网站搭建修改收费依据google谷歌搜索引擎

CBOW和skip-gram的目标都是迭代出词向量字典（嵌入矩阵）——embeddings

CBOW连续词袋模型

根据上下文词汇预测目标词汇

例子

使用study的上下文，表示出study

例句：We are about to study the idea of deep learning.

1. 某个词的上下文，需要提前设置一个上下文窗口长度

窗口长度为1：We are about to study the idea of deep learning. （上下文分别问to和the）
窗口长度为2：We are about to study the idea of deep learning. （上下文分别为about to 和 the idea）

2. 设置好窗口的长度后，需要通过窗口内的词语，预测目标词：

窗口长度为2时，则有如下对应关系：
We、are、to、study -预测> about
are、about、study、the -预测> to
about、to、the、idea -预测> study

3. CBOW模型是一个神经网络：该神经网络会将接收上下文词语，将上下文词语转换为最有可能得到的目标词。
   eg.如果向神经网络输入 about、to、the、idea四个词，神经网络则输出study这个词。
   

CBOW模型的embeddings层

CBOW模型中有一个特殊的层——embeddings层
embeddings层是一个N*V的矩阵
N——词表中的词语个数；
V——词向量的维度
他就是我们最终希望得到的嵌入矩阵

embeddings层的作用是将我们输入的词语转换成词向量

1.将词语we输入至CBOW，将we转换为One-Hot编码形式，是一个1xN的向量，其中只有与We对应的位置是1，其余位置都是0
2.将we的One-Hot编码（1xN的向量）与embeddings（NxV的矩阵）相乘，得到we的词向量（1xV的向量）

相当于从矩阵中选择一个特定的行，从embeddings中查找we的词向量。
由于某个词的上下文中包括了多个词语，这些词语会同时输入embeddings层，每个词语都会被转换为一个词向量。

多个上下文词的一个统一表示：v=（v1+v2+v3+v4）/ 4
embeddings层的输出结果：是一个将语义信息平均的向量v

CBOW模型的线性层

在embeddings层后会连接一个线性层

橙色标记的线性层
不设置激活函数
权重矩阵的维度：VxN
词向量维度：V
词表中词语的个数：N
V个隐藏神经元、N个输出神经元的神经网络

1. 我们将所有上下文词向量的平均值（向量V），输入该线性层
2. 通过线性层的计算得到一个1xN的向量
3. 将1xN的向量再输入至softmax层，最终计算出一个最有可能的输出词，这个词就是CBOW模型的预测目标词
   

总结

CBOW模型包括两部分：embeddings层和线性层
embeddings层：将输入的上下文词语，都转换为一个上下文词向量，并继续求出这些上下文词向量的平均值（代表整个上下文的向量）
线性层：接收该向量，并将其转换为一个输出向量（输出向量的维度与词汇表的大小相同）
最后使用softmax函数，将输出向量转换为一个概率分布，表示每个词作为目标词的概率，概率最大的词就是CBOW模型的预测结果

skip-gram跳字模型

根据目标词汇预测上下文

例子

使用词语study，预测出它的上下文

例句：We are about to study the idea of deep learning.

1. 某个词的上下文，需要提前设置一个上下文窗口长度

设置窗口长度为2后，根据目标词，预测窗口内的上下文词，study -预测-> about、to、the、idea

如何使用一个词预测另一个词：
使用一个词，预测另一个词，尽量使这两个词的词向量接近
Skip-gram在迭代时，调整词向量：

使目标词的词向量与其上下文的词向量尽可能的接近；
使目标词的词向量与非上下文词的词向量尽可能的远离。
因此我们对于给定的目标词，它与它的上下文的词向量相似，与非上下文词的词向量不相似。

在skip模型中，判断两个词向量是否相似，使用向量点积：
A·B=a1b1+a2b2+…+anbn
A=(a1,a2,…,an)
B=(b1,b2,…,bn)
向量的点积：衡量了两个向量在同一方向上的强度，点积越大——两个向量越相似，它们对应的词语语义就越接近

需要想办法让study与about的词向量的点积尽可能大

Skip-Gram模型的结构

目标词的概率分布——词汇表中的每个词是目标词的上下文的可能性

词表中的词，与目标词有两种关系：

1. 上下文词——正样本，标记为1
2. 非上下文词——负样本，标记为0
   

基于这一点来优化模型中两个嵌入层——in_embedding和out_embedding
最后将in_embedding作为skip-gram模型的输出

由此产生的训练数据：有4个上下文词，因此产生4组训练数据