c++ - tensorflow/models 中的 Skip-Gram 实现 - 频繁词的子采样

Question

我脑子里有一些与 skipgram 模型相关的实验。所以我开始研究和修改tutorials/embedding/word2vec_kernels.cc中tensorflow/models库中的优化实现。突然，我来到了语料库子采样完成的部分之上。根据 Tomáš Mikolov 的论文(https://arxiv.org/abs/1310.4546，eq.5)，这个词应该保留概率

其中t表示阈值参数(根据论文选为10^-5)，f(w)词频w,但是 word2vec_kernels.cc 中的代码如下:

float keep_prob = (std::sqrt(word_freq / (subsample_ * corpus_size_)) + 1) *
                  (subsample_ * corpus_size_) / word_freq;

可以将其转换为先前呈现的符号

这种变化背后的动机是什么？只是将与语料库大小的“某种关系”建模到这个公式中吗？或者它是对原始公式的一些改造？它是根据经验选择的吗？

编辑:链接到 github 上提到的文件 https://github.com/tensorflow/models/blob/master/tutorials/embedding/word2vec_kernels.cc

Answer 1

好吧，我想如果没有 corpus_size，该图看起来与原始公式有些相同。语料库大小在公式中添加了与语料库大小的关系，并且“它适用于大数字”，因此我们可以计算丢弃/保留概率，而无需将词频归一化为适当的分布。