【李宏毅机器学习】Unsupervised Learning - Word Embedding 无监督学习 - 词嵌入（p22） 学习笔记

Unsupervised Learning Word Embedding

用一个vector来表示一个word的几种方法

1-of-N Encoding

用一个vector来表示一个word，这个vector的维度就是世界上可能有的词的数目，每一个word对应其中一个维度。

用这种方法来描述一个word，得到的vector不够informative信息丰富，每个word的vector都不一样，无法从中得到任何信息，以及词和词之间的联系。

Word Class

如何解决上述问题？

建立word class，把有相同性质的word放在同一个 class内，但是这还是不够的，依然缺少一些信息。

Word Embedding

把每个word都映射到一个高维空间，但是远比1-of-encoding的维度要低，一般都是50-100维。

如何做Word Embedding

• Word Embedding是一个无监督学习的方法，只需要让机器阅读大量的文章，就可以知道每个词汇embedding的feature vector是什么样子。
  

• 产生词向量是无监督的，我们需要做的就是训练一个神经网络，找到一个function，输入一个词，输出该词对应的word embedding 的 vector。训练数据是一大堆文字，即，只有input，没有output。
  
  不能用auto-encoder来解决

How to exploit the context? 如何利用文本呢？

Count based

如果有两个word常常在同一个文章中出现，则说明他们比较接近。

Prediction based

learn一个神经网络，用来预测，给前一个word $w_{i-1}$，预测出下一个可能出现的word是谁
。

输入：前一个word的1-of-N encoding的feature vector

输出：下一个word，是某个词的概率，vector的维度是世界上word的数目。

Prediction-based - Sharing Parameters

前面仅仅通过前一个词来预测下一个词可能太差了，所以可以引申为通过前几个词来预测下一个词。

每个维度连接到的weight必须是一样的，否则，一个词会对应有两个词向量，且减少参数量（1-of-N encoding的vector的维度是10w维，feature vector是50维。如果我们强迫让所有的1-of-N encoding后面接的weight全部一样，就不会随着context的增长而需要更多的参数）。

公式化表示：

如何让$w_i$和$w_j$相等呢？
让$w_i$和$w_j$做相同初始化。
如果像下图一样，则第一次更新则会导致$w_i$和$w_j$不再相等。

所以需要这样：$w_i$和$w_j$使得两个weight永远tie在一起。

Prediction-based - Training

Prediction-based - Various Architectures

Word Embedding

同一个动词的三种时态会存在某种关系——三角形

所以，我们可以从word vector中发现词和词之间的关系。

如果把word vector两两相减，把他们映射到一个二维空间中，如果他们落在了同一块区域，说明这两个word之间会存在一个包含另外一个的关系。

Characteristics

Solving analogies

Demo

Multi-lingual Embedding

把不同语言的word vector放在一起。

通过中文和英文的两个corpus单独地去训练一组word vector，可以发现中文和英文的word vector完全没有任何关系，每个维度对应的含义没有任何联系。

因为，训练word vector靠的是上下文之间的关系，所以如果你的corpus里没有中英文混杂的话，那么机器就无法判断中英文词汇之间的关系。

但是如果事先已知一部分中英文的词汇的对应关系，然后再分别得到一组中文vector和英文vector，接下来就可以learn一个模型把事先知道的中英文对应的那些词汇，通过映射到空间中的同一个点（绿色底子汉字或者绿色英文代表已知中英文对应关系的词汇），接下来，如果遇到新的未知的中文或者英文词汇，则可以用同样的映射方法，把他们映射到同一个空间中，可以自动知道这些未知的词会落在同样的位置，达到类似翻译的效果。

Multi-domain Embedding

现已经找到一组vector，知道他们在空间中所映射的位置，在有一个新的image进来的时候，通过把他映射到空间中，可以得到他属于的类别。在做影像分类的时候很难处理新增的类别，一般都只能判断出给定的已知类别，学习出来的模型只能去对那几个类别来分类，如果有一个新的来了，这个模型完全无能为力，无法判断其类别。

但是用这种方法的话，是可以判断未知类别的图像。

机器在阅读大量图片后，机器自动知道了词汇间的关系，然后将新的图片区匹配已知的知识，这样就算遇到没见过的图片，也有可能识别出他的名字。

Document Embedding

把一个document变成一个vector

Semantic Embedding

把一个document变成一个bag of word，用auto-encoder学习出他的semantic embedding。

但是这么做是不够的，用bag of word来描述一个document是不够的，因为词汇的顺序是十分重要的。
下图的两句话的bag of word是完全一样的，但是他们在语义上是完全不一样的，所以用bag of word来描述一个document是非常不够的！

具体方法没有细讲，只给出了一些reference，前三个方法是无监督的，只需要收集一大堆的document，后面的算是有监督的，虽然不需要给出每一个document对应的vector是什么，但是需要对每一个document给出额外label，才可以进行学习。