字 ,然后使用历史中的 词,并将其作为训练词。

图 1:新的模型架构。CBOW 架构根据上下文预测当前单词,Skip-gram 则根据当前单词预测周边单词。

当前单词的未来单词作为正确标签。这就要求我们以当前单词为输入,以 的每个单词为输出,进行 单词分类。在下面的实验中,我们使用 。

 4 项成果


为了比较不同版本单词向量的质量,以往的论文通常使用一个表格来显示示例单词及其最相似的单词,并直观地理解它们。虽然很容易看出单词 "法国"(France)与 "意大利"(Italy)以及其他一些国家的单词相似,但要将这些向量用于更复杂的相似性任务,难度就大得多了。根据我们之前的观察,词与词之间可能存在许多不同类型的相似性,例如,词 big 与 bigger 的相似性与词 small 与 smaller 的相似性相同。另一种关系的例子是词对 big - biggest 和 small - smallest [20]。我们还可以将具有相同关系的两对词表示为一个问题,如我们可以问:"在 biggest 与 big 相似的意义上,与 small 相似的词是什么?

令人惊讶的是,这些问题都可以通过对单词的向量表示进行简单的代数运算来解答。要找到一个与 "小 "相似的词,就像 "大 "与 "小 "相似一样,我们只需计算向量 向量("最大")- 向量("大")+ 向量("小")。然后,我们在向量空间中搜索最接近 的单词,并将其作为问题的答案(在搜索过程中,我们会丢弃输入的问题单词)。当单词向量训练有素时,就有可能用这种方法找到正确答案(单词最小)。

最后,我们发现,当我们在大量数据上训练高维词向量时,得到的向量可以用来回答词与词之间非常微妙的语义关系,例如一个城市和它所属的国家,如法国之于巴黎,德国之于柏林。具有这种语义关系的词向量可用于改进许多现有的 NLP 应用,如机器翻译、信息检索和问题解答系统,并可用于其他尚未发明的未来应用。

表 1:语义句法词语关系测试集中的五类语义问题和九类句法问题示例。
 关系类型  词对 1  词对 2
 共同首都 Athens Greece Oslo Norway
 所有首都 Astana Kazakhstan Harare Zimbabwe
Currency Angola kwanza Iran rial
 州内城市 Chicago Illinois Stockton California
Man-Woman brother sister grandson  外孙女
 形容词对副词 apparent apparently rapid rapidly
Opposite possibly impossibly ethical unethical
 比较 great greater tough tougher
 高级 easy easiest lucky luckiest
 现在分词 think thinking read reading
 国籍形容词  瑞士 Swiss Cambodia Cambodian
 过去式 walking walked swimming swam
 复数名词 mouse mice dollar dollars
 复数动词 work works speak speaks

 4.1 任务描述


为了衡量词向量的质量,我们定义了一个综合测试集,其中包含五类语义问题和九类句法问题。表 1 显示了每类问题的两个示例。总共有 8869 个语义问题和 10675 个句法问题。每个类别的问题都是分两步创建的:首先,人工创建相似词对列表。然后,通过连接两个词对形成一个大的问题列表。例如,我们制作了一个包含 68 个美国大城市及其所属州的列表,并通过随机挑选两个词对形成了约 个问题。我们的测试集只包含单标记词,因此不包含多词实体(如纽约)。

我们对所有问题类型以及每种问题类型(语义、句法)分别进行总体准确率评估。只有当使用上述方法计算出的向量中最接近的单词与问题中的正确单词完全相同时,问题才会被认为是正确回答;因此,同义词也被算作错误。这也意味着,要达到 的准确率很可能是不可能的,因为目前的模型没有任何关于词形的输入信息。不过,我们相信,词向量在某些应用中的实用性应该与这一准确度指标呈正相关。通过加入词的结构信息,尤其是句法问题的结构信息,我们可以取得更大的进步。


4.2 精度最大化


我们使用谷歌新闻语料库来训练词向量。该语料库包含约 6B 个词库。我们将词汇量限制在 100 万个最常出现的词。显然,我们面临的是时间有限的优化问题,因为可以预期,使用更多数据和更高维度的词向量都会提高准确率。为了估算模型架构的最佳选择,以便尽快获得尽可能好的结果,我们首先评估了在训练数据子集上训练的模型,并将词汇量限制在最常见的 单词上。表 2 列出了使用 CBOW 架构、不同的词向量维度选择和不断增加的训练数据量所得到的结果。

