说明:文章内容来源于课程视频和课程ppt。我只学习了课程没有做习题。文章不是翻译,是我对课程的理解。
上文提到文档排序函数是TR的核心。文档排序函数的实现有几种思路,其中一种是基于相似度的模型。这种模型具体是用空间向量模型(Vector Space Model)实现。这篇文章就介绍VSM。
VSM概念
什么是VSM
VSM定义了两点。
第一,用词向量(term vector)来表示查询语句、表示文档。英文中的term vector,我们翻译为词向量。但是这里的“词”并不是指汉语中的一个词,具体含义是:基本概念,可以是一个字、一个词、一个短语。每个词表示一个维度,N个词就可以定义N维空间。如上图所示,programming,libarary,presidential,分别定义了三个维度。查询语句的向量表示:
q
=
(
x
1
,
x
2
,
.
.
.
x
N
)
q=(x_1,x_2,...x_N)
q=(x1,x2,...xN),文档的向量表示:
d
=
(
y
1
,
y
2
,
.
.
.
y
N
)
d=(y_1,y_2,...y_N)
d=(y1,y2,...yN)。
第二,查询语句和文档的相关度正比于查询语句和文档的相似度:
r
e
l
e
v
a
n
c
e
(
q
,
d
)
∝
s
i
m
i
l
a
r
i
t
y
(
q
,
d
)
=
f
(
q
,
d
)
relevance(q,d) ∝ similarity(q,d)=f(q,d)
relevance(q,d)∝similarity(q,d)=f(q,d)
VSM没有定义的
1 怎么定义或者说怎么选择term。只说term是文档集中的基本概念,并未指明什么可以作为term。
2 向量的表示。用什么值来计算查询向量和文档向量。
3 相似度怎么计算。
基于以上几点说VSM其实是一个框架frame。在实践中有好多版本的实现。继续往下看。
VSM实现
来源于ppt的例子。
query=“news about presidential campaign”
d1:"… news about …"
d2:"… news about organic food campaign…"
d3:"… news of presidential campaign …"
d4:"… news of presidential campaign … … presidential candidate …"
d5:"… news of organic food campaign… campaign…campaign…campaign…"
在这个例子中很理想的排序大概应该是:d4,d3。d1,d2,d5其实是不相关文档。
简单实现
BOW+bit-vector+dotproduct 这是一个最简单的实现。
1 用文档中的每一个词定义一个维度。称为词袋模型(Bag of Word=BOW)。
2 用Bit-Vector 表示向量。如果词出现则记为1,否则为0。
x
i
,
y
i
∈
{
0
,
1
}
x_i,y_i \in \{0,1\}
xi,yi∈{0,1}。
3 相似度通过点积(dot product)计算。
最终表示
q
=
(
x
1
,
x
2
.
.
.
.
y
n
)
,
x
i
∈
{
0
,
1
}
q=(x_1,x_2....y_n),x_i \in \{0,1\}
q=(x1,x2....yn),xi∈{0,1}
d
=
(
y
1
,
y
2
.
.
.
y
n
)
,
y
i
∈
{
0
,
1
}
d=(y_1,y_2...y_n),y_i \in \{0,1\}
d=(y1,y2...yn),yi∈{0,1}
s
i
m
(
q
,
d
)
=
x
1
y
1
+
x
2
y
2
+
.
.
.
.
