把文字转化问词向量

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，以此为代表的编码方式包括：

                 one-hot 

                 bag of words

                TF-IDF

                N-gram

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)

接下来简单介绍这几种编码方式的特点：

 

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。

 

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是衡量一个词在文档中出现的多频繁  TF(t）=（t在文档中出现的次数）/(文档中总的词数）

         IDF是衡量一个词有多重要，IDF（t)=log(文档总数/包含有t的文档数）

TF-IDF =TF*IDF

词的重要性随着 词在文档中出现的次数  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。

 

 

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

————————————————————以上是离散表示————————————————————————————

————————————————————以下是分布式表示————————————————————————————

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。