词向量
概述
离散表示: one-hot / bag of words / TF-IDF / N-gram
分布式表示:共现矩阵 / NNLM 神经网络语言模型 / CBOW(continue bag of words)
NB:一些模型或者算法的具体解释我单独写在了新的文章中,并附了链接.
1. 概述
为把人们所理解的自然语言让计算机也能够认识并且操作,需要将人的语言(即文字)转换成计算机的语言(即数字)
我们将其称为词向量。
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
2. 离散表示
离散表示: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,以此为代表的编码方式包括:
- one-hot
- bag of words
- TF-IDF
- N-gram
2.1 one-hot
1. 介绍
one-hot是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,都记为1,没出现过则记为0.
2.例子
3.缺点
词矩阵太稀疏,并且没有考虑词出现的频率。
具体解释可参考:「机器学习_7」 one-hot encoding解释
2.2 Bag Of Words
在此模型中,文本(例如句子或文档)表示为其单词的包,而忽略了语法甚至单词顺序,但保持了多重性。
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。
具体解释可以参考:「机器学习_8」Bag-of-Words
2.3 TF-IDF
是一种统计方法 ,用以评估一个词对于一个文本的重要程度。其中,TF是一个衡量一个单词在文档中出现的多频繁的指标。 IDF用于衡量一个词的重要程度。
TF(t)=(t在文档中出现的次数)/ (文档中总的词数)
IDF(t)=log(文档总数/包含有t的文档数)
TF-IDF =TF*IDF
结论:词的重要性随着词在文档中出现的次数而正比增加,并且随着词在语料库中出现的频率呈反比下降。
即词在文本中出现的频率越高,而在其他文档中出现的频率越低 ,越能更好做分类。
2.4 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来构建向量)、
3.分布式表示
分布式表示:即用一个词附近的其他词来表示这个词。以此为代表的编码方式包括:
- 共现矩阵
- NNLM 神经网络语言模型
- CBOW(continue bag of words)
3.1 共现矩阵
1.介绍
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,
2.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
3.2 NNLM
神经网络语言模型 用前N个词去推测最后一个词
3.3 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。
完善中!!!!