- 基本概念
词编码
向量空间子结构
One-Hot
Bag of words(词袋模型)
TF-IDF
语言模型
分布式表示
共现矩阵 - NNLM(Neural Network Language Model)神经网络语言模型
NNLM的基本思想
NNLM原理
projection layer
SoftMax层
hidden layer
1.基本概念
传统的机器翻译,自然语言处理多是基于规则的,现在更多的是基于模型,规则隐含的参数里。
词编码
每个词都用不同的含义,而要被机器所识别,就必须要把词进行编码,同时词编码时要保证词的相似性。图像识别的时候,对图像在RGB三个颜色通道中看他们的相似性就可以了,但是,无论中文还是英文,词都太多了,他是人造的,很难保持像图片这样的信息,所以我们希望能对词进行编码,保持它所包含的信息量。
因此,我们希望能有一个对应关系,如图,这些数字在空间中的表示能有一个对应关系。这不就是和机器学习差不多吗?很多机器学习的预测都是寻找一个对应关系,也就是数据(X)和预测的东西(Y)的对应。机器翻译其实原理也差不多。
向量空间子结构
我们希望找到这样一个关系,可以作为机器学习/深度学习的输入.
VKing−VQueen+VWomen=VMan
这个有没有感觉呢?其实换成这样,你可能更好理解:
VKing−VQueen=VMan−VWomen
我们就是希望找到
King,Queen
之间的差异,隐含的关系,然后通过一个dense vector表示。
One-Hot
最简单的一种想法,就是对一句话用one-hot编码:比如对于这句话:
John likes to watch movies,Mary likes too.
John also likes to watch football games.
"John":1,"likes":2,"to":3,"watch":4,"movies":5,"also":6,