有感於最近接觸到的一些關於深度學習的知識，遂打算找個東西來加深理解。首選的就是以前有過接觸，且火爆程度非同一般的word2vec。嚴格來說，word2vec的三層模型還不能算是完整意義上的深度學習，本人確實也是學術能力有限，就以此為例子，打算更全面的了解一下這個工具。在此期間，參考了[1][2][3]的博文，尤其以[1]的注釋較為精彩。本文不涉及太多原理，想要對word2vec有更深入的了解，可以閱讀Mikolov在2013年的兩篇文章[4][5]。同時文獻[6]對word2vec中的模型和一些小技巧進行了詳細說明。
目前來說，詞向量還是一個比較火的東西，今天還在微博上看到一些大牛在轉發斯坦福關於“深度學習和自然語言處理”的課程，里面就講到這些。同時，在參加老板組織的一個國際會議優秀論文報告會上也發現，今年(2015)的ACL和IJCAI也有一些關於詞向量的優質論文。詞向量，顧名思義，就是用一個向量來表示一個單詞，這個向量不是隨便的一個，而是根據單詞在語料中的上下文而產生，具有意義的向量。而word2vec就是根據語料來生成單詞向量的一個工具。生成單詞向量有什么用？最主要的一點就是用來計算相似度。直接計算兩個詞的余弦值便可以得到。還有一個用途就是機器翻譯，如圖1所示是英語的數字1-5和西班牙語的數字1-5的詞向量，經過主成份分析(PCA)在二維空間上的映射。可以發現，兩種語言的1-5對應的位置相差無幾，這說明兩種不同語言對應向量空間的結果之間具有相似性。當然，詞向量的作用還有很多很多，此處不一一介紹。
圖1. 五個詞在兩個向量空間中的位置
說實話，之前也看過一些word2vec的講義，大多是講數序模型，公式推導之類的。很難理清思路，看過兩三遍之后還是沒能理清他具體是怎么進行的，一開始最讓小白我困惑的是Skip-gram模型和CBOW模型，什么用上下文預測中間詞，用中間詞預測上下文，這語料哪涉及到預測啊！？后來看了源碼發現，其實這是模型訓練的一種思路，用這兩種思路進行調參。兩者的區別除了在於：
cbow模型是用上下文預測中間的詞，並且參數是用的上下文詞向量的和
skip-gram模型是中間的詞預測上下文，並且參數是中間詞的詞向量
下面小白我就對word2vec的源碼做一些解析，是在[1]的基礎上，結合了一些自己的理解。主要包含一些輔助函數的作用，參數的設置和訓練的過程：
#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#include <math.h>
#include <pthread.h>
// 一個word的最大長度
#define MAX_STRING 100
// 對f的運算結果進行緩存，存儲1000個，需要用的時候查表
#define EXP_TABLE_SIZE 1000
// 最大計算到6 (exp^6 / (exp^6 + 1))，最小計算到-6 (exp^-6 / (exp^-6 + 1))
#define MAX_EXP 6
// 定義最大的句子長度，句子以</s>結束，如果沒有結束符，則長度最長為1000
#define MAX_SENTENCE_LENGTH 1000
// 定義最長的霍夫曼編碼長度
#define MAX_CODE_LENGTH 40
// 哈希，線性探測，開放定址法，裝填系數0.7
const int vocab_hash_size = 30000000; // 詞庫中最多有30 * 0.7 = 21M個單詞
typedef float real; // 浮點數精度
struct vocab_word {
long long cn; // 單詞詞頻
int *point; // 霍夫曼樹中從根節點到該詞的路徑，存放路徑上每個非葉結點的索引
char *word, *code, codelen; // 分別是詞的字面，霍夫曼編碼，編碼長度
};
// 訓練文件、輸出文件名稱定義
char train_file[MAX_STRING], output_file[MAX_STRING];
// 詞匯表輸出文件和詞匯表讀入文件名稱定義
char save_vocab_file[MAX_STRING], read_vocab_file[MAX_STRING];
// 聲明詞匯表結構體
struct vocab_word *vocab;
// binary 0則vectors.bin輸出為二進制（默認），1則為文本形式
// cbow 1使用cbow框架，0使用skip-gram框架
// debug_mode 大於0，加載完畢后輸出匯總信息，大於1，加載訓練詞匯的時候輸出信息，訓練過程中輸出信息
// window 窗口大小，在cbow中表示了word vector的最大的sum范圍，在skip-gram中表示了max space between words（w1,w2,p(w1 | w2)）
// min_count 刪除長尾詞的詞頻標准
// num_threads 線程數
// min_reduce ReduceVocab刪除詞頻小於這個值的詞，因為哈希表總共可以裝填的詞匯數是有限的
int binary = 0, cbow = 0, debug_mode = 2, window = 5, min_count = 5, num_threads = 1, min_reduce = 1;
int *vocab_hash; // 詞匯表的hash存儲，下標是詞的hash，內容是詞在vocab中的位置，a[word_hash] = word index in vocab
// vocab_max_size 詞匯表的最大長度，動態擴增，每次擴1000
// vocab_size 詞匯表的現有長度，接近vocab_max_size的時候會擴容
// layer1_size 隱層的節點數/詞向量大小
long long vocab_max_size = 1000, vocab_size = 0, layer1_size = 100;
// train_words 訓練的單詞總數（詞頻累加）
// word_count_actual 已經訓練完的word個數
// file_size 訓練文件大小，ftell得到
// classes 輸出word clusters的類別數
long long train_words = 0, word_count_actual = 0, file_size = 0, classes = 0;
// alpha BP算法的學習速率，過程中自動調整
// starting_alpha 初始alpha值
// sample 亞采樣概率的參數，亞采樣的目的是以一定概率拒絕高頻詞，使得低頻詞有更多出鏡率，默認為0，即不進行亞采樣
real alpha = 0.025, starting_alpha, sample = 0;
// syn0 單詞的向量輸入 concatenate word vectors
// syn1 hs(hierarchical softmax)算法中隱層節點到霍夫曼編碼樹非葉結點的映射權重
// syn1neg ns(negative sampling)中隱層節點到分類問題的映射權重
// expTable 預先存儲f函數結果，算法執行中查表
real *syn0, *syn1, *syn1neg, *expTable;
// start 算法運行的起始時間，會用於計算平均每秒鍾處理多少詞
clock_t start;
// hs 采用hs還是ns的標志位，默認采用hs
int hs = 1, negative = 0;
// table_size 靜態采樣表的規模
// table 采樣表
const int table_size = 1e8;
int *table;
// 根據詞頻生成采樣表，詞頻越高，占據在表中的數目越大，用於表示詞頻分布
void InitUnigramTable() {
int a, i;
long long train_words_pow = 0;
real d1, power = 0.75; // 概率與詞頻的power次方成正比
table = (int *)malloc(table_size * sizeof(int));
