Word2Vec算法和源码分析完整版

先贴上代码分析，算法推导全是手写的，明天拍照下再贴。

#include <stdio.h>#include <stdlib.h>#include <string.h>#include <math.h>#include <pthread.h>#define MAX_STRING 100#define EXP_TABLE_SIZE 1000#define MAX_EXP 6#define MAX_SENTENCE_LENGTH 1000#define MAX_CODE_LENGTH 40const int vocab_hash_size = 30000000;  // Maximum 30 * 0.7 = 21M words in the vocabularytypedef float real;                    struct vocab_word {  long long cn; // 词频,来自于vocab file或者从训练模型中来计算  int *point;   // 霍夫曼树中从根节点到该词的路径，存放路径上每个非叶结点的索引  char *word, *code, codelen; //word：string 字面值 code：Huffman编码 codelen：huffman编码的长度};char train_file[MAX_STRING], output_file[MAX_STRING];char save_vocab_file[MAX_STRING], read_vocab_file[MAX_STRING];//输入文件中每个基本词的结构体数组struct vocab_word *vocab;int binary = 0, cbow = 1, debug_mode = 2；int window = 5, min_count = 5;//在由语料库构建词典(vocab数组)时，剔除词频小于min_count的词。//构建词典后仍需要判断是否需要对低频次进行清理，//如果词典的大小N>0.7*vocab_hash_size,则从词典中删除所有词频小于min_reduce的词。int num_threads = 12, min_reduce = 1;//该数组存文件中基本词的字面的hash码，和基本词在vocab_word数组中的位置//其中基本词的字面的hash码作为该数组的下标int *vocab_hash;//vocab_size 不同单词的个数，也就是词典的大小//layer1_size 词向量的长度//file_size训练文件的大小long long vocab_max_size = 1000, vocab_size = 0, layer1_size = 100;long long train_words = 0, word_count_actual = 0, iter = 5, file_size = 0, classes = 0;real alpha = 0.025, starting_alpha, sample = 1e-3;//syn0 － 存储词典中每个词的词向量//syn1 － 存储Huffman树各个内节点对应的向量//syn1neg －负采样时，存储每个词对应的辅助向量//expTable: sigmoid函数表，提前计算好，提高效率real *syn0, *syn1, *syn1neg, *expTable;clock_t start;int hs = 0, negative = 5;const int table_size = 1e8;int *table;//每个单词的能量分布表，table在负采样中用到void InitUnigramTable() {  int a, i;  double train_words_pow = 0;  double d1, power = 0.75;  table = (int *)malloc(table_size * sizeof(int));//分配空间  //遍历词汇表，统计词的能量总值train_words_pow   for (a = 0; a < vocab_size; a++)     train_words_pow += pow(vocab[a].cn, power);  i = 0;  //表示已遍历词的能量值占总能量的比    d1 = pow(vocab[i].cn, power) / train_words_pow;  //a - table表的索引  //i - 词汇表的索引  for (a = 0; a < table_size; a++) {    table[a] = i;//单词i占用table的a位置                  //table反映的是一个单词能量的分布，一个单词能量越大，所占用的table的位置越多     if (a / (double)table_size > d1) {      i++;       //移到下个词      d1 += pow(vocab[i].cn, power) / train_words_pow;    }    // put everthing else in the end of the unigram table??？    if (i >= vocab_size) i = vocab_size - 1;  }}// Reads a single word from a file, assuming space(' ') + tab(\t) + EOL(\n) to be word boundaries//从fin中读一个词到字符串wordvoid ReadWord(char *word, FILE *fin) {  int a = 0, ch;//a - 用于向word中插入字符的索引；ch - 从fin中读取的每个字符  while (!feof(fin)) {    ch = fgetc(fin);    if (ch == 13) continue;//回车，开始新的一行，重新开始while循环读取下一个字符    //当遇到space(' ') + tab(\t) + EOL(\n)时，认为word结束    if ((ch == ' ') || (ch == '\t') || (ch == '\n')) {      if (a > 0) {//跳出while循环，这里的特例是‘\n’，我们需要将回退给fin，词汇表中'\n'用</s>来表示。        if (ch == '\n') ungetc(ch, fin);        break;      }      if (ch == '\n') {//此时word还为空(a=0)，直接将</s>赋给word        strcpy(word, (char *)"</s>");        return;      }       else continue;//此时a＝0，且遇到的为\t or ' '，直接跳过取得下一个字符    }    word[a] = ch;    a++;    if (a >= MAX_STRING - 1) a--;   // Truncate too long words  }  word[a] = 0;//字符串末尾以/0作为结束符}//Returns hash value of a word//返回一个词的hash值，一个词跟hash值一一对应（可能冲突）//hash规则//hash = hash * 257 + word[a];//@param word 基本词字面//@return 每个基本词的hash编码int GetWordHash(char *word) {  unsigned long long a, hash = 0;  for (a = 0; a < strlen(word); a++) hash = hash * 257 + word[a];//int和char相加，相当于加了char的ansii值  hash = hash % vocab_hash_size;  return hash;}// 返回一个词在词汇表中的位置，如果不存在则返回-1 // @brief 根据word字面的hash查找其在vocab中的位置,即vocab_hash[hash]的值// @param word 字面// @return vocab_hash[hash]的值int SearchVocab(char *word) {  unsigned int hash = GetWordHash(word);  while (1) {    if (vocab_hash[hash] == -1) return -1;    if (!strcmp(word, vocab[vocab_hash[hash]].word)) return vocab_hash[hash];    hash = (hash + 1) % vocab_hash_size;  }  return -1;}// Reads a word and returns its index in the vocabulary// 从文件流中读取一个词，并返回这个词在词汇表中的位置 int ReadWordIndex(FILE *fin) {  char word[MAX_STRING];  ReadWord(word, fin);  if (feof(fin)) return -1;//当文件只有一个EOF字符时，当将EOF读入word后，_IOEOF被设置，达到文件尾。  