Jay Alammar 博客笔记：拆解 Word2vec，从直觉到负采样的逻辑演进（逻辑链）

Jay Alammar 博客笔记：拆解 Word2vec，从直觉到负采样的逻辑演进（逻辑链）

前言

本文核心内容基于 Jay Alammar 的经典神作The Illustrated Word2vec，并结合《Speech and Language Processing》相关章节进行了深度梳理。

很多同学都用过gensim，也听过“国王 - 男人 + 女人 = 王后”的经典例子，但 Word2vec 到底是怎么“炼”出来的？为什么有了 Skip-gram 还需要负采样（Negative Sampling）？如果不把这些逻辑串起来，面试时很容易卡壳。

这篇文章主打逻辑串联和直觉理解，带你从零推导 Google 是如何把人类语言的规律压缩进向量空间的。

1. 向量表示的直觉：从“性格测试”说起

我们先不谈 NLP，先谈谈如何用数字描述一个人。这对于理解“嵌入（Embedding）”至关重要。

1.1 逻辑链：从 ID 到 向量

逻辑链条

• 问题 / 动机：计算机只认数字，如何表示“张三”、“李四”这样复杂的人？
• 朴素方案（One-hot/ID）：给每个人发个身份证号（张三=1001，李四=1002）。
• 局限 / 失败点：ID 是独立的符号。1001 和 1002 在数学上很近，但在现实中，张三和李四可能毫无共同点。我们无法通过 ID 计算“相似度”。
• 改进思路（Vector/Embedding）：用一组“属性分数”来表示一个人。

1.2 直觉解释：人格嵌入示例

假设我们用 5 个维度来测评一个人（范围 -1 到 1）。就像心理学的大五人格测试（外向性、神经质等）：

此刻，“我”不再是一个 ID，而是一个向量([-0.2, 0.6, \dots, 0.1])。

一旦万物皆为向量，我们就可以用几何学的方法来衡量关系。判断两个人像不像，就是算两个向量夹角的余弦相似度 (Cosine Similarity)：

similarity=cos⁡(θ)=A⋅B∥A∥∥B∥ \text{similarity} = \cos(\theta) = \frac{A \cdot B}{\|A\| \|B\|}similarity=cos(θ)=∥A∥∥B∥A⋅B​

• 完全同向：值为 1（性格完全一致）。
• 正交（90度）：值为 0（毫无关系）。
• 反向（180度）：值为 -1（性格截然相反）。

2. 词嵌入（Word Embeddings）：语言的几何学

现在把“人”换成“词”。

2.1 词向量的可视化

在 NLP 中，我们无法预定义“外向性”这种明确的特征。我们让机器自己去学 50 维、300 维甚至更高维度的特征。

如果我们把单词 “King” 的向量打印出来，可能是一串看不懂的浮点数。但如果我们给数值上色（红色为正，蓝色为负），就能看到条带状的纹理。

• 观察发现：“Woman” 和 “Girl” 的色带纹理非常相似；“Man” 和 “Boy” 也很相似。
• 神奇之处：“Boy” 和 “Girl” 在某些特定维度上（可能代表“青春/幼年”的隐形特征）非常相似，但在代表“性别”的维度上截然不同。
  

2.2 著名的类比运算

向量空间最迷人的特性是线性代数运算具有语义含义：

King⃗−Man⃗+Woman⃗≈Queen⃗ \vec{King} - \vec{Man} + \vec{Woman} \approx \vec{Queen}King​−Man+Woman≈Queen​

这说明模型不仅把词变成了数字，还捕捉到了词与词之间平行的空间关系（Gender 维度的迁移）。

3. 语言模型：词向量的“训练场”

只要有了词向量，就能做很酷的事。但问题是：这堆数字最初是怎么得到的？

答案是：作为“预测下一个词”任务的副产品（Side Effect）。

3.1 神经语言模型 (Neural Language Model)

逻辑链条

• 问题 / 动机：我们需要一个能够预测下一个词的系统（比如手机输入法的联想功能）。
• 早期架构 (Bengio 2003)：
  1. 输入单词的 ID。
  2. 查表得到临时词向量。
  3. 输入神经网络（隐藏层）。
  4. 输出层做 Softmax，预测整个词表中每个词的概率。
• 关键点：为了让预测更准，模型会拼命调整第 2 步的“词向量矩阵”。训练完了，预测模型可能不重要，但这个矩阵就是我们想要的 Word Embeddings。

4. Word2vec 的核心架构：Skip-gram

虽然 Bengio 的模型能学到向量，但它太慢了，因为它主要想做完美的语言模型。Google 的 Word2vec 团队想：如果只为了得到向量，能不能把任务简化？

4.1 从“预测未来”到“扫描上下文”