for (a = 0; a < vocab_size; a++) train_words_pow += pow(vocab[a].cn, power);
i = 0;
d1 = pow(vocab[i].cn, power) / (real)train_words_pow; // 第一個詞出現的概率
for (a = 0; a < table_size; a++) {
table[a] = i;
if (a / (real)table_size > d1) {
i++;
d1 += pow(vocab[i].cn, power) / (real)train_words_pow;
}
if (i >= vocab_size) i = vocab_size - 1; // 處理最后一段概率，防止越界
}
}
// Reads a single word from a file, assuming space + tab + EOL to be word boundaries
// 每次從fin中讀取一個單詞
void ReadWord(char *word, FILE *fin) {
int a = 0, ch;
while (!feof(fin)) {
ch = fgetc(fin);
if (ch == 13) continue;
// ASCII值為8、9、10 和13 分別轉換為退格、制表、換行和回車字符
if ((ch == ' ') || (ch == '\t') || (ch == '\n')) { // 詞的分隔符
if (a > 0) {
if (ch == '\n')
ungetc(ch, fin); // 把一個字符回退到輸入流中
break;
}
if (ch == '\n') {
strcpy(word, (char *)"</s>");
return;
} else continue;
}
word[a] = ch;
a++;
if (a >= MAX_STRING - 1)
a--; // 如果單詞過長
}
word[a] = 0;
}
// 獲取單詞的哈希值
int GetWordHash(char *word) {
unsigned long long a, hash = 0;
for (a = 0; a < strlen(word); a++)
hash = hash * 257 + word[a]; // hash計算方法
hash = hash % vocab_hash_size;
return hash;
}
// Returns position of a word in the vocabulary; if the word is not found, returns -1
// 線性探索，開放定址法
int SearchVocab(char *word) {
unsigned int hash = GetWordHash(word);
while (1) {
if (vocab_hash[hash] == -1) return -1; // 沒有這個詞
if (!strcmp(word, vocab[vocab_hash[hash]].word)) return vocab_hash[hash]; // 返回單詞在詞匯表中的索引
hash = (hash + 1) % vocab_hash_size;
}
return -1; // 應該到不了這里吧……
}
// 獲取單詞的索引值
int ReadWordIndex(FILE *fin) {
char word[MAX_STRING];
ReadWord(word, fin);
if (feof(fin)) return -1;
return SearchVocab(word);
}
// 將單詞添加到詞匯表中
int AddWordToVocab(char *word) {
unsigned int hash, length = strlen(word) + 1;
if (length > MAX_STRING) length = MAX_STRING;
vocab[vocab_size].word = (char *)calloc(length, sizeof(char)); // 單詞存儲
strcpy(vocab[vocab_size].word, word);
vocab[vocab_size].cn = 0; // 在調用函數之外賦值1
vocab_size++; // 詞匯表現有單詞數
// Reallocate memory if needed
if (vocab_size + 2 >= vocab_max_size) {
vocab_max_size += 1000; // 每次增加1000個詞位
vocab = (struct vocab_word *)realloc(vocab, vocab_max_size * sizeof(struct vocab_word));
}
hash = GetWordHash(word); // 獲得hash表示
while (vocab_hash[hash] != -1)
hash = (hash + 1) % vocab_hash_size; // 線性探索hash
vocab_hash[hash] = vocab_size - 1; // 記錄在詞匯表中的存儲位置
return vocab_size - 1; // 返回添加的單詞在詞匯表中的存儲位置
}
// 比較函數，詞匯表需使用詞頻進行排序(qsort)
int VocabCompare(const void *a, const void *b) {
return ((struct vocab_word *)b)->cn - ((struct vocab_word *)a)->cn;
}
// 對單詞按照詞頻排序
void SortVocab() {
int a, size;
unsigned int hash;
// Sort the vocabulary and keep </s> at the first position
// 保留回車在首位
qsort(&vocab[1], vocab_size - 1, sizeof(struct vocab_word), VocabCompare); // 對詞匯表進行快速排序
for (a = 0; a < vocab_hash_size; a++) vocab_hash[a] = -1; // 詞匯重排了，哈希記錄的index也亂了，所有的hash記錄清除，下面會重建
size = vocab_size;
train_words = 0; // 用於訓練的詞匯總數（詞頻累加）
for (a = 0; a < size; a++) {
// Words occuring less than min_count times will be discarded from the vocab
if (vocab[a].cn < min_count) { // 清除長尾詞
vocab_size--;
free(vocab[vocab_size].word);
} else {
// Hash will be re-computed, as after the sorting it is not actual
hash=GetWordHash(vocab[a].word);
while (vocab_hash[hash] != -1)
hash = (hash + 1) % vocab_hash_size;
vocab_hash[hash] = a;
train_words += vocab[a].cn; // 詞頻累加
}
}
vocab = (struct vocab_word *)realloc(vocab, (vocab_size + 1) * sizeof(struct vocab_word)); // 分配的多余空間收回
// 給霍夫曼編碼和路徑的詞匯表索引分配空間
for (a = 0; a < vocab_size; a++) {
