词向量的可变性及其影响
1. 弁言
词向量（word embeddings）是天然语言处置惩罚（NLP）中用于表示单词语义的焦点技术。它们通过将单词映射到高维向量空间，使得相似的单词在空间中具有靠近的表示。然而，纵然利用相同的数据和模型，词向量的表示仍然可能发生变革，这种征象被称为词向量的可变性（variability of word embeddings）。
2. 词向量可变性的泉源
纵然在以下因素保持不变的情况下：
- 数据集：相同的文本语料库
- 模型：相同的训练算法（如 Word2Vec、GloVe、FastText）
- 学习方法：相同的超参数和优化方式
- 推理方法：相同的盘算方式
词向量仍可能有所不同。这种可变性主要来自：
- 随机初始化（Random Initialization）
- 词向量在训练开始时的权重是随机初始化的，不同的初始化可能导致终极的词向量有所不同。
- 负采样（Negative Sampling）
- Word2Vec 及类似模型在训练时利用负采样，这一过程涉及随机选择的负例，导致不同的训练可能天生不同的结果。
- 批处置惩罚顺序（Mini-batch Order）
- 在随机梯度下降（SGD）或 Adam 优化器中，数据的顺序会影响参数更新的路径，从而影响终极的词向量。
3. 如何衡量词向量的可变性
我们通常利用**最近邻同等性（Nearest Neighbor Consistency）**来评估同一单词在不同训练运行中的稳固性。
3.1 最近邻同等性
对于一个单词 w：
- 训练两个不同版本的词向量（V1 和 V2）。
- 对比在 V1 和 V2 中，w 的 k 近邻单词（top-k nearest neighbors）。
- 盘算 V1 和 V2 之间的近邻重叠度。
公式：
Overlap ( w ) = ∣ N N k ( w , V 1 ) ∩ N N k ( w , V 2 ) ∣ k \text{Overlap}(w) = \frac{|NN_k(w, V1) \cap NN_k(w, V2)|}{k} Overlap(w)=k∣NNk(w,V1)∩NNk(w,V2)∣
此中：
- N N k ( w , V 1 ) NN_k(w, V1) NNk(w,V1)
表示单词 w 在 V1 词向量中的前 k 个最近邻单词集合。
如果重叠度较高，则词向量表示较稳固；如果重叠度较低，则表示同一个单词在不同的训练过程中体现出了较大的变革。
3.2 余弦相似度变革
Sim ( w ) = cos ( v w V 1 , v w V 2 ) \text{Sim}(w) = \cos(\mathbf{v}_w^{V1}, \mathbf{v}_w^{V2}) Sim(w)=cos(vwV1,vwV2)
此中：
- v w V 1 \mathbf{v}_w^{V1} vwV1
v w V 2 \mathbf{v}_w^{V2} vwV2
是单词 w 在两个训练版本中的词向量。
- 盘算它们的余弦相似度，以衡量同一单词在两个不同训练版本中的相似程度。
4. 词向量可变性的影响
4.1 对 NLP 任务的影响
- 信息检索（Information Retrieval）
不稳固的词向量可能导致相似性搜索结果的不同等，影响文档排名和推荐体系。
- 机器翻译（Machine Translation）
词向量的变革可能影响翻译模型对单词之间关系的学习，导致翻译质量下降。
- 情感分析（Sentiment Analysis）
词向量的变革可能改变某些单词的情感极性，影响模型的预测结果。
4.2 办理方案
- 固定随机种子（Fix Random Seed）
在模型训练时固定随机种子，以淘汰不同运行之间的随机性带来的影响。
- 对齐词向量（Procrustes Alignment）
- 训练多个版本的词向量后，通过 Procrustes 变换对齐它们，以淘汰不同训练结果的毛病。
- 利用预训练模型（Pre-trained Embeddings）
接纳预训练的词向量（如 GloVe、FastText），避免因训练过程的变革而引入不稳固性。
- 降维分析（Dimensionality Reduction）
通过 PCA、t-SNE 或 UMAP 观察词向量空间布局，确保相似单词的局部多少布局稳固。
同时，低频词更容易受影响
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 |