可以看出,在某些情况下,增加维度或增加训练数据所带来的改进是递减的。因此,我们必须同时增加向量维度和训练数据量。虽然这一观点看似微不足道,但必须指出的是,目前流行的做法是在相对较大的数据量上训练词向量,但在数据量不足的情况下

表 2:在语义-句法单词关系测试集子集上的准确率,使用来自 CBOW 架构的单词向量,词汇量有限。只使用包含最常见 词的问题。

维度/训练词
50 13.4 15.7 18.6 19.1 22.5 23.2
100 19.4 23.1 27.8 28.7 33.4 32.2
300 23.2 29.2 35.3 38.6 43.7 45.9
600 24.0 30.1 36.5 40.8 46.6 50.4

表 3:使用在相同数据(640 维词向量)上训练的模型的架构比较。准确率是在我们的语义-句法词关系测试集和 [20] 的句法关系测试集上报告的。
 {模型架构}
语义-句法词语关系测试集
 MSR 词语相关性
 语义准确率 [%]。  句法准确率 [%]  测试 [20]
RNNLM 9 36 35
NNLM 23 53 47
CBOW 24 64 61
Skip-gram 55 59 56

(例如 50 - 100)。考虑到等式 4,将训练数据量增加两倍与将向量大小增加两倍的计算复杂度增幅大致相同。

在表 2 和表 4 中的实验中,我们使用了随机梯度下降和反向传播的三个训练历元。我们选择了 0.025 的起始学习率,并将其线性递减,使其在最后一个训练历元结束时接近于零。


4.3 模型结构比较


首先,我们使用相同的训练数据和640个词向量的相同维度,比较了推导词向量的不同模型架构。在进一步的实验中,我们使用了新的语义-句法词关系测试集中的全部问题集,即不局限于30k词汇量。我们还使用了[20]中引入的测试集的结果,该测试集主要关注词与词之间的句法相似性。

训练数据由多个 LDC 语料库组成,详细描述见 [18](3.2 亿字, 词汇量)。我们使用这些数据与之前训练的递归神经网络语言模型进行了比较,后者在单 CPU 上的训练时间约为 8 周。我们使用 DistBelief 并行训练[6]训练了一个前馈 NNLM,它具有相同数量的 640 个隐藏单元,并使用了 8 个先前单词的历史记录(因此,NNLM 比 RNNLM 具有更多参数,因为投影层的大小为 )。

从表 3 中可以看出,来自 RNN 的词向量(如 [20] 中所用)在大部分句法问题上表现良好。NNLM 向量的表现明显优于 RNN--这并不奇怪,因为 RNNLM 中的单词向量是直接连接到非线性隐藏层的。CBOW 架构在句法任务上的表现优于 NNLM,在语义任务上的表现大致相同。最后,Skip-gram 架构在句法任务上的表现略逊于 CBOW 模型(但仍优于 NNLM),而在测试的语义部分则远远优于所有其他模型。

接下来,我们对仅使用一个 CPU 训练的模型进行了评估,并将结果与公开的词向量进行了比较。比较结果见表 4。

表 4:语义-句法单词关系测试集上的公开单词向量与我们的模型中的单词向量的比较。使用的是完整词汇表。
Model
 向量维度
 培训用语
 精确度 [%]
Semantic Syntactic Total
 科尔罗伯特-韦斯顿 NNLM 50 9.3 12.3 11.0
 图里安 NNLM 50 1.4 2.6 2.1
 图里安 NNLM 200 1.4 2.2 1.8
 NNLM Monk 50 1.8 9.1 5.8
 NNLM Monk 100 3.3 13.2 8.8
Mikolov RNNLM 80 4.9 18.4 12.7
Mikolov RNNLM 640 8.6 36.5 24.6
 黄 NNLM 50 13.3 11.6 12.3
 我们的无法律约束力文书 20 12.9 26.4 20.3
 我们的无法律约束力文书 50 27.9 55.8 43.2
 我们的无法律约束力文书 100 6B 34.2 50.8
CBOW 300 15.5 53.1 36.1
Skip-gram 300 55.9