vocab[a].code = (char *)calloc(MAX_CODE_LENGTH, sizeof(char));
vocab[a].point = (int *)calloc(MAX_CODE_LENGTH, sizeof(int));
}
}
此處，有些人可能不理解為什么要重排。這里我就列一下單詞和哈希值在代碼里面的數據關系，就比較好理解了。所以一旦單詞表重排，單詞的位置相應改變，哈希記錄表vocab_hash就要重新構造。
// 刪除詞頻不大於min_reduce的詞
void ReduceVocab() {
int a, b = 0;
unsigned int hash;
for (a = 0; a < vocab_size; a++){
if (vocab[a].cn > min_reduce) {
vocab[b].cn = vocab[a].cn;
vocab[b].word = vocab[a].word;
b++;
} else free(vocab[a].word);
vocab_size = b; // 最后剩下b個詞，詞頻均大於min_reduce
// 重新分配hash索引
for (a = 0; a < vocab_hash_size; a++) vocab_hash[a] = -1;
for (a = 0; a < vocab_size; a++) {
// Hash will be re-computed, as it is not actual
hash = GetWordHash(vocab[a].word);
while (vocab_hash[hash] != -1)
hash = (hash + 1) % vocab_hash_size;
vocab_hash[hash] = a;
}
fflush(stdout);
min_reduce++;
}
// 根據詞頻生成霍夫曼樹
void CreateBinaryTree() {
long long a, b, i, min1i, min2i, pos1, pos2, point[MAX_CODE_LENGTH]; // 最長的編碼值
char code[MAX_CODE_LENGTH];
//詞頻記錄，前一半是葉子節點，即文本中單詞的詞頻，后一半是非葉子節點的詞頻
long long *count = (long long *)calloc(vocab_size * 2 + 1, sizeof(long long));
//記錄哈夫曼編碼的逆序，因為是從底向上構建的
long long *binary = (long long *)calloc(vocab_size * 2 + 1, sizeof(long long));
//記錄節點的父節點
long long *parent_node = (long long *)calloc(vocab_size * 2 + 1, sizeof(long long));
for (a = 0; a < vocab_size; a++)
count[a] = vocab[a].cn;
for (a = vocab_size; a < vocab_size * 2; a++)
count[a] = 1e15;
pos1 = vocab_size - 1;
pos2 = vocab_size;
// Following algorithm constructs the Huffman tree by adding one node at a time
for (a = 0; a < vocab_size - 1; a++) {
// 每次尋找兩個最小的點做合並，最小的點的分支為0，詞小的點的分支為1
//由於是已經按照詞頻高低排好序的，最后的兩個單詞就是詞頻最低的
//pos1控制葉子節點，pos2控制非葉子節點
//min1i是左分支，min2i是右分支
if (pos1 >= 0) {
if (count[pos1] < count[pos2]) {
min1i = pos1;
pos1--;
} else {
min1i = pos2;
pos2++;
}
} else {
min1i = pos2;
pos2++;
}
if (pos1 >= 0) {
if (count[pos1] < count[pos2]) {
min2i = pos1;
pos1--;
} else {
min2i = pos2;
pos2++;
}
} else {
min2i = pos2;
pos2++;
}
count[vocab_size + a] = count[min1i] + count[min2i];
parent_node[min1i] = vocab_size + a;
parent_node[min2i] = vocab_size + a;
binary[min2i] = 1;
}
// Now assign binary code to each vocabulary word
// 順着父子關系找回編碼
for (a = 0; a < vocab_size; a++) {
b = a;
i = 0;
while (1) {
code[i] = binary[b]; // 編碼賦值
point[i] = b; // 路徑賦值，第一個是自己
i++; // 碼個數
b = parent_node[b];
if (b == vocab_size * 2 - 2) break;
}
// 以下要注意的是，同樣的位置，point總比code深一層
vocab[a].codelen = i; // 編碼長度賦值，少1，沒有算根節點
vocab[a].point[0] = vocab_size - 2; // 逆序，把第一個賦值為root（即2*vocab_size - 2 - vocab_size）
for (b = 0; b < i; b++) { // 逆序處理
vocab[a].code[i - b - 1] = code[b]; // 編碼逆序，沒有根節點，左子樹0，右子樹1
vocab[a].point[i - b] = point[b] - vocab_size; // 其實point數組最后一個是負的，用不到，point的長度是編碼的真正長度，比code長1
}
}
free(count);
free(binary);
free(parent_node);
}
// 裝載訓練文件到詞匯表數據結構
void LearnVocabFromTrainFile() {
char word[MAX_STRING];
FILE *fin;
long long a, i;
for (a = 0; a < vocab_hash_size; a++) vocab_hash[a] = -1;
fin = fopen(train_file, "rb");
if (fin == NULL) {
printf("ERROR: training data file not found!\n");
exit(1);
}
vocab_size = 0;
AddWordToVocab((char *)"</s>"); // 首先添加的是回車
while (1) {
ReadWord(word, fin);
if (feof(fin)) break;
train_words++;
if ((debug_mode > 1) && (train_words % 100000 == 0)) {
printf("%lldK%c", train_words / 1000, 13);
fflush(stdout);
}
i = SearchVocab(word);
if (i == -1) { // 如果這個單詞不存在，我們將其加入hash表
a = AddWordToVocab(word);
vocab[a].cn = 1;
} else vocab[i].cn++; // 否則詞頻加一
if (vocab_size > vocab_hash_size * 0.7) ReduceVocab(); // 如果超出裝填系數，將詞匯表擴容
}
SortVocab(); // 所有詞匯加載完畢后進行排序，詞頻高的靠前