+
x
N
y
N
=
∑
i
=
1
N
x
i
y
i
sim(q,d)=x_1y_1+x_2y_2+....+x_Ny_N=\sum_{i=1}^{N}x_iy_i
sim(q,d)=x1y1+x2y2+....+xNyN=∑i=1Nxiyi
计算一下例子。
V= {news, about, presidential, campaign, food …. }
q= (1, 1, 1, 1, 0, …)
d1= (1, 1, 0, 0, 0, …)
d2= (1, 1, 0, 1, 0, …)
d3= (1, 0, 1, 1, 0, …)
…
f(q,d1)=11+11+0…=2
f(q,d2)=11+11+0+1*1+…=3
…
本算法中sim(q,d)函数的实质就是表示有多少个不同的查询词出现在文档中。
在d2,d3,d4文档中各出现了3次,值为3,;在d1,d5文档中各出现了2次,值为2。
进阶实现
BOW+term frequency+dotproduct
问题:d4中 “presidential ”的次数要比d2多,应该排在前面才对。
解决策略就是使用词频这个信息。
最终表示
$q=(x_1,x_2…y_n),x_i
是
词
是词
是词w_i
在
查
询
语
句
中
出
现
次
数
在查询语句中出现次数
在查询语句中出现次数 d=(y_1,y_2…y_n),y_i
是
词
是词
是词w_i
在
文
档
中
出
现
次
数
在文档中出现次数
在文档中出现次数 sim(q,d)=x_1y_1+x_2y_2+…+x_Ny_N=\sum_{i=1}^{N}x_iy_i$
计算一下例子。
f(q,d4)=11+10+12+11+0+…=4
f(q,d2)=…
…
TF-IDF
BOW+TF-IDF+dotproduct
问题:d2与d3,虽然都命中3个词,但是显然命中presidential比命中about得分要高。presidential含有更重要的信息嘛。
解决策略:使用逆文档频率IDF,在越多文档中出现,权重越低。
I
D
F
=
l
o
g
M
+
1
k
IDF=log\dfrac{M+1}{k}
IDF=logkM+1,M是文档集中文档数量,k是词在多少个文档中出现。
可以看到当k=1的时候,IDF=log(M+1);当k=M的时候IDF接近0。
最终表示
$q=(x_1,x_2…y_n),x_i
是
词
是词
是词w_i
在
查
询
语
句
中
出
现
次
数
在查询语句中出现次数
在查询语句中出现次数 d=(y_1,y_2…y_n),y_i =c(w_i,d)*IDF(w_i),c(w_i,d)
是
是
是w_i
在
文
档
中
的
出
现
次
数
,
在文档中的出现次数,
在文档中的出现次数,IDF(w_i)
是
是
是w_i
在
整
个
文
档
集
中
的
逆
文
档
频
率
。
在整个文档集中的逆文档频率。
在整个文档集中的逆文档频率。 sim(q,d)=x_1y_1+x_2y_2+…+x_Ny_N=\sum_{i=1}^{N}x_iy_i$
计算例子
V= {news, about, presidential, campaign, food …. }
IDF(W)= 1.5 1.0 2.5 3.1 1.8
f(q,d2)=5.6 , f(q,d3)=7.1问题解决。但是f(q,d5)=13.9。我们在最开始就分析了排在前面的文档应该是d4,d3。
TF变形
s
i
m
(
q
,
d
)
=
f
(
q
,
d
)
=
∑
i
=
1
N
x
i
y
i
=
∑
w
∈
q
∩
d
c
(
w
,
q
)
c
(
w
,
d
)
l
o
g
M
+
1
d
f
(
w
)
sim(q,d)=f(q,d)=\sum_{i=1}^{N}x_iy_i=\sum_{w \in q\cap d}c(w,q)c(w,d)log\dfrac{M+1}{df(w)}
sim(q,d)=f(q,d)=∑i=1Nxiyi=∑w∈q∩dc(w,q)c(w,d)logdf(w)M+1,df(w)是指词w的文档量。
问题:d5的打分太高了:13.9,分值高是因为“campaign”的频率太高。当一个词从无到有,有重要价值。但一个文档中包含某个词3-5次,与10次基本上不会有太大差异。所以要适当降低词频的影响。
解决方法1:被称为“亚线性变换(Sublinear TF Transformation)”。使用log函数。函数1:
y
=
x