表 5:在相同数据上经过三个历时训练的模型与经过一个历时训练的模型的比较。准确率是在完整的语义-句法数据集上报告的。
Model
 向量维度
 培训用语
 精确度 [%]
 培训时间
Semantic Syntactic Total
 3 个纪元 CBOW 300 15.5 53.1 36.1 1
 3 个纪元跳转图 300 50.0 55.9 53.3 3
 1 个纪元 CBOW 300 13.8 49.9 33.6 0.3
 1 个纪元 CBOW 300 16.1 52.6 36.1 0.6
 1 个纪元 CBOW 600 15.4 53.3 36.2 0.7
 1 个纪元 跳过图 300 45.6 52.2 49.2 1
 1 个纪元 跳过图 300 52.2 55.1 53.8 2
 1 个纪元 跳过图 600 56.7 54.5 55.5 2.5

谷歌新闻数据的训练时间约为一天,而 Skip-gram 模型的训练时间约为三天。

在进一步报告的实验中,我们只使用了一个训练历元(我们再次线性降低学习率,使其在训练结束时趋近于零)。如表 5 所示,使用一个历元在两倍的数据上训练模型的结果与在相同数据上迭代三个历元的结果相当,甚至更好,而且还能带来额外的小幅提速。


4.4 大规模并行模型训练


如前所述,我们在名为 DistBelief 的分布式框架中实现了各种模型。下面我们将报告在谷歌新闻 6B 数据集上使用迷你批次异步梯度下降和名为 Adagrad 的自适应学习率程序[7]训练的几个模型的结果。在训练过程中,我们使用了 50 到 100 个模型副本。中央处理器内核数

表 6:使用 DistBelief 分布式框架训练的模型比较。请注意,使用 1000 维向量训练 NNLM 需要很长时间才能完成。
Model
 向量维度
 培训用语
 精确度 [%]
 培训时间
Semantic Syntactic Total
NNLM 100 6B 34.2 64.5 50.8
CBOW 1000 6B 57.3 68.9 63.7
Skip-gram 1000 6B 66.1 65.1 65.6

表 7:微软 "句子完成挑战 "的模型比较与组合。
 建筑学  精确度 [%]
 4 格 [32] 39

LSA 平均相似度 [32]
49
 对数双线性模型 [24] 54.8
RNNLMs [19] 55.4
Skip-gram 48.0
 跳过图 + RNNLMs

由于数据中心的机器是与其他生产任务共享的,因此使用率会有很大波动。需要注意的是,由于分布式框架的开销,CBOW 模型和 Skip-gram 模型的 CPU 占用率比它们的单机实现更为接近。结果见表 6。


4.5 微软研究句子完成挑战


微软句子补全挑战赛(Microsoft Sentence Completion Challenge)是最近推出的一项推进语言建模和其他 NLP 技术的任务[32]。该任务由 1040 个句子组成,每个句子中缺少一个单词,目标是在给出的五个合理选项中选出与句子其余部分最连贯的单词。在这一组句子中,有几种技术的性能已经得到了报道,包括 -gram 模型、基于 LSA 的模型 [32]、对数-双线性模型 [24] 以及循环神经网络的组合,该组合目前在这一基准上的准确率为 [19]。

我们探索了 Skip-gram 架构在这项任务中的表现。首先,我们在 [32] 提供的 5000 万个单词上训练 640 维模型。然后,我们以未知单词为输入,计算测试集中每个句子的得分,并预测句子中的所有周边单词。最终的句子得分就是这些单个预测的总和。通过句子得分,我们选出最有可能的句子。

表 77 简要概括了之前的一些结果和新的结果。虽然跳越语法模型本身在这项任务中的表现并不优于 LSA 相似性,但该模型的得分与 RNNLM 的得分相辅相成,通过加权组合得出了新的先进结果 准确率( ,用于开发集的开发部分, ,用于测试集的测试部分)。


5 个学习关系实例


表 8 显示了遵循各种关系的词语。我们采用了上述方法:通过减去两个词向量来定义关系,然后将结果加到另一个词上。例如,巴黎 - 法国 + 意大利 = 罗马。可以看出,准确率相当不错,但显然还有很大的改进空间(请注意,使用我们的准确率度量标准,即"......")。

表 8:使用表 4 中最佳词向量的词对关系示例(Skipgram 模型以 词为训练对象,维度为 300)。
 关系  示例 1  示例 2  示例 3
 法国 - 巴黎  意大利:罗马  日本:东京  佛罗里达州:塔拉哈西
 大 - 更大  小:大  冷:更冷  快:更快
 迈阿密 - 佛罗里达州  巴尔的摩马里兰州  达拉斯:德克萨斯州  可纳:夏威夷
 爱因斯坦--科学家  梅西:中场  莫扎特:小提琴家  毕加索:画家
 萨科齐 - 法国