if (debug_mode > 0) {
printf("Vocab size: %lld\n", vocab_size);
printf("Words in train file: %lld\n", train_words);
}
file_size = ftell(fin); // 文件大小
fclose(fin);
}
// 輸出單詞和詞頻到文件
void SaveVocab() {
long long i;
FILE *fo = fopen(save_vocab_file, "wb");
for (i = 0; i < vocab_size; i++) fprintf(fo, "%s %lld\n", vocab[i].word, vocab[i].cn);
fclose(fo);
}
// 讀入詞匯表文件到詞匯表數據結構
void ReadVocab() {
long long a, i = 0;
char c;
char word[MAX_STRING];
FILE *fin = fopen(read_vocab_file, "rb");
if (fin == NULL) {
printf("Vocabulary file not found\n");
exit(1);
}
for (a = 0; a < vocab_hash_size; a++) vocab_hash[a] = -1;
vocab_size = 0;
while (1) {
ReadWord(word, fin);
if (feof(fin)) break;
a = AddWordToVocab(word);
fscanf(fin, "%lld%c", &vocab[a].cn, &c);
i++;
}
SortVocab();
if (debug_mode > 0) {
printf("Vocab size: %lld\n", vocab_size);
printf("Words in train file: %lld\n", train_words);
}
fin = fopen(train_file, "rb"); // 還得打開以下訓練文件好知道文件大小是多少
if (fin == NULL) {
printf("ERROR: training data file not found!\n");
exit(1);
}
fseek(fin, 0, SEEK_END);
file_size = ftell(fin);
fclose(fin);
}
// 網絡結構初始化，就是把所有參數初始化
void InitNet() {
long long a, b;
// posix_memalign() 成功時會返回size字節的動態內存，並且這塊內存的地址是alignment(這里是128)的倍數
// syn0 存儲的是就是單詞向量
a = posix_memalign((void **)&syn0, 128, (long long)vocab_size * layer1_size * sizeof(real));
if (syn0 == NULL) {printf("Memory allocation failed\n"); exit(1);}
if (hs) { // hierarchical softmax
// hs中，用syn1
a = posix_memalign((void **)&syn1, 128, (long long)vocab_size * layer1_size * sizeof(real));
if (syn1 == NULL) {printf("Memory allocation failed\n"); exit(1);}
for (b = 0; b < layer1_size; b++)
for (a = 0; a < vocab_size; a++)
syn1[a * layer1_size + b] = 0;
}
if (negative>0) { // negative sampling
// ns中，用syn1neg
a = posix_memalign((void **)&syn1neg, 128, (long long)vocab_size * layer1_size * sizeof(real));
if (syn1neg == NULL) {printf("Memory allocation failed\n"); exit(1);}
for (b = 0; b < layer1_size; b++)
for (a = 0; a < vocab_size; a++)
syn1neg[a * layer1_size + b] = 0;
}
for (b = 0; b < layer1_size; b++)
for (a = 0; a < vocab_size; a++)
syn0[a * layer1_size + b] = (rand() / (real)RAND_MAX - 0.5) / layer1_size; // 隨機初始化word vectors
CreateBinaryTree(); // 創建霍夫曼樹
}
void *TrainModelThread(void *id) {
// word 向sen中添加單詞用，句子完成后表示句子中的當前單詞
// last_word 上一個單詞，輔助掃描窗口
// sentence_length 當前句子的長度（單詞數）
// sentence_position 當前單詞在當前句子中的index
long long a, b, d, word, last_word, sentence_length = 0, sentence_position = 0;
// word_count 已訓練語料總長度
// last_word_count 保存值，以便在新訓練語料長度超過某個值時輸出信息
// sen 單詞數組，表示句子
long long word_count = 0, last_word_count = 0, sen[MAX_SENTENCE_LENGTH + 1];
// l1 ns中表示word在concatenated word vectors中的起始位置，之后layer1_size是對應的word vector，因為把矩陣拉成長向量了
// l2 cbow或ns中權重向量的起始位置，之后layer1_size是對應的syn1或syn1neg，因為把矩陣拉成長向量了
// c 循環中的計數作用
// target ns中當前的sample
// label ns中當前sample的label
long long l1, l2, c, target, label;
// id 線程創建的時候傳入，輔助隨機數生成
unsigned long long next_random = (long long)id;
// f e^x / (1/e^x)，fs中指當前編碼為是0（父親的左子節點為0，右為1）的概率，ns中指label是1的概率
// g 誤差(f與真實值的偏離)與學習速率的乘積
real f, g;
// 當前時間，和start比較計算算法效率
clock_t now;
real *neu1 = (real *)calloc(layer1_size, sizeof(real)); // 隱層節點
real *neu1e = (real *)calloc(layer1_size, sizeof(real)); // 誤差累計項，其實對應的是Gneu1
FILE *fi = fopen(train_file, "rb");
fseek(fi, file_size / (long long)num_threads * (long long)id, SEEK_SET); // 將文件內容分配給各個線程
while (1) {
if (word_count - last_word_count > 10000) {
word_count_actual += word_count - last_word_count;
last_word_count = word_count;
if ((debug_mode > 1)) {
