本文全称：基于 Embedding 的相似度检索（Word2Vec），核心目标是通过无监督学习来计算词的分布式表示

# Embedding 是什么

你有一堆单词（比如 猫 、 狗 、 汽车 ），$Embedding$ 就是把这些词变成一串数字（比如 [-0.2, 0.5, 1.3...] ），这串数字能代表这个词的含义

• 意思相近的词（ 猫 和 狗 ），它们的数字串也相似
• $Word2Vec$ 就是生成这种数字串的工具之一

# One-Hot Representation

一种最简单的词向量方式是 $One-Hot$ 编码，用一个很长的 $01$ 串来表示，$One-Hot$ 编码可以采用稀疏方式存储，利用 $Hash$ 给每个词分配一个编号，但是这种方法有以下缺点：

• 当词量不断增大时，会直接维度爆炸
• 任意两个词直接说孤立的
• 当维度特别大时，$0$ 会变得特别多，使得向量中有用的信息特别短

# Distributed representation

基本想法是：通过训练将某种语言中的每一个词映射成一个固定长度的短向量（这个短是相对于 $One-Hot~Reoresentation$ 的长而言的），所有这些向量构成一个词向量空间，而每一个向量则可视为该空间中的一个点，在这个空间上引入 “距离”，就可以根据词之间的距离判断语法、语义上的相似性

# 统计语言模型

统计语言模型是用来计算一个句子的概率的模型，基于语料库构建
$W=(w_1,...,w_T)$ 表示由 $T$ 个词 $w_1,...,w_T$ 按顺序构成的句子，联合概率为 $p(W) = p(w_1,...,w_T)$
利用贝叶斯公式可链式分解为

$$p(W) = p(w_1)·p(w_2|W_1)···p(w_T | w_1,...,W_{T-1})$$

但是计算的量级是很恐怖的
若语料库词典大小为 $N$，那么长度为 $T$ 的任意句子，理论上有 $N^T$ 种可能，那么总参数数量为 $k·N^T$，$k$ 是每个句子需要计算的数量

# N-gram 模型

根据大数定理，当语料库词典足够大时，可以近似看作

$$p(w_k | w_1,...,w_{k-1}) \approx \frac{count(w_1,...,w_k)}{count(w_1,...,w_{k-1})}$$

• $count(w_1, ..., w_k)$：表示 $w_1-···-w_k$ 连续出现的次数（当 $k$ 很大时，计算 $count$ 会变得很困难）

从贝叶斯公式的链式分解可以看出，一个词出现的概率与它前面的所有词都相关。如果假定，一个词出现的概率只与它前面固定数目的词相关呢？
这就是 $N-gram$ 模型的基本思想，认为

$$p(w_k | w_1,...,w_{k-1}) \approx p(w_k | w_{k-n+1},...,w_{k-1})$$

通过这样的简化，统计变得容易，模型参数量参考如下（假定词典大小为 $N=2 \times 10^5$)，模型的量级是 $O(N^{n})$，在实际应用中，一般取 $n = 3$ 的三元模型

但是 $n-gram$ 模型还需要平滑化，因为

• $count(w_{k-n+1},...,w_k)=0$ 时，并不能认为 $p(w_k | w_1,...,w_{k-1})=0$
• $count(w_{k-n+1},...,w_k)=count(w_{k-n+1},...,w_{k-1})$ 时，也不能认为 $p(w_k | w_1,...,w_{k-1})=1$

# 神经概率语言模型（NNLM）

对于统计语言模型的训练而言，利用最大似然，目标函数可以设为

$$\prod_{w \in C} p(w \mid Context(w))$$

• $C$：语料库（$Corpus$），即所有文本数据的集合
• $w$：语料库中的当前词（$word$）
• $Context(w)$：词 $w$ 的上下文，即 $w$ 周边相关词的集合

我们的目的就是让这个值最大，上述是学习语言规律的描述，实际时，通常使用最大对数似然

$$L=\sum_{w \in C} \log(p(w \mid Context(w)))$$

通过训练，得到最优参数集 $\theta^{*}$，$p(w \mid Context(w)) = F(w, Context(w), \theta^{*})$
相较 $n-garm$，参数更小，可以直接通过计算来获取概率，而不需要通过事先保存概率值

神经网络分为三层

1. 映射层：将 $n$ 个单词映射为对应 $word~embeddings$ 的拼接（这一层就是 $MLP$ 多层感知机 的输入层）
2. 隐藏层：激活函数用 $tanh$ 双曲正切函数
3. 输出层：需要根据前 $n$ 个单词预测下一个单词，所以是一个多分类器，用 $Softmax$

整个模型的最大计算量集中在最后一层中，因为一般来说，词汇表很大，需要算每一个词的条件概率

# NNLM 的局限性

• $Softmax$ 计算效率低（后续改进：负采样...）
• 上下文窗口长度固定为 $n-1$ 个词，针对可变长上下文无法建模（后续改进：$RNN/LSTM/Transformer$）
• 只有一个隐藏层，特征提取能力有限

