前言
首先推荐一个英文版的Word2Vec的教程，从原理到实现都讲得十分透彻和清晰。它分为了几个部分讲，当时我也是看的这个教程入门的，建议英文比较好的同学可以参考一下。本文创作的目的也是想写一个类似这样的教程，达到一文理解Word2Vec的目的。
为什么要表示词（Why Embdding?）
在进行自然语言处理方面的研究时，特别时在使用深度学习方法的时候，我们几乎不可能直接将每个词输入到模型中，因为计算机看不懂一个一个的字符串，因此需要将词用数字表示（通常是向量），以让机器能够读懂，理解自然语言。表征得是否易懂，信息是否足够等都是Embedding需要考虑的因素。下面介绍两种表示词的方法以加深理解。
词嵌入的两种方式
我这里标题使用了词嵌入的说法，我认为是指将每个词背后的语义信息嵌入到了词向量中，所以叫嵌入，还是很形象的 :)。
One-Hot表示
估计是每个NLPer最先接触到的表征方式了。
它是这么做的：
- 统计一下语料库里一共有多少不重复的词（假设为N个词）。
- 初始化一个N维的0向量（每一维代表一个词）。
- 哪一维为1，表示这个向量代表哪个词。
十分简单，但问题也十分明显。
1.维度太大，又很稀疏，一个几万维的向量只有一个1，感受一下。
2.没有啥信息量，只能简单区分出两个单词。
Word2Vec
Word2Vec在13年横空出世，几乎那以后的所有文章都以Word2Vec为基础，这篇文章的引用在今天（18年11月）已经有8318了:)。足以说明它有多强悍。
先看一眼Word2Vec训练出来的词向量：
稠不稠？密不密？除了解决了稠密性问题，而且这些向量的维度也一般控制在低维。（50-300维这样）因此在输入到后续模型时不需要太担心性能问题。
此外这些词还包含了丰富的语义信息，相似的词的词向量一般距离会比较近，还有就是那个经典的例子：
Queen - Woman = King - Man
总之，Word2Vec学到了词语的稠密低维表示，又蕴含有较多的语义信息。
Word2Vec原理
Word2Vec有两种实现方式，Skip-gram 和 CBOW。本文以Skip-gram为例进行讲解，CBOW其实和Skip-gram的区别很小，理解了Skip-gram，CBOW也就理解了。
很多文章都以一个三层的神经网络来介绍Word2Vec的原理，本文尝试以另外一个视角进行理解，但其实质都是一样的。
任务
首先明确一下Word2Vec的任务是什么。为了使得相似的词有相似的词向量，而相似的词往往有相似的语境，因此Skip-gram采用了预测背景词作为任务。
例如，当输入词“York”，与“New”，“Slow”, "Flower"这些词比较的时候，我的模型需要告诉我“New”与"York"一起出现的可能性较大，而与“Slow”和"Flower"同时出现的可能性较小。
Skip-gram使用了很简单的方式来完成这个任务。
构造数据集
以上面的句子为例，给出了"York"希望模型预测"New"的概率要大一些。"York"就是输入，"New"就是label，标签。我们首先需要在给定的语料中构建这样的数据集。
Skip-gram字面上就是跳过gram，这里跳过的是模型的输入，即中心词，需要预测的是附近（window size内的）的词。
上图中的window size设为了2，表示将前2和后2的词作为标签，中心词作为输入，来构建数据集。
训练
先提出一个假设：
每个词有两个词向量，一个称为中心词向量，一个称为背景词向量
如果有N个词，为每个词随机初始化两个词向量，因此最终我们有2*N个词向量需要训练。
再提出一个规则：
同一个词，作为输入（中心词）时，使用中心词向量，作为输出（背景词）时，使用背景词向量。
现在我们来看输入一个样本（New, York）时的训练过程：
训练时，将New的中心词向量，分别与所有词的背景词向量进行点积。假设有N个词，那么这一步操作将会产生N个值，然后再将这N个值进行Softmax归一化。最终将N个值转换为输入New，输出每个词的概率。
例如：假设Dot("New", "Man")=42，归一化后P("New", "Man")=0.001，意味着输入“New”，输出“Man”的概率是0.001。
但是别忘了，输入的训练样本是("New", "York")，因此我们希望提升P("New", "York")，打压P("New", “其他所有词”)。这样，这个样本就训练完了。需要强调的是，此时"New"用的是它的中心词向量，而“其他所有词”使用的是背景词向量。
后续
到目前为止，本文介绍了Word2Vec是什么，能做什么，以及它是怎么训练的。但是一些训练中的细节还未涉及到，而这些细节也是Word2Vec能够work的关键，比如这么大的模型怎么才能train起来？10000个词的200维词向量就需要有200100002 = 4000000个参数。这些细节将在一文理解Word2Vec-part2会进行介绍。其实这样的训练方式不止Google想到了，甚至可能有其他的研究人员在他们之前想到这样的做法，但是只有Google把细节做到了极致，才有了今天的Word2Vec。