now=clock();
printf("%cAlpha: %f Progress: %.2f%% Words/thread/sec: %.2fk ", 13, alpha,
word_count_actual / (real)(train_words + 1) * 100,
word_count_actual / ((real)(now - start + 1) / (real)CLOCKS_PER_SEC * 1000));
fflush(stdout);
}
alpha = starting_alpha * (1 - word_count_actual / (real)(train_words + 1)); // 自動調整學習速率
if (alpha < starting_alpha * 0.0001) alpha = starting_alpha * 0.0001; // 學習速率有下限
}
if (sentence_length == 0) { // 如果當前句子長度為0
while (1) {
word = ReadWordIndex(fi);
if (feof(fi)) break; // 讀到文件末尾
if (word == -1) continue; // 沒有這個單詞
word_count++; // 單詞計數增加
if (word == 0) break; // 是個回車
// 這里的亞采樣是指 Sub-Sampling，Mikolov 在論文指出這種亞采樣能夠帶來 2 到 10 倍的性能提升，並能夠提升低頻詞的表示精度。
// 低頻詞被丟棄概率低，高頻詞被丟棄概率高
if (sample > 0) {
real ran = (sqrt(vocab[word].cn / (sample * train_words)) + 1) * (sample * train_words) / vocab[word].cn;
next_random = next_random * (unsigned long long)25214903917 + 11;
if (ran < (next_random & 0xFFFF) / (real)65536) continue;
}
sen[sentence_length] = word;
sentence_length++;
if (sentence_length >= MAX_SENTENCE_LENGTH) break;
}
sentence_position = 0; // 當前單詞在當前句中的index，起始值為0
}
if (feof(fi)) break; // 照應while中的break，如果讀到末尾，退出
if (word_count > train_words / num_threads) break; // 已經做到了一個thread應盡的工作量，就退出
word = sen[sentence_position]; // 取句子中的第一個單詞，開始運行BP算法
if (word == -1) continue; // 如果沒有這個單詞，則繼續
// 隱層節點值和隱層節點誤差累計項清零
for (c = 0; c < layer1_size; c++) neu1[c] = 0;
for (c = 0; c < layer1_size; c++) neu1e[c] = 0;
next_random = next_random * (unsigned long long)25214903917 + 11;
b = next_random % window; // b是個隨機數，0到window-1，指定了本次算法操作實際的窗口大小
// cbow 框架
if (cbow) { //train the cbow architecture
// in -> hidden
// 從輸入層到隱層所進行的操作實際就是窗口內上下文向量的加和
for (a = b; a < window * 2 + 1 - b; a++) if (a != window) {
c = sentence_position - window + a;
if (c < 0) continue;
if (c >= sentence_length) continue;
last_word = sen[c];
if (last_word == -1) continue; // 這個單詞沒有
for (c = 0; c < layer1_size; c++) neu1[c] += syn0[c + last_word * layer1_size];
}
// hs
if (hs) for (d = 0; d < vocab[word].codelen; d++) { // 這里的codelen其實是少一個的，所以不會觸及point里面最后一個負數
f = 0;
l2 = vocab[word].point[d] * layer1_size; // 路徑上的點
// Propagate hidden -> output
// 准備計算f
for (c = 0; c < layer1_size; c++) f += neu1[c] * syn1[c + l2];
// 不在expTable內的舍棄掉，作者說計算精度有限，怕有不好印象，但這里改成太小的都是0，太大的都是1，運行結果還是有差別的
// if (f <= -MAX_EXP) continue;
// else if (f >= MAX_EXP) continue;
if (f <= -MAX_EXP) f = 0;
else if (f >= MAX_EXP) f = 1;
// 從expTable中查找，快速計算
else f = expTable[(int)((f + MAX_EXP) * (EXP_TABLE_SIZE / MAX_EXP / 2))];
// g 實際為負梯度中公共的部分與 Learning rate alpha 的乘積
g = (1 - vocab[word].code[d] - f) * alpha;
// Propagate errors output -> hidden
// 記錄累積誤差項
for (c = 0; c < layer1_size; c++) neu1e[c] += g * syn1[c + l2];
// Learn weights hidden -> output
// 更新隱層到霍夫曼樹非葉節點的權重
for (c = 0; c < layer1_size; c++) syn1[c + l2] += g * neu1[c];
}
// NEGATIVE SAMPLING
if (negative > 0) for (d = 0; d < negative + 1; d++) {
if (d == 0) { // 當前詞的分類器應當輸出1
target = word;
label = 1;
} else { // 采樣使得與target不同，不然continue，label為0，也即最多采樣negative個negative sample
next_random = next_random * (unsigned long long)25214903917 + 11;
target = table[(next_random >> 16) % table_size];
if (target == 0) target = next_random % (vocab_size - 1) + 1;
if (target == word) continue;
label = 0;
}
l2 = target * layer1_size;
f = 0;
for (c = 0; c < layer1_size; c++) f += neu1[c] * syn1neg[c + l2];
// 這里直接上0、1，沒有考慮計算精度問題
if (f > MAX_EXP) g = (label - 1) * alpha;
else if (f < -MAX_EXP) g = (label - 0) * alpha;
