← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9790.c · 生成模型:DeepSeek-V4.1-Flash

词向量是语言模型的副产品

理解等级:中级

NNLM 的任务是用前 n−1 个词预测下一个词。输入层先查一张 |V|×m 的表 C,把每个词换成一个 m 维向量,再首尾拼成 (n−1)m 维的 x;隐藏层对 x 做一次线性变换后取 tanh;输出层有 |V| 个节点,每个节点表示“下一个词是它”的概率,用 softmax 归一化,其中还保留了一条从输入层直连输出层的线性项。训练完成后,C 的每一行就是对应词的向量——词向量不是专门训出来的,而是语言模型的副产物。

LBL 把结构压得更薄:隐层只把前 n−1 个词做一次变换,输出层直接与候选词的向量做内积,内积代表相似度,再用 softmax 归一。代价在输出层:要对整个词表算一遍,|V| 很大时矩阵乘法极贵,这正是后来各种输出层近似方法的动机。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《文本上的算法——深入浅出自然语言处理》第3章 让机器可以像人一样学习(下)(源文件:extracted/文本上的算法——深入浅出自然语言处理/_epub-src/OEBPS/Text/00009.html) - 结论依据:原文这一段直接给出本卡的核心判断:「词表示是通过神经语言模型来训练得到的(是语言模型的一个副产品,语言模型训练完了,……」 - 原始内容:词表示是通过神经语言模型来训练得到的(是语言模型的一个副产品,语言模型训练完了,词表示也有了)。目前大致有两种框架:NNLM和RNNLM。