return SearchVocab(word);}// Adds a word to the vocabulary 将一个词添加到一个词汇中，返回该词在词汇表中的位置int AddWordToVocab(char *word) {  unsigned int hash, length = strlen(word) + 1;  if (length > MAX_STRING) length = MAX_STRING;  vocab[vocab_size].word = (char *)calloc(length, sizeof(char));//在当前词汇表末尾添加word  strcpy(vocab[vocab_size].word, word);  vocab[vocab_size].cn = 0;//词频记为0  vocab_size++;  // Reallocate memory if needed  if (vocab_size + 2 >= vocab_max_size) {    vocab_max_size += 1000;    vocab = (struct vocab_word *)realloc(vocab, vocab_max_size * sizeof(struct vocab_word));  }  hash = GetWordHash(word);  //由于hash表初始化为－1  while (vocab_hash[hash] != -1)   hash = (hash + 1) % vocab_hash_size;//使用开放地址法解决冲突   vocab_hash[hash] = vocab_size - 1;//由词的hash值找到她所在词汇表的排序位置   return vocab_size - 1;}// Used later for sorting by word counts//根据词频从大到小排序int VocabCompare(const void *a, const void *b) {    return ((struct vocab_word *)b)->cn - ((struct vocab_word *)a)->cn;}// Sorts the vocabulary by frequency using word counts// 根据词频排序 // 通过排序把出现数量少的word排在vocab数组的后面void SortVocab() {  int a, size;  unsigned int hash;  // Sort the vocabulary and keep </s> at the first position？？？  这是因为:  // 在LearnVocabFromTrainFile将</s>放在vocab的第一个位置  qsort(&vocab[1], vocab_size - 1, sizeof(struct vocab_word), VocabCompare);  for (a = 0; a < vocab_hash_size; a++) vocab_hash[a] = -1;  size = vocab_size;  train_words = 0;  for (a = 0; a < size; a++) {    // Words occuring less than min_count times will be discarded from the vocab    if ((vocab[a].cn < min_count) && (a != 0)) {//不考虑</s>小于min_count的情况      vocab_size--;      free(vocab[a].word);    } else {      // Hash will be re-computed, as after the sorting it is not actual       hash=GetWordHash(vocab[a].word);      while (vocab_hash[hash] != -1) hash = (hash + 1) % vocab_hash_size;//处理冲突      vocab_hash[hash] = a;      train_words += vocab[a].cn;    }  }  vocab = (struct vocab_word *)realloc(vocab, (vocab_size + 1) * sizeof(struct vocab_word));  // Allocate memory for the binary tree construction  for (a = 0; a < vocab_size; a++) {    vocab[a].code = (char *)calloc(MAX_CODE_LENGTH, sizeof(char));    vocab[a].point = (int *)calloc(MAX_CODE_LENGTH, sizeof(int));  }}// Reduces the vocabulary by removing infrequent tokensvoid ReduceVocab() {  int a, b = 0;  unsigned int hash;  //如果词典的大小N>0.7*vocab_hash_size,则从词典中删除所有词频小于min_reduce的词。  for (a = 0; a < vocab_size; a++)     if (vocab[a].cn > min_reduce) {    vocab[b].cn = vocab[a].cn;    vocab[b].word = vocab[a].word;    b++;  } else free(vocab[a].word);  vocab_size = b;  // reset the hash table  for (a = 0; a < vocab_hash_size; a++) vocab_hash[a] = -1;  for (a = 0; a < vocab_size; a++) {    // Hash will be re-computed, as it is not actual    hash = GetWordHash(vocab[a].word);    while (vocab_hash[hash] != -1) hash = (hash + 1) % vocab_hash_size;    vocab_hash[hash] = a;  }  fflush(stdout);  min_reduce++;}// Create binary Huffman tree using the word counts// Frequent words will have short uniqe binary codesvoid CreateBinaryTree() {  long long a, b, i;  long long min1i, min2i;// two smallest nodes  long long pos1, pos2; // current pivots   long long point[MAX_CODE_LENGTH]; //记录从root到word的路径  char code[MAX_CODE_LENGTH];  // calloc initializes the memory to zeros  // SHOULD IT BE vocab_size * 2 - 1 - this is because  // it seems that </s> is in part of construction, but vocab_size is   // actually len(vocab)-1, excluding </s>  long long *count = (long long *)calloc(vocab_size * 2 + 1, sizeof(long long));  long long *binary = (long long *)calloc(vocab_size * 2 + 1, sizeof(long long));  long long *parent_node = (long long *)calloc(vocab_size * 2 + 1, sizeof(long long));  // count - word counts of all words  for (a = 0; a < vocab_size; a++) count[a] = vocab[a].cn;  // extend count as twice large  // SO ONLY vocab_size * 2 - 1 elements will BE NEEDED, EVEN FOR A   // COMPLETE TREE  for (a = vocab_size; a < vocab_size * 2; a++) count[a] = 1e15;  // initialize the node positions  pos1 = vocab_size - 1;  pos2 = vocab_size;  // Following algorithm constructs the Huffman tree by adding one node at a time  // the vocab should have been sorted IN DECREASING order  // pos1 and pos2 will be the two current smallest node   // they could be the original elements, they could be composed parent nodes  // the parents node will be constructed and placed along the array  // from [vocab_size to vocab_size * 2 - 1].  // THE GOOD THING IS: the elements on the left of pos1 are all SORTED,   // and the elements on the right of pos2 will also be SORTED.  // THE LAST WORD </s> WILL ALSO BE INCLUDED IN THE TREE  // ONLY NEED TO CONSTRUCT vocab_size - 1 times, that is max number   // of parent nodes for a complete binary tree  for (a = 0; a < vocab_size - 1; a++) {    // First, find two smallest nodes 'min1i, min2i'    // MIN1 goes first    if (pos1 >= 0) {      if (count[pos1] < count[pos2]) {        min1i = pos1;        pos1--;      } else {// move right via pos2        min1i = pos2;        pos2++;      }    } else {// no choice, can move right ONLy now      min1i = pos2;      pos2++;    }    // MIN2 goes next    if (pos1 >= 0) {      if (count[pos1] < count[pos2]) {// move left via pos1        min2i = pos1;        pos1--;      } else {// move right via pos2        min2i = pos2;        pos2++;      }    } else {      min2i = pos2;      pos2++;    }    // parent's count is the sum of children's counts    count[vocab_size + a] = count[min1i] + count[min2i];    // commmon parents    // level 2 parents will be from vocab_size to vocab_size * 2    parent_node[min1i] = vocab_size + a;    parent_node[min2i] = vocab_size + a;    // binary code: min1i 0 min2i 1, for each leaf and internal node    binary[min2i] = 1;  }  // Now assign binary code to each vocabulary word  // update each vocab word and its parent  for (a = 0; a < vocab_size; a++) {    b = a;    i = 0;    while (1) {      code[i] = binary[b];      point[i] = b;      i++;// the depth of traverse from leaf to root      b = parent_node[b];      if (b == vocab_size * 2 - 2) break;    }    vocab[a].codelen = i;// depth    // point - relative index of parent from vocab_size+1    // in reverse order - path from root to the current word (leaf node)    vocab[a].point[0] = vocab_size - 2;    //下面存放每个基本词的路径，注意i - b - 1是距离叶子节点最近的父节点的编码    for (b = 0; b < i; b++) {      vocab[a].code[i - b - 1] = code[b];      vocab[a].point[i - b] = point[b] - vocab_size;// parent node index    }  }  free(count);  free(binary);  free(parent_node);}void LearnVocabFromTrainFile() {  char word[MAX_STRING];  FILE *fin;  long long a, i;  for (a = 0; a < vocab_hash_size; a++) vocab_hash[a] = -1;  fin = fopen(train_file, "rb");  if (fin == NULL) {    printf("ERROR: training data file not found!\n");    exit(1);  }  vocab_size = 0;  // THis is consistent with ReadVocab()？？？  AddWordToVocab((char *)"</s>");//最初将</s>添加到vocab的第一个位置  while (1) {    ReadWord(word, fin);    if (feof(fin)) break;    train_words++;    if ((debug_mode > 1) && (train_words % 100000 == 0)) {      printf("%lldK%c", train_words / 1000, 13);      fflush(stdout);    }    i = SearchVocab(word);//SearchVocab返回word在vocab中的位置，如果不存在返回－1.    // no found in vocab - add to vocab and vocab_hash, set word.cn = 1    // found in vocab - update word.cn += 1    if (i == -1) {      a = AddWordToVocab(word);      vocab[a].cn = 1;    } else vocab[i].cn++;    // vocab is too LARGE for the current vocab_hash_table    if (vocab_size > vocab_hash_size * 0.7) ReduceVocab();    }//end of while:vocab 和 vocab_hash 建立完成  SortVocab();//在该方法中将词频<min_count的词都舍去  if (debug_mode > 0) {    printf("Vocab size: %lld\n", vocab_size);    printf("Words in train file: %lld\n", train_words);  }  file_size = ftell(fin);  fclose(fin);}// 输出单词和词频到文件void SaveVocab() {  long long i;  FILE *fo = fopen(save_vocab_file, "wb");  // "</s>" will be the first