// g 並非梯度，可以看做是一個乘了學習率的 error(label與輸出f的差)。損失函數Loss=-log Likehood = -label•logf-(1-lable)•log(1-f)，推導同上。
else g = (label - expTable[(int)((f + MAX_EXP) * (EXP_TABLE_SIZE / MAX_EXP / 2))]) * alpha;
for (c = 0; c < layer1_size; c++) neu1e[c] += g * syn1neg[c + l2];
for (c = 0; c < layer1_size; c++) syn1neg[c + l2] += g * neu1[c];
}
// hidden -> in
// 根據隱層節點累積誤差項，更新word vectors
for (a = b; a < window * 2 + 1 - b; a++) if (a != window) {
c = sentence_position - window + a;
if (c < 0) continue;
if (c >= sentence_length) continue;
last_word = sen[c];
if (last_word == -1) continue;
for (c = 0; c < layer1_size; c++) syn0[c + last_word * layer1_size] += neu1e[c];
}
} else { //train skip-gram
for (a = b; a < window * 2 + 1 - b; a++) if (a != window) { // 預測非中心的單詞（鄰域內的單詞）
c = sentence_position - window + a;
if (c < 0) continue;
if (c >= sentence_length) continue;
last_word = sen[c];
if (last_word == -1) continue;
l1 = last_word * layer1_size;
// 每次循環neu1e都被置零了
for (c = 0; c < layer1_size; c++) neu1e[c] = 0;
// HIERARCHICAL SOFTMAX
if (hs) for (d = 0; d < vocab[word].codelen; d++) {
f = 0;
l2 = vocab[word].point[d] * layer1_size;
// Propagate hidden -> output
// 待預測單詞的 word vecotr 和 隱層-霍夫曼樹非葉節點權重 的內積
for (c = 0; c < layer1_size; c++) f += syn0[c + l1] * syn1[c + l2];
// 同cbow中hs的討論
// if (f <= -MAX_EXP) continue;
// else if (f >= MAX_EXP) continue;
if (f <= -MAX_EXP) f = 0;
else if (f >= MAX_EXP) f = 1;
// 以下內容同之前的cbow
else f = expTable[(int)((f + MAX_EXP) * (EXP_TABLE_SIZE / MAX_EXP / 2))];
// g 就是梯度中的公共部分與學習率的乘積，此處損失函數的計算方式有別於CBOW模型，具體參考文獻[6]。
g = (1 - vocab[word].code[d] - f) * alpha; // 這里的code[d]其實是下一層的，code錯位了，point和code是錯位的！
// Propagate errors output -> hidden
for (c = 0; c < layer1_size; c++) neu1e[c] += g * syn1[c + l2];
// Learn weights hidden -> output
for (c = 0; c < layer1_size; c++) syn1[c + l2] += g * syn0[c + l1];
}
// NEGATIVE SAMPLING
if (negative > 0) for (d = 0; d < negative + 1; d++) {
if (d == 0) {
target = word;
label = 1;
} else {
next_random = next_random * (unsigned long long)25214903917 + 11;
target = table[(next_random >> 16) % table_size];
if (target == 0) target = next_random % (vocab_size - 1) + 1;
if (target == word) continue;
label = 0;
}
l2 = target * layer1_size;
f = 0;
for (c = 0; c < layer1_size; c++) f += syn0[c + l1] * syn1neg[c + l2];
// 以下內容同之前的cbow
if (f > MAX_EXP) g = (label - 1) * alpha;
else if (f < -MAX_EXP) g = (label - 0) * alpha;
else g = (label - expTable[(int)((f + MAX_EXP) * (EXP_TABLE_SIZE / MAX_EXP / 2))]) * alpha;
for (c = 0; c < layer1_size; c++) neu1e[c] += g * syn1neg[c + l2];
for (c = 0; c < layer1_size; c++) syn1neg[c + l2] += g * syn0[c + l1];
}
// Learn weights input -> hidden
for (c = 0; c < layer1_size; c++) syn0[c + l1] += neu1e[c];
}
}
sentence_position++;
if (sentence_position >= sentence_length) {
sentence_length = 0;
continue;
}
}
fclose(fi);
free(neu1);
free(neu1e);
pthread_exit(NULL);
}
void TrainModel() {
long a, b, c, d;
FILE *fo;
// 創建多線程
pthread_t *pt = (pthread_t *)malloc(num_threads * sizeof(pthread_t));
printf("Starting training using file %s\n", train_file);
starting_alpha = alpha;
// 優先從詞匯表文件中加載，否則從訓練文件中加載
if (read_vocab_file[0] != 0) ReadVocab(); else LearnVocabFromTrainFile();
// 輸出詞匯表文件，詞+詞頻
if (save_vocab_file[0] != 0) SaveVocab();
if (output_file[0] == 0) return;
InitNet(); // 網絡結構初始化
if (negative > 0) InitUnigramTable(); // 根據詞頻生成采樣映射
start = clock(); // 開始計時
for (a = 0; a < num_threads; a++) pthread_create(&pt[a], NULL, TrainModelThread, (void *)a);
