【阅读笔记】On the Dimensionality of Word Embedding

Yin Z , Shen Y . On the Dimensionality of Word Embedding[J]. 2018.
https://github.com/ziyin-dl/word-embedding-dimensionality-selection

引入

本文是探讨 Word Embedding 维度的 bias-variance trade-off，提出了 Pairwise Inner Product (PIP) loss 来作为 Word Embedding 的指标，并且探讨一些 Word Embedding 方法的鲁棒性。
本文基于下面两个 preliminaries：

• Word embeddings 是 unitary-invariant 的（体现了旋转特性不变，具体而言就是进行酉变换，就是词向量乘一个酉矩阵，不改变词向量特性。酉矩阵：$U{U}^T=U^{T}U=Id$）
• 大多数 Word Embedding 是共现矩阵显式或隐式的低秩近似
  • Latent Semantics Analysis (LSA) 是将共现矩阵 SVD 分解为 $M=UD{V}^T$，然后取$U_{1:k}{D}_{1:k}^{\alpha }$作为 Embedding（显式）
  • Skip-gram 和 GloVe 都是对 Pointwise Mutual Information (PMI) matrix 用低纬的向量的乘积作为矩阵元素的近似（隐式）

PIP Loss: a Novel Unitary-invariant Loss Function for Embeddings

下面先给出两个定义：

• 对于给定的 embedding matrix $E$，定义 Pairwise Inner Product (PIP) matrix 为 $PIP(E)=E{E}^T$
• 定义 PIP loss 为 $||PIP(\hat{E})-PIP(E)||$（元素之间的均方根，$\hat{E}$为用给定数据训练的词向量，$E$为理想下的词向量，两个 Word Embedding 越相似，PIP loss 越小）

How Does Dimensionality Affect the Quality of Embedding?

这一部分是理论推导，太数学了，我按我的理解翻译成比较通俗的话，理论推导暂时舍去，有啥理解不对的地方希望有缘人指正。
由于 Word embeddings 的本质是对共现矩阵$M$的低阶近似，那么可以看作是$E=U_{1:d}{D}_{1:d}^{\alpha }$，$\alpha$是由词向量方法确定的，$d$为向量的维度。$M$的奇异值为 { λ i } \{\lambda_i\} {λi​}，训练数据的共现矩阵为$\hat{M}=M+Z$，$Z$的奇异值独立同分布，均值为0，方差为$\sigma$。

根据随机矩阵的性质可得 PIP loss 的 upper bound approximation：
$$E[||E{E}^T-\hat{E}{\hat{E}}^T||]=\sqrt{\sum _{i=k+1}^d{\lambda }_i^{4\alpha }}+2\sqrt{2n}\alpha \sigma \sqrt{\sum _{i=1}^k{\lambda }_i^{4\alpha -2}}+\sqrt{2}\sum _{i=0}^k({\lambda }_i^{2\alpha }-{\lambda }_{i+1}^{2\alpha })\sigma \sqrt{\sum _{r\le i<s}({\lambda }_r-{\lambda }_s{)}^{-2}}$$

$d$为理想情况下的维度，$k$为实际选择的维度。可以看出$\sqrt{{\sum }_{i=k+1}^d{\lambda }_i^{4\alpha }}$表示的是 bias，$k$越大偏差越小，其他部分为 variance，在噪声（$\sigma$）一定的情况下，$k$越小越好。文中说将$\sqrt{{\sum }_{i=k+1}^d{\lambda }_i^{4\alpha }}$作为 zeroth-order term，我的理解是只保留其中的第一项，因为奇异值随着$i$变小的速度很快，主要他的大小取决于第一项，这样也省去了对与d的估计。

PIP loss 的效果

结合论文和作者在 Neural Information Processing Systems 上的演讲我们来看看 PIP loss 的作用

Spectrum and Noise Estimation from Corpus

下面我们就具体看看公式中的参数 { λ i } \{\lambda_i\} {λi​}、$\sigma$如何求。根据假设$\hat{M}=M+Z$，我们把数据集等分为两份，${\hat{M}}_1=M+Z_1$，${\hat{M}}_2=M+Z_2$，$Z_1$、$Z_2$的方差为$2{\sigma }^2$，那么${\hat{M}}_1-{\hat{M}}_2=Z_2-Z_1$的方差为$4{\sigma }^2$，根据随机矩阵的性质我们得倒$\sigma$的估算值
$$\hat{\sigma }=\frac{1}{2n}||{\hat{M}}_1-{\hat{M}}_2||$$

$n$为词表的大小。根绝随机矩阵的性质我们可得
$${\hat{\lambda }}_i=({\hat{\lambda }}_i-2\sigma \sqrt{n}{)}_{+}$$

读后感

Word Embedding 实际上看一看做是 nlp 中神经网络的第一层，onehot 为输入的一个全链接，这样像自然会有 bias-variance trade-off。因为 Word Embedding 可以无监督的预训练，给我们带来了很多的好处，这篇文章就从理论上说明了词向量维度对结果的影响。