line of the written voc file  for (i = 0; i < vocab_size; i++)     fprintf(fo, "%s %lld\n", vocab[i].word, vocab[i].cn);  fclose(fo);}void ReadVocab() {  long long a, i = 0;// i －number of words in vocab  char c;  char word[MAX_STRING];  FILE *fin = fopen(read_vocab_file, "rb");  if (fin == NULL) {    printf("Vocabulary file not found\n");    exit(1);  }  //给Hash表初始化  for (a = 0; a < vocab_hash_size; a++) vocab_hash[a] = -1;  vocab_size = 0;  // read all the words, and their counts from the file  // add them in the vocab, add their index to vocab_hash   while (1) {    ReadWord(word, fin);    if (feof(fin)) break;    a = AddWordToVocab(word);//AddWordToVocab返回word在vocab的位置    fscanf(fin, "%lld%c", &vocab[a].cn, &c);//这里的c是什么？？？    i++;  }  SortVocab();//排序中删除词频小于min_count的词  if (debug_mode > 0) {    printf("Vocab size: %lld\n", vocab_size);    printf("Words in train file: %lld\n", train_words);  }  fin = fopen(train_file, "rb");//读train_file主要是为了确定训练文件的大小，                                //在LearnVocabFromTrainFile中最后也进行了此步骤。  if (fin == NULL) {    printf("ERROR: training data file not found!\n");    exit(1);  }  fseek(fin, 0, SEEK_END);  file_size = ftell(fin);  fclose(fin);}//初始化神经网络结构void InitNet() {  long long a, b;  // layer1_size will the the dimension of feature space  // syn0 and syn1/syn1neg are of size vocab_size * layer1_size  // syn0-词向量   unsigned long long next_random = 1;  a = posix_memalign((void **)&syn0, 128, (long long)vocab_size * layer1_size * sizeof(real));  if (syn0 == NULL) {printf("Memory allocation failed\n"); exit(1);}  // Hierarchical Softmax   if (hs) {    a = posix_memalign((void **)&syn1, 128, (long long)vocab_size * layer1_size * sizeof(real));    if (syn1 == NULL) {printf("Memory allocation failed\n"); exit(1);}    for (a = 0; a < vocab_size; a++)//将Huffman树的内节点初始化为0     for (b = 0; b < layer1_size; b++)     syn1[a * layer1_size + b] = 0;  }  // Negative Sampling  if (negative>0) {    a = posix_memalign((void **)&syn1neg, 128, (long long)vocab_size * layer1_size * sizeof(real));    if (syn1neg == NULL) {printf("Memory allocation failed\n"); exit(1);}    for (a = 0; a < vocab_size; a++)//将每个词的辅助向量初始化为0     for (b = 0; b < layer1_size; b++)     syn1neg[a * layer1_size + b] = 0;  }  for (a = 0; a < vocab_size; a++) //初始化词向量，每一维都是[-0.5,0.5]/layer1_size的随机数    for (b = 0; b < layer1_size; b++) {    next_random = next_random * (unsigned long long)25214903917 + 11;    syn0[a * layer1_size + b] = (((next_random & 0xFFFF) / (real)65536) - 0.5) / layer1_size;  }  CreateBinaryTree();}//这个线程函数执行之前，已经做好了一些工作：根据词频排序的词汇表，每个单词的huffman编码 void *TrainModelThread(void *id) {  long long a, b, d, cw, word;//cw-｜context(w)｜  // word 向sen中添加单词用，句子完成后表示句子中的当前单词  // last_word 上一个单词，辅助扫描窗口  // sentence_length 当前句子的长度（单词数）  // sentence_position 当前单词在当前句子中的index  long long last_word, sentence_length = 0, sentence_position = 0;  // word_count 已训练语料总长度  // last_word_count 保存值，以便在新训练语料长度超过某个值时输出信息  long long word_count = 0, last_word_count = 0;  //此处注意sen数组存放的是当前训练样本，即基本词的上下文在vocab中的位置  long long sen[MAX_SENTENCE_LENGTH + 1];  // l1 ns中表示word在concatenated word vectors中的起始位置，之后layer1_size是对应的word vector，因为把矩阵拉成长向量了  // l2 cbow或ns中权重向量的起始位置，之后layer1_size是对应的syn1或syn1neg，因为把矩阵拉成长向量了  // c 循环中的计数作用  // target ns中当前的sample  // label ns中当前sample的label  long long l1, l2, c, target, label, local_iter = iter;  // id 线程创建的时候传入，辅助随机数生成  unsigned long long next_random = (long long)id;  // f e^x / (1/e^x)，fs中指当前编码为是0（父亲的左子节点为0，右为1）的概率，ns中指label是1的概率  // g 误差(f与真实值的偏离)与学习速率的乘积  real f, g;  // 当前时间，和start比较计算算法效率  clock_t now;  // neu1对应于Xw，即如果是CBOW，neu1是context(w)各vector的累加和；如果是skip－gram的话，neu1是w对应的vector  real *neu1 = (real *)calloc(layer1_size, sizeof(real));  // 误差累计项  real *neu1e = (real *)calloc(layer1_size, sizeof(real));  FILE *fi = fopen(train_file, "rb");   //每个线程对应一段文本。