是不是被各种Embedding模型弄得眼花缭乱啊？这篇论文统一了很多类似模型，提供了一个简单框架。论文可下载。
这篇文章来自David Blei的实验室。文章的核心思想非常直观，那就是如何把Word2Vec的思想能够给Generalize到其他应用场景，提供一个比较通用的模型框架。在这个新的框架下，其他的很多类似模型都能够归纳成为这个新框架的特殊形式。
新的框架模型叫做Exponential Family Embedding（EF-EMB）。其中包含三个要素：
A Context Function
A Conditional Exponential Family
An Embedding Structure
首先，Context Function是定义如何把当前的数据点（Data Point）和一个Context里面的其他数据点联系起来。这是一个建模的选择。比如，对于Language Data来说，这个Context可以就是周围的字；而对于Neural Data来说，这个Context则可以是周围的Neuron；对于Shopping Data来说，这个Context则可能就是购物车里的其他商品。
其次，Conditional Exponential Family定义一个合适的Distribution，来解释数据的产生过程。比如，对于Language Modeling来说，这个分布就是Categorical Distribution；而对于Real-Valued数据来说，则就是Gaussian Distribution。另外，在这个Conditional Exponential Family的定义里，每一个Data Point有两种Embeddings：一种叫做Embedding Vector；另一种叫做Context Vector。通俗得讲，也就是每个数据点分解成为了Embedding Vector和一组Context Vector（这个被上面的Context Function所定义）的乘积形式。
第三个要素Embedding Structure定义在建模中，Embeddings是如何被共享（Shared）的。比如，对于Language Data来说，每一个词只有唯一的Embedding Vector和唯一的Context Vector。还有其他的一些Setting里，这两者也可以是相同的。
在定义了之前的这些结构以后，Objective Function则是Log Conditional Probability的加和，外加Log定义的Regularizer。
文章讨论了好几个模型的例子，这里就不复述了。总之，现有的一些Embedding模型都很容易在这个框架下被重现。
模型的Inference则采用了SGD。文章里还讨论了在SGD的情况下，如何得到类似于Negative Sampling的结果。同时，文章后面有详细的模型讨论。
总之，这篇文章很值得细看一下。一方面也是因为这里面统一了很多关于Embedding模型的讨论；另一方面，从软件工程角度来说，也许也能够设计和实现一个类型的模型框架。
文章地址：NIPS 2016