for (a = 0; a < num_threads; a++) pthread_join(pt[a], NULL);
// 訓練結束，准備輸出
fo = fopen(output_file, "wb");
if (classes == 0) { // 保存 word vectors
// Save the word vectors
fprintf(fo, "%lld %lld\n", vocab_size, layer1_size); // 詞匯量，vector維數
for (a = 0; a < vocab_size; a++) {
fprintf(fo, "%s ", vocab[a].word);
if (binary) for (b = 0; b < layer1_size; b++) fwrite(&syn0[a * layer1_size + b], sizeof(real), 1, fo);
else for (b = 0; b < layer1_size; b++) fprintf(fo, "%lf ", syn0[a * layer1_size + b]);
fprintf(fo, "\n");
}
} else {
// Run K-means on the word vectors
// 運行K-means算法
int clcn = classes, iter = 10, closeid;
int *centcn = (int *)malloc(classes * sizeof(int));
int *cl = (int *)calloc(vocab_size, sizeof(int));
real closev, x;
real *cent = (real *)calloc(classes * layer1_size, sizeof(real));
for (a = 0; a < vocab_size; a++) cl[a] = a % clcn;
for (a = 0; a < iter; a++) {
for (b = 0; b < clcn * layer1_size; b++) cent[b] = 0;
for (b = 0; b < clcn; b++) centcn[b] = 1;
for (c = 0; c < vocab_size; c++) {
for (d = 0; d < layer1_size; d++) cent[layer1_size * cl[c] + d] += syn0[c * layer1_size + d];
centcn[cl[c]]++;
}
for (b = 0; b < clcn; b++) {
closev = 0;
for (c = 0; c < layer1_size; c++) {
cent[layer1_size * b + c] /= centcn[b];
closev += cent[layer1_size * b + c] * cent[layer1_size * b + c];
}
closev = sqrt(closev);
for (c = 0; c < layer1_size; c++) cent[layer1_size * b + c] /= closev;
}
for (c = 0; c < vocab_size; c++) {
closev = -10;
closeid = 0;
for (d = 0; d < clcn; d++) {
x = 0;
for (b = 0; b < layer1_size; b++) x += cent[layer1_size * d + b] * syn0[c * layer1_size + b];
if (x > closev) {
closev = x;
closeid = d;
}
}
cl[c] = closeid;
}
}
// Save the K-means classes
for (a = 0; a < vocab_size; a++) fprintf(fo, "%s %d\n", vocab[a].word, cl[a]);
free(centcn);
free(cent);
free(cl);
}
fclose(fo);
}
int ArgPos(char *str, int argc, char **argv) {
int a;
for (a = 1; a < argc; a++) if (!strcmp(str, argv[a])) {
if (a == argc - 1) {
printf("Argument missing for %s\n", str);
exit(1);
}
return a;
}
return -1;
}
int main(int argc, char **argv) {
int i;
if (argc == 1) {
printf("WORD VECTOR estimation toolkit v 0.1b\n\n");
printf("Options:\n");
printf("Parameters for training:\n");
printf("\t-train <file>\n"); // 指定訓練文件
printf("\t\tUse text data from <file> to train the model\n");
printf("\t-output <file>\n"); // 指定輸出文件，以存儲word vectors，或者單詞類
printf("\t\tUse <file> to save the resulting word vectors / word clusters\n");
printf("\t-size <int>\n"); // word vector的維數，對應 layer1_size，默認是100
printf("\t\tSet size of word vectors; default is 100\n");
// 窗口大小，在cbow中表示了word vector的最大的疊加范圍，在skip-gram中表示了max space between words（w1,w2,p(w1 | w2)）
printf("\t-window <int>\n");
printf("\t\tSet max skip length between words; default is 5\n");
printf("\t-sample <float>\n"); // 亞采樣拒絕概率的參數
printf("\t\tSet threshold for occurrence of words. Those that appear with higher frequency");
printf(" in the training data will be randomly down-sampled; default is 0 (off), useful value is 1e-5\n");
printf("\t-hs <int>\n"); // 使用hs求解，默認為1
printf("\t\tUse Hierarchical Softmax; default is 1 (0 = not used)\n");
printf("\t-negative <int>\n"); // 使用ns的時候采樣的樣本數
printf("\t\tNumber of negative examples; default is 0, common values are 5 - 10 (0 = not used)\n");
printf("\t-threads <int>\n"); // 指定線程數
printf("\t\tUse <int> threads (default 1)\n");
printf("\t-min-count <int>\n"); // 長尾詞的詞頻閾值
printf("\t\tThis will discard words that appear less than <int> times; default is 5\n");
printf("\t-alpha <float>\n"); // 初始的學習速率，默認為0.025