根据线程id找到自己负责的文本的初始位置   fseek(fi, file_size / (long long)num_threads * (long long)id, SEEK_SET);  while (1) {    if (word_count - last_word_count > 10000) {      word_count_actual += word_count - last_word_count;      last_word_count = word_count;      if ((debug_mode > 1)) {        now=clock();        //打印训练进度情况 回车的ascii码是13 alpha是训练速率        printf("%cAlpha: %f  Progress: %.2f%%  Words/thread/sec: %.2fk  ", 13, alpha,         word_count_actual / (real)(iter * train_words + 1) * 100,         word_count_actual / ((real)(now - start + 1) / (real)CLOCKS_PER_SEC * 1000));        fflush(stdout);      }      //自适应调整学习率      alpha = starting_alpha * (1 - word_count_actual / (real)(iter * train_words + 1));      if (alpha < starting_alpha * 0.0001) alpha = starting_alpha * 0.0001;    }    if (sentence_length == 0) {      while (1) {        //从文件流中读取一个词，并返回这个词在词汇表中的位置        word = ReadWordIndex(fi);        if (feof(fi)) break;        if (word == -1) continue;        word_count++;        if (word == 0) break;//是个回车，句子结束        //对高频词进行亚采样，亚采样可以提高2～10倍的训练速度，并且可以使低频词向量更精确，具体来说：        //以1-ran的概率舍弃高频词        if (sample > 0) {          real ran = (sqrt(vocab[word].cn / (sample * train_words)) + 1) * (sample * train_words) / vocab[word].cn;          next_random = next_random * (unsigned long long)25214903917 + 11;          if (ran < (next_random & 0xFFFF) / (real)65536) continue;        }        //sen存放的为该词在词典中的索引,并且sen[]中词的顺序与文本中词的顺序一致。        sen[sentence_length] = word;        sentence_length++;        //1000个单词视作一个句子         if (sentence_length >= MAX_SENTENCE_LENGTH) break;      }      //充当最外面while循环的指针，依次扫描句中每个word      sentence_position = 0;    }    //如果当前线程已处理的单词超过了阈值，要么进行新一轮的迭代，要么在迭代iter次后退出    if (feof(fi) || (word_count > train_words / num_threads)) {      word_count_actual += word_count - last_word_count;      local_iter--;      if (local_iter == 0) break;      word_count = 0;      last_word_count = 0;      sentence_length = 0;      fseek(fi, file_size / (long long)num_threads * (long long)id, SEEK_SET);      continue;    }    //取出当前单词    word = sen[sentence_position];    if (word == -1) continue;    for (c = 0; c < layer1_size; c++) neu1[c] = 0;    for (c = 0; c < layer1_size; c++) neu1e[c] = 0;    next_random = next_random * (unsigned long long)25214903917 + 11;    //［0，window－1］的随机数，用于确定|context(w)|    b = next_random % window;    //～～～～～～～～～～～～～～～～～～～～～train the cbow architecture (context(w),w)～～～～～～～～～～～～～～～～～～～～    if (cbow) {       cw = 0;//|context(w)|，初始化为0       for (a = b; a < window * 2 + 1 - b; a++) //求向量和Xw         if (a != window) {//当a＝window时，c=sentence_position,当前词上下文中不应该包括        c = sentence_position - window + a;        if (c < 0) continue;        if (c >= sentence_length) continue;        last_word = sen[c];//c处存放的单词在词典中的索引        if (last_word == -1) continue;        for (c = 0; c < layer1_size; c++) //step1:传说中的向量和，layer1_size是词向量的维度，默认是100        neu1[c] += syn0[c + last_word * layer1_size];        cw++;      }      if (cw) {        for (c = 0; c < layer1_size; c++) //求平均向量和          neu1[c] /= cw;         //层次softmax优化        if (hs)           for (d = 0; d < vocab[word].codelen; d++) {//遍历Huffman树上的内节点          f = 0;          //l2为内节点在syn1的起始位置          l2 = vocab[word].point[d] * layer1_size;          for (c = 0; c < layer1_size; c++)//step2:f为Xw和Theta的内积            f += neu1[c] * syn1[c + l2];          if (f <= -MAX_EXP) continue;//sigmoid(f)=0           else if (f >= MAX_EXP) continue;//sigmoid(f)=1          //step3:对f进行sigmoid变换          else f = expTable[(int)((f + MAX_EXP) * (EXP_TABLE_SIZE / MAX_EXP / 2))];            g = (1 - vocab[word].code[d] - f) * alpha;// step4:alpha*[1-dj-sigmoid(f)]          for (c = 0; c < layer1_size; c++) neu1e[c] += g * syn1[c + l2];//step5:计算累计误差，用于更新词向量           for (c = 0; c < layer1_size; c++) syn1[c + l2] += g * neu1[c];//update1:更新内节点Theta        }        // 负采样优化        if (negative > 0)           for (d = 0; d < negative + 1; d++) {          if (d == 0) {            target = word;//目标单词            label = 1;//正样本          } else {            next_random = next_random * (unsigned long long)25214903917 + 