# NNLM 相较 n-garm 的优势

因为 $NNLM$ 建模时，词语间的相似性可以通过词向量来体现，例如下面的
s1 = Lxy is Study 在文章中出现过 $10000000$ 次，而 s2 = Zmc is study 只出现一次
那么 $n-gram$ 计算的结果，$p(s_1) >> p(s_2)$，但 $s1$ 和 $s_2$ 的唯一区别就是 Zmc 和 Lxy ，$p(s_1)$ 和 $p(s_2)$ 应该很接近才是，但 $n-garm$ 就不好处理这样的情况

# Word2Vec 的网络结构

$Word2Vec$ 是轻量级的神经网络，其模型仅包含输入层、隐藏层和输出层。根据输入输出的不同，主要包括

• $CBOW$
  • 在知道 $w_{t-2},w_{t-1},w_{t+1},w_{t+2}$ 的情况下，预测 $w_t$
• $Skip-gram$
  • 在知道 $w_t$ 的情况下，预测 w_{t-2},w_{t-1},w_{t+1},w_

# CBOW

# Simple CBOW Model

输入一组上下文词，预测一个词。这个模型，表面看似是找到预测词，但模型的真正目的是找到

• 输入权重 $W_{in}$：将 $One-hot$ 词映射为稠密向量
• 输出权重 $W_{out}$：将向量映射回词的概率

• 输入层
  • 输入中心词周围的前后 $n$ 个词，每个词用 $One-Hot$ 编码表示
• 投影层
  • 权重矩阵 $W_{in}$：输入层到隐藏层的权重矩阵，维度是 $V \times D$，$D$ 是词向量的维度，通常远小于 $V$
  • 对上下文所有词向量求平均，得到一个 $D$ 维向量作为隐藏层的输出 $h = \frac{1}{C}\sum\limits_{c = 1}^{C}W^{T}_{in}·x_c$
    • 其中，$C$ 是上下文数量；$x_c$ 是上下文词的 $One-Hot$ 向量
• 输出层
  • 权重矩阵 $W_{out}$：隐藏层到输出层的权重矩阵，维度为 $D \times V$
  • 将隐藏层输出 $h$ 和 $W_{out}$ 相乘，得到未归一化的得分向量
  • 利用 $Softmax$ 将得分转换为概率分布

# CBOW Multi-Word Context Model

与 $Simple~CBOW~Model$ 类似，只不过输入输出改为了多个上下文窗口，可以通过多个窗口联合优化，适用于大规模数据

# Skip-gram Model

• 输入层
  • 输入中心词的 $One-Hot$ 编码（假设维度是 $V$，记为 $x$）
• 投影层
  • 权重矩阵 $W_{in}$：将 $One-Hot$ 输入映射为 $D$ 维词向量 $v = W^{T}_{in} · x$，维度 $V \times D$
• 输出层
  • 权重矩阵 $W_{out}$：将词向量映射到上下文词的概率分布 $res = W_{out} · v$，维度 $D \times V$

注意：$Skip-gram~Model$ 是词向量学习工具，并非序列预测模型，也就是说，最后输出的是 $V$ 维向量，只是表示了上下文中，各词出现的概率，而并不会预测词的位置，顺序

# CBOW 和 SG 的对比

# 训练效率与计算成本

# 数据需求与词频敏感性

# 语义捕捉能力

# 典型应用场景

# Hierarchical Softmax 与 负采样

# Hierarchical Softmax（层次化 Softmax）

主要用于解决大词汇表，如 $V = 10^5$ 时的计算瓶颈问题，核心思路是：
将词汇表中的所有词，组织成一棵哈夫曼树，预测路径转换为从根节点到目标叶子结点的路径概率运算。计算量从 $O(V)$ 降至 $O(log V)$

# 负采样

主要用于解决大词汇表下的计算瓶颈问题，核心思路是：
将多分类问题（从 $V$ 个词中选 $1$ 个正确词）转化为二分类问题（区分正样本和噪声样本）

• 传统 $Softmax$，需要计算所有的概率，然后找出最高的几个；用了负采样之后，只要判断，某个词的得分是否高于 $k$ 个随机词即可。时间复杂度取决于 $k$ 的取值

低频词在负采样中，会表现较好

• $wb\_SM^{year, t}_{i, 1}$：$year$ 年 $t$ 季度，第 $i$ 家公司是否发布微博的哑变量
• $wb\_SM^{year, t}_{i, 2}$：$year$ 年 $t$ 季度，第 $i$ 家公司发布微博的数量取对数

检验：

$$SYNCH_t = \alpha_0 + \alpha_1 \cdot SM_t + \alpha_2 \cdot Controls_t + \epsilon_t$$

其中 $Controls_t$ 目前有：公司规模，资产负债率，总资产收益率，营业收入增长率，账面市值比

• 公司规模 Size_
  • $Size_{t} = \ln(资产总计_{t})$
• 资产负债率 $Lev_quarter$
  • Lev_{t} = 负债合计_{t} / 资产总计_
• 总资产收益率 ROA_
  • ROA_{t} = 净利润_{t}/资产总计_
• 营业收入增长率 $Growth_t$
  • $Growth_t = \frac{营业收入_{t} - 营业收入_{t-1}}{营业收入_{t-1}}$
• 账面市值比 $BM_t$
  • BM_{t} = \frac{归属于母公司所有者权益合计 - 优先股 - 永续债}

# 哑变量

![[Pasted image 20260221170823.png]]

# 取对数（发文强度）

![[Pasted image 20260221170855.png]]