把文字转换成向量

把文字转换成词向量有多种编码方式：大致分为两类，离散表示和分布式表示。

离散表示即 无法衡量词与词之间的关系，即在编码过程中并不考虑词的顺序，

分布式表示 即用一个词附近的其他词来表示这个词。

离散： one-hot ，词袋模型(bag of words)，N-gram

分布式：共现矩阵，NNLM 神经网络语言模型，CBOW(continue bag of  words)

one-hot:把语料中的所有词列在一个词典中，每个词都有唯一的索引，在词典中的顺序与在语料中的顺序无关，如果词典 里有十个词，那么这个词典就是1*10维的，对于语料中的每一个词，都构造一个1*10维的向量，其中语料中的词出现过一次或者多次，多记为1，没出现过则记为0.

缺点： 

词矩阵太稀疏，并且没有考虑词出现的频率。

Bag Of Words： 词袋模型，会统计词在语料中出现的次数

 是one hot词向量的加和。用元素的频率表示文本的特征。

N-gram，N代表是几元分词，（比如 如果是bi-gram就是二元分词， 用每两个相邻的词作为一个词作  构建向量）

 

离散表示具有的缺点：

1 词表维度随着语料库增长膨胀

2 n-gram词序列随着语料库膨胀更快

3 数据稀疏的问题

共现矩阵： 主要用于发现主题，（n个词共同出现的次数），使用一个对称的局域窗，窗口的大小表示词左右的几个词，将共现矩阵的行 或者 列作为词向量， 

缺点： 向量维数随词典大小线性增长   解决方法：降维  PCA  SVD 

        存储整个词典所需空间消耗巨大

      矩阵稀疏

 

NNLM：  神经网络语言模型   用前N个词去推测最后一个词

 

 CBOW :用左右附近的词去推测中间的词，相比NNLM 去掉了隐层，用求和代替拼接。

 

word2vec:skip-gram与CBOW完全相反的思路 ，是通过 当前这个词去预测其之前之后的词。 

 缺点：对多义词无法很好的表示。