11;            target = table[(next_random >> 16) % table_size];            if (target == 0) target = next_random % (vocab_size - 1) + 1;//负采样抽到回车，再重新采样            if (target == word) continue;            label = 0;//负样本          }          l2 = target * layer1_size;//l2-target对应辅助变量Theta(syn1neg)的起始位置          f = 0;          for (c = 0; c < layer1_size; c++) f += neu1[c] * syn1neg[c + l2];//在负采样优化中，每个word都对应一个辅助向量Theta(syn1neg)          if (f > MAX_EXP) g = (label - 1) * alpha;//sigmoid(f)=1          else if (f < -MAX_EXP) g = (label - 0) * alpha;//sigmoid(f)=0          //g=alpha*[label-sigmoid(Xw*Theta)]          else g = (label - expTable[(int)((f + MAX_EXP) * (EXP_TABLE_SIZE / MAX_EXP / 2))]) * alpha;          //neu1e-累积误差，直到一轮抽样完了后才能更新输入层的词向量。          for (c = 0; c < layer1_size; c++) neu1e[c] += g * syn1neg[c + l2];//隐藏层的误差          for (c = 0; c < layer1_size; c++) syn1neg[c + l2] += g * neu1[c];//update1:更新辅助变量Theta(syn1neg)        }        //对context(w)中的每个词向量进行更新        for (a = b; a < window * 2 + 1 - b; a++)           if (a != window) {//cbow模型 更新的不是中间词语的向量，而是周围几个词语的向量。          c = sentence_position - window + a;          if (c < 0) continue;          if (c >= sentence_length) continue;          last_word = sen[c];          if (last_word == -1) continue;          for (c = 0; c < layer1_size; c++)             syn0[c + last_word * layer1_size] += neu1e[c];//update2:更新context(w)中的每一个词向量        }      }    }//end of cbow     // ～～～～～～～～～～～～～～～～～～～～train the skip-gram architecture (w,context(w))～～～～～～～～～～～～～～～～～～～    else {       for (a = b; a < window * 2 + 1 - b; a++)         if (a != window) {        c = sentence_position - window + a;        if (c < 0) continue;        if (c >= sentence_length) continue;        last_word = sen[c];//窗口中待处理的词(公式推导中的u)        if (last_word == -1) continue;        l1 = last_word * layer1_size;//l1-u在syn0层的起始位置        for (c = 0; c < layer1_size; c++) neu1e[c] = 0;//累计误差初始化        // 层次Softmax，这里用到了模型对称：p(u|w)=p(w|u),其中u是context(w)中每个词        if (hs)         for (d = 0; d < vocab[word].codelen; d++) {//遍历word对应的内节点          f = 0;          l2 = vocab[word].point[d] * layer1_size;//l2-内节点在syn1层的位置          for (c = 0; c < layer1_size; c++) f += syn0[c + l1] * syn1[c + l2];//V_u和Theta_w的内积          if (f <= -MAX_EXP) continue;          else if (f >= MAX_EXP) continue;          else f = expTable[(int)((f + MAX_EXP) * (EXP_TABLE_SIZE / MAX_EXP / 2))];//sigmoid(f）          //g=alpha*[1-d_j-sigmoid(V_u和Theta_w的内积)]          g = (1 - vocab[word].code[d] - f) * alpha;          for (c = 0; c < layer1_size; c++) neu1e[c] += g * syn1[c + l2];//计算累计误差，用于更新V_u          // Learn weights hidden -> output          for (c = 0; c < layer1_size; c++) syn1[c + l2] += g * syn0[c + l1];//update1:更新内节点        }        // 负采样 (w,context(w))        if (negative > 0)           for (d = 0; d < negative + 1; d++) {          if (d == 0) {            target = word;            label = 1;          } else {            next_random = next_random * (unsigned long long)25214903917 + 11;            target = table[(next_random >> 16) % table_size];            if (target == 0) target = next_random % (vocab_size - 1) + 1;            if (target == word) continue;            label = 0;          }          l2 = target * layer1_size;//l2-负采样的词在syn1neg的初始位置 l1-context(w)中的每个词在syn0层的初始位置          f = 0;          for (c = 0; c < layer1_size; c++) f += syn0[c + l1] * syn1neg[c + l2];//context(w)中的词与负采样的词做内积          if (f > MAX_EXP) g = (label - 1) * alpha;          else if (f < -MAX_EXP) g = (label - 0) * alpha;          //g=alpga*[label-sigmoid(context(w)中的词与负采样的词做内积)]          else g = (label - expTable[(int)((f + MAX_EXP) * (EXP_TABLE_SIZE / MAX_EXP / 2))]) * alpha;          for (c = 0; c < layer1_size; c++) neu1e[c] += g * syn1neg[c + l2];//计算累计误差          for (c = 0; c < layer1_size; c++) syn1neg[c + l2] += g * syn0[c + l1];//update1:更新负采样的词对应的辅助向量        }        for (c = 0; c < layer1_size; c++) syn0[c + l1] += neu1e[c];//update2:更新context(w)中的每个词向量      }    }//end of skip gram     sentence_position++;    if (sentence_position >= sentence_length) {      sentence_length = 0;      continue;    }  }//end of while(1)  fclose(fi);  free(neu1);  free(neu1e);  pthread_exit(NULL);}void TrainModel() {  long a, b, c, d;  FILE *fo;  // 创建多线程  pthread_t *pt = (pthread_t *)malloc(num_threads * sizeof(pthread_t));  printf("Starting training using file %s\n", train_file);  starting_alpha = alpha;  //先从词汇表中加载，否则从训练文件中加载  if (read_vocab_file[0] != 0) ReadVocab(); else LearnVocabFromTrainFile();  //输出词汇表文件，词＋词频  if (save_vocab_file[0] != 0) SaveVocab(); //根据需要来判断是否进行vocab(排序好的)的保存  if (output_file[0] == 0) return;  InitNet();  if (negative > 0) InitUnigramTable();  start = clock();  for (a = 0; a < num_threads; a++)     pthread_create(&pt[a], NULL, TrainModelThread, (void *)a);  for (a = 0; a < num_threads; a++)     pthread_join(pt[a], NULL);  fo = fopen(output_file, "wb");  if (classes == 0) {    // Save the word vectors    fprintf(fo, "%lld %lld\n", vocab_size, layer1_size);    for (a = 0; a < vocab_size; a++) {      fprintf(fo, "%s ", vocab[a].word);      if (binary)         for (b = 0; b < layer1_size; b++)           fwrite(&syn0[a * layer1_size + b], sizeof(real), 1, fo);      else         for (b = 0; b < layer1_size; b++)           fprintf(fo, "%lf ", syn0[a * layer1_size + b]);      fprintf(fo, "\n");    }  } else {    // Run K-means on the word vectors    int clcn = classes;//cluser count    int iter = 10;    int closeid;    //属于每个中心的单词个数    int *centcn = (int *)malloc(classes * sizeof(int));    // 存放每个单词指派的中心id    int *cl = (int *)calloc(vocab_size, sizeof(int));    real closev, x;    //存放每个中心的向量表示    real *cent = (real *)calloc(classes * layer1_size, sizeof(real));    //随机指派每个单词的中心    for (a = 0; a < vocab_size; a++)       cl[a] = a % clcn;    for (a = 0; a < iter; a++) { //一共迭代iter轮      //中心向量坐标初始化为0      for (b = 0; b < clcn * layer1_size; b++)         cent[b] = 0;      //属于每个中心的单词数为1      for (b = 0; b < clcn; b++)         centcn[b] = 1;      //将属于每个中心的点的每个坐标相加      for (c = 0; c < vocab_size; c++) {        for (d = 0; d < layer1_size; d++)           cent[layer1_size * cl[c] + d] += syn0[c * layer1_size + d];        centcn[cl[c]]++;// 分别计算属于每个中心的点个数      }      for (b = 0; b < clcn; b++) {//更新每个中心的向量表示？？        closev = 0;        for (c = 0; c < layer1_size; c++) {          cent[layer1_size * b + c] /= centcn[b];//每个中心的平均坐标          closev += cent[layer1_size * b + c] * cent[layer1_size * b + c];//每个中心的每维的平方和        }        closev = sqrt(closev);//每个中心的向量模        for (c = 0; c < layer1_size; c++) //将中心向量归一化          cent[layer1_size * b + c] /= closev;      }      for (c = 0; c < vocab_size; c++) {//更新每个样本的中心，循环迭代每个词        closev = -10;        closeid = 0;        for (d = 0; d < clcn; d++) {//判断该词该归为哪一类          x = 0;          for (b = 0; b < layer1_size; b++) //归一化聚类中心和词向量做内积            x += cent[layer1_size * d + b] * syn0[c * layer1_size + b];          if (x > closev) {// 词向量也归一化的，那么两个点的距离最小等价于内积最大，可是                           // 词向量并没有归一化啊？？？            closev = x;            closeid = d;          }        }        cl[c] = closeid;      }    }    // Save the K-means classes    for (a = 0; a < vocab_size; a++) fprintf(fo, "%s %d\n", vocab[a].word, cl[a]);    free(centcn);    free(cent);    free(cl);  }  fclose(fo);}int ArgPos(char *str, int argc, char **argv) {  int a;  for (a = 1; a < argc; a++) if (!strcmp(str, argv[a])) {    if (a == argc - 1) {      printf("Argument missing for %s\n", str);      exit(1);    }    return a;  }  return -1;}int main(int argc, char **argv) {  int i;  if (argc == 1) {    printf("WORD VECTOR estimation toolkit v 0.1c\n\n");    printf("Options:\n");    printf("Parameters for training:\n");    printf("\t-train <file>\n");    printf("\t\tUse text data from <file> to train the model\n");    printf("\t-output <file>\n");    printf("\t\tUse <file> to save the resulting word vectors / word clusters\n");    