printf("\t\tSet the starting learning rate; default is 0.025\n");
printf("\t-classes <int>\n"); // 輸出單詞類別數，默認為0，也即不輸出單詞類
printf("\t\tOutput word classes rather than word vectors; default number of classes is 0 (vectors are written)\n");
printf("\t-debug <int>\n"); // 調試等級，默認為2
printf("\t\tSet the debug mode (default = 2 = more info during training)\n");
printf("\t-binary <int>\n"); // 是否將結果輸出為二進制文件，默認為0，即不輸出為二進制
printf("\t\tSave the resulting vectors in binary moded; default is 0 (off)\n");
printf("\t-save-vocab <file>\n"); // 詞匯表存儲文件
printf("\t\tThe vocabulary will be saved to <file>\n");
printf("\t-read-vocab <file>\n"); // 詞匯表加載文件，則可以不指定trainfile
printf("\t\tThe vocabulary will be read from <file>, not constructed from the training data\n");
printf("\t-cbow <int>\n"); // 使用cbow框架
printf("\t\tUse the continuous bag of words model; default is 0 (skip-gram model)\n");
printf("\nExamples:\n"); // 使用示例
printf("./word2vec -train data.txt -output vec.txt -debug 2 -size 200 -window 5 -sample 1e-4 -negative 5 -hs 0 -binary 0 -cbow 1\n\n");
return 0;
}
// 文件名均空
output_file[0] = 0;
save_vocab_file[0] = 0;
read_vocab_file[0] = 0;
// 參數與變量的對應關系
if ((i = ArgPos((char *)"-size", argc, argv)) > 0) layer1_size = atoi(argv[i + 1]);
if ((i = ArgPos((char *)"-train", argc, argv)) > 0) strcpy(train_file, argv[i + 1]);
if ((i = ArgPos((char *)"-save-vocab", argc, argv)) > 0) strcpy(save_vocab_file, argv[i + 1]);
if ((i = ArgPos((char *)"-read-vocab", argc, argv)) > 0) strcpy(read_vocab_file, argv[i + 1]);
if ((i = ArgPos((char *)"-debug", argc, argv)) > 0) debug_mode = atoi(argv[i + 1]);
if ((i = ArgPos((char *)"-binary", argc, argv)) > 0) binary = atoi(argv[i + 1]);
if ((i = ArgPos((char *)"-cbow", argc, argv)) > 0) cbow = atoi(argv[i + 1]);
if ((i = ArgPos((char *)"-alpha", argc, argv)) > 0) alpha = atof(argv[i + 1]);
if ((i = ArgPos((char *)"-output", argc, argv)) > 0) strcpy(output_file, argv[i + 1]);
if ((i = ArgPos((char *)"-window", argc, argv)) > 0) window = atoi(argv[i + 1]);
if ((i = ArgPos((char *)"-sample", argc, argv)) > 0) sample = atof(argv[i + 1]);
if ((i = ArgPos((char *)"-hs", argc, argv)) > 0) hs = atoi(argv[i + 1]);
if ((i = ArgPos((char *)"-negative", argc, argv)) > 0) negative = atoi(argv[i + 1]);
if ((i = ArgPos((char *)"-threads", argc, argv)) > 0) num_threads = atoi(argv[i + 1]);
if ((i = ArgPos((char *)"-min-count", argc, argv)) > 0) min_count = atoi(argv[i + 1]);
if ((i = ArgPos((char *)"-classes", argc, argv)) > 0) classes = atoi(argv[i + 1]);
vocab = (struct vocab_word *)calloc(vocab_max_size, sizeof(struct vocab_word));
vocab_hash = (int *)calloc(vocab_hash_size, sizeof(int));
expTable = (real *)malloc((EXP_TABLE_SIZE + 1) * sizeof(real));
// 提前產生e^-6 到 e^6 之間的f值 ，便於提高運算效率
for (i = 0; i < EXP_TABLE_SIZE; i++) {
expTable[i] = exp((i / (real)EXP_TABLE_SIZE * 2 - 1) * MAX_EXP); // Precompute the exp() table
expTable[i] = expTable[i] / (expTable[i] + 1); // Precompute f(x) = x / (x + 1)
}
TrainModel();
return 0;
}
[1] http://blog.sina.com.cn/s/blog_64ac3ab10102uwjo.html
[2] http://xiaoquanzi.net/?p=156
[3] http://bbs.byr.cn/#!article/ML_DM/12813?au=wechat
[4] Mikolov T, Sutskever I, Chen K, et al. Distributed representations of words and phrases and t heir compositionality[C]//Advances in Neural Information Processing Systems. 2013: 3111-3119.
[5] Mikolov T, Chen K, Corrado G, et al. Efficient estimation of word representations in vector space[J]. arXiv preprint arXiv:1301.3781, 2013.
[6] http://techblog.youdao.com/?p=915