逻辑链条

• 朴素方案：使用 CBOW（Continuous Bag of Words），根据周围词预测中心词。
• 改进思路（Skip-gram）：反其道而行之。给定一个中心词，去预测它周围的上下文词。
• 优势：Skip-gram 在处理生僻词时往往表现更好，因为每个词都被当做中心词单独训练过。

滑动窗口 (Sliding Window)机制是其灵魂：

假设句子是：The quick brown fox jumps over the lazy dog。
窗口大小 = 2（看前后各 2 个词）。

当窗口滑到“brown”时：

• 中心词 (Input):brown
• 上下文 (Targets):The,quick,fox,jumps

这就生成了 4 个训练样本对：

1. (brown,The)
2. (brown,quick)
3. (brown,fox)
4. (brown,jumps)

5. 效率革命：负采样 (Negative Sampling)

这是 Word2vec 最精彩、也最常被考到的地方。

5.1 为什么传统的 Softmax 行不通？

逻辑链条

• 问题 / 动机：我们的词表 (|V|) 可能有 100 万个词。
• 局限 / 失败点：在标准神经网络中，最后一层是 Softmax。为了计算brown预测fox的概率，分母需要把这 100 万个词的得分全部算一遍来进行归一化。
  [ P(w_o|w_i) = \frac{e^{{score}}{\sum_{j=1}}{1,000,000} e^{score_j}} ]
• 后果：每训练一个样本都要算 100 万次，训练几年都练不完。
• 改进思路（SGNS）：将“多分类问题”转化为“二分类问题”。

5.2 核心思想：把“找邻居”变成“判断题”

既然算 100 万个词太慢，那我们就不算全局概率了。我们把问题修改为：
“输入词 A 和输出词 B，是真正的邻居吗？”(Yes/No 问题)

为了训练这个二分类器，我们需要正样本和负样本：

• 正样本 (Positive)：从文本中真实滑动出来的。
  • Input:brown, Context:fox, Label:1
• 负样本 (Negative)：从词表中随机抽取几个不相干的词。
  • Input:brown, Context:taco(玉米卷), Label:0
  • Input:brown, Context:apple(苹果), Label:0

5.3 极速训练过程与公式

现在，模型变成了一个简单的逻辑回归（Logistic Regression）。给定输入词向量 (v_c) 和上下文词向量 (u_o)：

1. 点积（Dot Product）衡量相似度：
   z=vc⋅uo z = v_c \cdot u_oz=vc​⋅uo​
2. Sigmoid转换为概率：
   σ(z)=11+e−z \sigma(z) = \frac{1}{1 + e^{-z}}σ(z)=1+e−z1​
3. 计算误差与反向传播：
   Error=Target−σ(z) \text{Error} = \text{Target} - \sigma(z)Error=Target−σ(z)

这一下把计算量从 100 万次降到了 k+1 次（k 通常是 5）。这就是 Word2vec 能够在大规模语料上训练的原因。

6. 工程实践与超参数 (面试必读)

在实际炼丹（训练）时，有几个细节决定了词向量的质量。

6.1 窗口大小 (Window Size)

• 小窗口 (2-5)：
  • 模型只看极近的词。
  • 捕获的是功能性/句法性相似度。
  • 结果：Hogwarts和Oxford会很像（都是学校，语法功能一样）。Good和Bad也会很像（可以互换）。
• 大窗口 (15-50)：
  • 模型能看到更远的上下文。
  • 捕获的是主题性/语义性相似度。
  • 结果：Hogwarts会和Harry Potter,Wizard更近。

6.2 负样本数量 (Negative Samples, (k))

• 小数据集：建议 (k = 5 \sim 20)。数据少，需要多一点负样本来辅助学习。
• 大数据集：建议 (k = 2 \sim 5)。数据多，负样本给够压力就行。

6.3 高频词降采 (Subsampling)

像 “the”, “a”, “is” 这种词出现频率太高，也没啥实际含义。Word2vec 会用一个概率公式扔掉这些词：

P(wi)=1−tf(wi)P(w_i) = 1 - \sqrt{\frac{t}{f(w_i)}}P(wi​)=1−f(wi​)t​​

其中 (f(w_i)) 是词频，(t) 是阈值。这能让模型更关注“稀有但重要”的词。

7. 总结：Word2vec 的极简逻辑

如果你在面试中被问到 Word2vec，请按这个逻辑回答：

1. 目标：将词映射为稠密向量，捕捉语义。
2. 架构：采用Skip-gram，利用中心词预测上下文，利用海量文本自监督训练。
3. 优化：因为 Softmax 计算量太大，引入Negative Sampling。
4. 本质：通过区分“真实邻居”和“随机噪音”，强迫向量在空间中根据共现关系进行聚类。

下章预告
Word2vec 虽然经典，但它有一个致命缺陷：多义词问题（Bank 是银行还是河岸？）。同一个词只能有一个向量。这直接催生了后来的ELMo和BERT。我们下一章见！