printf("\t-size <int>\n");    printf("\t\tSet size of word vectors; default is 100\n");    printf("\t-window <int>\n");    printf("\t\tSet max skip length between words; default is 5\n");    printf("\t-sample <float>\n");    printf("\t\tSet threshold for occurrence of words. Those that appear with higher frequency in the training data\n");    printf("\t\twill be randomly down-sampled; default is 1e-3, useful range is (0, 1e-5)\n");    printf("\t-hs <int>\n");    printf("\t\tUse Hierarchical Softmax; default is 0 (not used)\n");    printf("\t-negative <int>\n");    printf("\t\tNumber of negative examples; default is 5, common values are 3 - 10 (0 = not used)\n");    printf("\t-threads <int>\n");    printf("\t\tUse <int> threads (default 12)\n");    printf("\t-iter <int>\n");    printf("\t\tRun more training iterations (default 5)\n");    printf("\t-min-count <int>\n");    printf("\t\tThis will discard words that appear less than <int> times; default is 5\n");    printf("\t-alpha <float>\n");    printf("\t\tSet the starting learning rate; default is 0.025 for skip-gram and 0.05 for CBOW\n");    printf("\t-classes <int>\n");    printf("\t\tOutput word classes rather than word vectors; default number of classes is 0 (vectors are written)\n");    printf("\t-debug <int>\n");    printf("\t\tSet the debug mode (default = 2 = more info during training)\n");    printf("\t-binary <int>\n");    printf("\t\tSave the resulting vectors in binary moded; default is 0 (off)\n");    printf("\t-save-vocab <file>\n");    printf("\t\tThe vocabulary will be saved to <file>\n");    printf("\t-read-vocab <file>\n");    printf("\t\tThe vocabulary will be read from <file>, not constructed from the training data\n");    printf("\t-cbow <int>\n");    printf("\t\tUse the continuous bag of words model; default is 1 (use 0 for skip-gram model)\n");    printf("\nExamples:\n");    printf("./word2vec -train data.txt -output vec.txt -size 200 -window 5 -sample 1e-4 -negative 5 -hs 0 -binary 0 -cbow 1 -iter 3\n\n");    return 0;  }  output_file[0] = 0;  save_vocab_file[0] = 0;  read_vocab_file[0] = 0;  if ((i = ArgPos((char *)"-size", argc, argv)) > 0) layer1_size = atoi(argv[i + 1]);  if ((i = ArgPos((char *)"-train", argc, argv)) > 0) strcpy(train_file, argv[i + 1]);  if ((i = ArgPos((char *)"-save-vocab", argc, argv)) > 0) strcpy(save_vocab_file, argv[i + 1]);  if ((i = ArgPos((char *)"-read-vocab", argc, argv)) > 0) strcpy(read_vocab_file, argv[i + 1]);  if ((i = ArgPos((char *)"-debug", argc, argv)) > 0) debug_mode = atoi(argv[i + 1]);  if ((i = ArgPos((char *)"-binary", argc, argv)) > 0) binary = atoi(argv[i + 1]);  if ((i = ArgPos((char *)"-cbow", argc, argv)) > 0) cbow = atoi(argv[i + 1]);  if (cbow) alpha = 0.05;  if ((i = ArgPos((char *)"-alpha", argc, argv)) > 0) alpha = atof(argv[i + 1]);  if ((i = ArgPos((char *)"-output", argc, argv)) > 0) strcpy(output_file, argv[i + 1]);  if ((i = ArgPos((char *)"-window", argc, argv)) > 0) window = atoi(argv[i + 1]);  if ((i = ArgPos((char *)"-sample", argc, argv)) > 0) sample = atof(argv[i + 1]);  if ((i = ArgPos((char *)"-hs", argc, argv)) > 0) hs = atoi(argv[i + 1]);  if ((i = ArgPos((char *)"-negative", argc, argv)) > 0) negative = atoi(argv[i + 1]);  if ((i = ArgPos((char *)"-threads", argc, argv)) > 0) num_threads = atoi(argv[i + 1]);  if ((i = ArgPos((char *)"-iter", argc, argv)) > 0) iter = atoi(argv[i + 1]);  if ((i = ArgPos((char *)"-min-count", argc, argv)) > 0) min_count = atoi(argv[i + 1]);  if ((i = ArgPos((char *)"-classes", argc, argv)) > 0) classes = atoi(argv[i + 1]);  vocab = (struct vocab_word *)calloc(vocab_max_size, sizeof(struct vocab_word));  vocab_hash = (int *)calloc(vocab_hash_size, sizeof(int));  expTable = (real *)malloc((EXP_TABLE_SIZE + 1) * sizeof(real));  for (i = 0; i < EXP_TABLE_SIZE; i++) {    expTable[i] = exp((i / (real)EXP_TABLE_SIZE * 2 - 1) * MAX_EXP); // e()    expTable[i] = expTable[i] / (expTable[i] + 1);                   // sigmoid()  }  TrainModel();  return 0;}