原创手做网站,加若格网站做么样,装修公司营销型网站建设,qq网页版打开网页1. 背景 词嵌入定义为NLP中语言建模和特征学习技术的总称#xff0c;是一种将文本中的词汇转化成数值向量的方法(将字典中的单词和词组映射成实向量)。 one-hot编码存在的一个主要问题是它无法表示出词汇间的相似度。
2. 分布式表示 分布式表示试图通过考虑上下文词…1. 背景 词嵌入定义为NLP中语言建模和特征学习技术的总称是一种将文本中的词汇转化成数值向量的方法(将字典中的单词和词组映射成实向量)。 one-hot编码存在的一个主要问题是它无法表示出词汇间的相似度。
2. 分布式表示 分布式表示试图通过考虑上下文词汇间的关系来捕捉词汇语义。分布式表示的目标是找出一个通用的转换函数把词汇转换成(与它关联的)向量使它们之间的相似性符合词汇间语义的相性。
2.1 word2vec word2vec 是一个模型组这些模型是无监督的它以大型文本语料作为输入并生成词汇的向量空间。其向量空间的维度通常低于one-hot编码的字典大小的向量空间维度。 尽管word2vec创建了用于深度学习NLP模型的向量但它却是浅层NN。
常见的两种结构如下
2.1.1 skip-gram skip-gram 模型训练的目标是通过给定的当前词(中心词)来预测周围词。skip-gram 方法会对正样例可能性的结果池进行随机采样对用于生成负样例的负样本取样处理会包含从文本中随机组对的任意token。
2.2.2 CBOW连续词袋模型 CBOWContinuous Bag Of Words模型通过周围的词汇预测当前词且上下文词汇的顺序不会影响预测结果(即词袋的假定)。 CBOW更快但skip-gram在预测非常用词时比较出色。 2.2.3 从模型中提取word2vec向量 把字典中的词转换成稠密的低维的分布式表示时所用的权重矩阵。 Gensim库提供了一个word2vec的实现。
2.2 GloVe GloVe是一种获取词的向量表示的非监督学习算法其训练基于语料中全局聚合的共现词的统计进行结果表示展示了词向量空间中有趣的线性子结构。字典表示中的全局向量叫GloVe向量。 GloVe处理过程把共现矩阵转换成了一对(word, feature) 和 (feature, context)的矩阵。这个过程就是矩阵分解它是通过随机梯度下降的方法完成的SGD是一种数值迭代方法。当SGD收敛时矩阵(word, feature)就是GloVe向量为了加快收敛SGD通常采用并发模式。 基于预测NN的模型(如word2vec)和基于计数的模型(如GloVe)在思路上是相似的。它们都构造了一个向量空间其中词的位置会被它的邻近词影响。NN模型以共现词的各个样例开始而基于计数的模型通过语料中所有词的聚合共现统计开始。 尽管GloVe通常比word2vec有更高的准确率而且使用并发时比word2vec训练的更快但其相关python工具不如word2vec的那么成熟。 3. 使用预训练好的词向量