machine-learning - 使用负采样实现 word2vec

Question

我正在尝试使用 skip-gram 实现 word2vec 的前向和反向传播。我是神经网络的新手，但据我了解，事情是这样的：

1. 取输入向量和随机初始化权重矩阵的点积
2. 激活（sigmoid 还是 softmax？）
3. 取激活的隐藏层和另一个随机初始化权重矩阵的点积
4. 激活（sigmoid 还是 softmax？）
5. 我们以某种方式比较第 4 步之后得到的输出，并计算误差（目标输出）相对于矩阵中每个权重的导数。我们从当前权重中减去导数。我们对输出隐藏层和隐藏输入层都这样做。我们这样做了很多次，直到我们足够好。

如果上面有任何问题，请纠正我。

所以现在我的问题是：

1. 正确的skip-gram和负样本的目标应该是什么？它们分别是 1 和 0 吗？还是应该是skip-gram的上下文？我真的不确定。

2. 损失应该如何计算？

谢谢你。

Answer 1

我不知道它是否是您问题的答案，但它是为了完成您的问题（我敢肯定！）。我不认为在第二步中我们使用 sigmoid 或 softmax 函数，因为第一个点项目仅用于从矩阵 W（第一个矩阵）中提取目标词的向量。请看这些：

http://mccormickml.com/2016/04/19/word2vec-tutorial-the-skip-gram-model/

本书这一章的第 16.2 节，它对我非常有帮助 https://web.stanford.edu/~jurafsky/slp3/16.pdf