y=x
y=x,函数2:
y
=
l
o
g
(
1
+
x
)
y=log(1+x)
y=log(1+x),函数1的增长率要比函数2大多了。
f ( q , d ) = ∑ w ∈ q ∩ d c ( w , q ) l n [ 1 + c ( w , d ) ] l o g M + 1 d f ( w ) f(q,d)=\sum_{w \in q\cap d}c(w,q)ln[1+c(w,d)]log\dfrac{M+1}{df(w)} f(q,d)=∑w∈q∩dc(w,q)ln[1+c(w,d)]logdf(w)M+1
解决方法2:被称为“BM25变换”。这种变换需要为词频设置一个最大值。假设最大值为6,超过6的词频都没有区别。函数
y
=
(
k
+
1
)
x
x
+
k
y=\dfrac{(k+1)x}{x+k}
y=x+k(k+1)x,函数值会无线接近于k+1。实践证明BM25变换是非常健壮和有效的(robust and effective)。
f ( q , d ) = ∑ w ∈ q ∩ d c ( w , q ) ( k + 1 ) c ( w , d ) c ( w , d ) + k l o g M + 1 d f ( w ) f(q,d)=\sum_{w \in q\cap d}c(w,q)\dfrac{(k+1)c(w,d)}{c(w,d)+k}log\dfrac{M+1}{df(w)} f(q,d)=∑w∈q∩dc(w,q)c(w,d)+k(k+1)c(w,d)logdf(w)M+1
文档长度变形
问题:当一个文档很长的时候,会更容易出现一个词,一个词的频率也更可能高。所以我们需要惩罚一下长文档。一个文档很长可能因为两个原因:一种是文档内容很详细,做了很多必要的描述;还有一种情况是一个大的文档中讲述了很多内容,每个内容一个小的段落,这样的文档其实是一个一个的小文档。在第二种情况中,词的相关度计算出来是不同的:从长文档中计算与从短文档中计算。
解决:算法称为Pivoted Length Normalization。这里同样也有一个参数需要选择:平均文档长度avdl。函数:
n
o
r
m
a
l
i
z
e
r
=
1
−
b
+
b
d
a
v
d
l
normalizer=1-b+b\dfrac{d}{avdl}
normalizer=1−b+bavdld,参数b是惩罚因子,
b
∈
[
0
,
1
]
b \in [0,1]
b∈[0,1]。
normalizer会放在相似度函数
f
(
q
,
d
)
f(q,d)
f(q,d)的分母上。
当b=0,所有值都为1,没有惩罚。
当b>0,当文档长度
<
<
<avdl,normalizer<1,f(q,d)会增加;当文档产度>avdl,normalizer>1,f(q,d)会减小。
最后的公式
TF亚线性变换:
f
(
q
,
d
)
=
∑
w
∈
q
∩
d
c
(
w
,
q
)
l
n
[
1
+
c
(
w
,
d
)
]
1
−
b
+
b
d
a
v
d
l
l
o
g
M
+
1
d
f
(
w
)
f(q,d)=\sum_{w \in q\cap d}c(w,q)\dfrac{ln[1+c(w,d)]}{1-b+b\dfrac{d}{avdl}}log\dfrac{M+1}{df(w)}
f(q,d)=∑w∈q∩dc(w,q)1−b+bavdldln[1+c(w,d)]logdf(w)M+1
BM25变换:
f
(
q
,
d
)
=
∑
w
∈
q
∩
d
c
(
w
,
q
)
(
k
+
1
)
c
(
w
,
d
)
c
(
w
,
d
)
+
k
(
1
−
b
+
b
d
a
v
d
l
)
l
o
g
M
+
1
d
f
(
w
)
f(q,d)=\sum_{w \in q\cap d}c(w,q)\dfrac{(k+1)c(w,d)}{c(w,d)+k(1-b+b\dfrac{d}{avdl})}log\dfrac{M+1}{df(w)}
f(q,d)=∑w∈q∩dc(w,q)c(w,d)+k(1−b+bavdld)(k+1)c(w,d)logdf(w)M+1
考虑文档长度其实是把词频转为词频率,便于比较。
如何进一步提高VSM的效果
从词的维度改进。例如可以去掉停止词、做词的变换(stemmed words)、使用短语、语义索引、n元模型等待。
改进相似度函数。例如可以用欧式距离、用余弦距离表示相似度。实践中证明点积还是最适合的。