在所有NLP任务中,第一个也是可以说是最重要的共同点是,我们如何将所有的单词或字词作为输入,输入到我们构建的模型中去。为了大多数NLP任务具有良好的表现,我们需要对单词之间的相似性和差异性有一些概念。使用字词向量的话,我们可以很容易地使用向量本身编码这种能力(使用距离度量,如Jaccard、cos、Eu- clidean等)。
1.One-hot Vector
首先我们能想到的比较简单的向量表示方法是one-hot,它通过使用一个词袋大小维度(R|V|)的,用0和1构成的向量表示特定的单词。比如:“我很好”->((1,0,0),(0,1,0),(0,0,1))。这种方式构造的向量会随着词袋大小的增加而增加,从而使得维度爆炸,很难进行应用计算。同时还有一个重要问题是,这样的输入向量算出来的距离都是为0 的,也就是说这些词之间的相似性都为0,也就不能够体现词与词之间语义信息。
2.SVD
针对One-hot的问题,我们试着将空间从R|V|缩小到更小的空间,从而找到一个子空间来编码单词之间的关系。对于降维,我们向到了使用SVD算法(可参考:https://blog.csdn.net/acdreamers/article/details/44656963)。
首先我们需要对大型的数据集进行循环遍历,获取到以某种形式的矩阵X对词频共现的技术进行累积,然后对X执行SVD奇异值分解,得到。然后我们使用U的行作为字典中所有单词的嵌入。对于矩阵X的构造我们可以考虑以下两种方式:
1) Word-Document Matrix(词-文档矩阵)
使用词-文档矩阵的前提是,我们假设相关的词往往会出现在相同的文档中。例如,“银行”、“债券”、“股票”、“货币”等可能会同时出现。但是“银行”、“章鱼”、“香蕉”和“曲棍球”可能不会总是同时出现。我们利用这个事实来建造一个word-document矩阵,按如下方式得到矩阵X: 循环遍历大量的文档,每次文档j中出现一个词 i,我们就在条目Xij上添加一个。很明显,这是一个非常大的矩阵(R|V|×M),它可以根据文档的数量(M)进行缩放。
2) Window based Co-occurrence Matrix (基于窗口的词共现矩阵)
同样的逻辑我们可以构造基于窗口的词-词共现关联矩阵。在此方法中,我们计算每个单词在特定大小的窗口中出现的次数。我们计算语料库中所有单词的计数。这也将是一个非常大的矩阵((R|V|×R|V|))下面展示一个例子。假设我们的语料库只有三个句子,窗口大小为1:
使用以上两种方式构造的矩阵x可以编码语义和语法(部分语音)信息的词向量,但也会有以下的一些问题:
•矩阵的维数变化非常频繁(新词频繁添加,语料库大小变化)。
•矩阵非常稀疏,因为大多数单词不会同时出现。
•总体上矩阵的维数很高(≈106×106)
•培训的二次成本(即执行SVD)
•需要在X上加入一些技巧来解释词频的严重不平衡
针对上述问题,现有的一些解决方案:
•忽略虚词如“the”,“he”,“has”等。
•应用一个斜坡窗口——即基于文档中单词之间的距离对共现计数进行加权。
•使用皮尔森相关性和设置负数计数为0,而不是只使用原始计数。
3.Word2vec
Word2vec是基于迭代的方法,不是计算和存储关于一些大型数据集(可能是数十亿个句子)的全局信息,而是尝试创建一个模型,该模型能够一次学习一个迭代,并最终能够对给定上下文的单词的概率进行编码。其思想是设计一个以矢量为参数的模型。然后,按照一定的目标训练模型。在每次迭代中,我们运行我们的模型,评估错误,并遵循一个更新规则,该规则有一些惩罚导致错误的模型参数的概念。
Word2vec是一个软件包,实际上包括:
•算法:连续词包(CBOW)和skip-gram。CBOW的目的是根据上下文的词预测中心词。skip-gram则相反,它从中心词预测上下文词的分布(概率)。
•训练方法:负抽样和层次软最大。负抽样通过抽样负检验组来定义一个目标,而层次式softmax通过一个有效的树结构来计算所有词汇的概率来定义一个目标。
对于Word2vec的介绍网上已有很多很全的资料,可参考(https://zhuanlan.zhihu.com/p/44599645)