深度学习NLP：斯坦福CS224n词向量表示与Word2vec解析

"这篇资源是关于斯坦福大学CS224n深度自然语言处理课程的第二讲笔记，主要聚焦在词向量表示，特别是Word2vec模型的介绍和梯度推导。课程涵盖了词义的概念，WordNet的使用，以及Word2vec的目标函数优化方法——梯度下降法。" 深度学习在自然语言处理中的应用日益广泛，其中词向量表示是关键的一环。词向量，顾名思义，就是将词语转换成数值向量的形式，使得计算机能够理解和处理语言。在传统的自然语言处理中，常用的是one-hot编码，这种方法虽然简单，但无法捕捉到词汇之间的语义关系。 词义的定义通常被理解为通过单词或短语传达的思想。WordNet是一个常用的分类资源，它将意义相近的单词组织成同义词组（Synset），并通过上下义、同义-反义、整体-部分等关系构建起一个语义网络。尽管WordNet在一定程度上揭示了词汇的语义结构，但它也存在一些局限，如无法精确反映同义词间的微妙差异，更新不及时，主观性强，以及计算相似度的难度。 Word2vec是由Tomas Mikolov等人在2013年提出的，它是一种学习词向量的模型，能够有效地捕获词汇的上下文信息和语义关系。Word2vec有两种主要的训练模型：CBOW（Continuous Bag of Words）和Skip-gram。CBOW通过周围上下文的词汇来预测中心词，而Skip-gram则是反过来，通过中心词预测上下文词汇。这两种模型的目标都是最大化上下文词和目标词之间的概率。 在Word2vec中，梯度推导是优化目标函数的关键步骤，这涉及到概率分布的计算。通过梯度下降法，模型可以迭代地更新参数，以最小化预测误差，从而得到更好的词向量表示。这种表示具有线性可加性和分布式性质，例如，“king” - “man” + “woman” ≈ “queen”，这是词向量能够捕获词汇间关系的一个直观例子。 词向量表示通过深度学习技术为自然语言处理提供了一种强大的工具，它不仅能够简化词汇表示，还能够揭示词汇之间的语义关联，极大地推动了NLP领域的发展。而Word2vec作为词向量学习的经典模型，其背后的理论和实现对于理解和应用深度学习在自然语言处理中的作用至关重要。