目录
3.2.2词向量(Word2Vec)技术
1、词向量(Word2Vec)技术
(1)词袋法
在“3.1.1.1特征抽取总结”节详细介绍了如何通过词袋法,即以每个词汇为特征,向量化表示一个文本;并且提供了几种特征量化的技术,如CountVectorizer和TfidfVectorizer。词袋法(Bag of Words)可以视作对文本向量化的表示技术,通过这项技术可以对文本之间在内容的相似性进行一定程度的度量。
(2)背景
对于两段文本,词袋法技术似乎对计算它们的相似度表现得无能为力。
The cat is walking in the bedroom.
A dog was running across the kitchen.
尽管从语义上讲,这两段文本所描述的场景极为相似;但是,从词袋法表示来看,这两段文本唯一相同的词汇是the,找不到任何语义层面的联系。
而在“3.2.1自然语言处理(NLTK)”节中,进一步学习到如何借助更加复杂的自然语言处理技术对文本进行分析。这不仅能够对词汇的具体词性进行标注,甚至可以对句子进行解构。然而,即便能够使用NLTK中的词性标注技术对上述两段文本进行分析,找出对应词汇在词性方面的相似性,也无法针对具体词汇之间的含义是否相似进行度量。
因此,为了寻找词汇之间的相似度关系,试图也将词汇的表示向量化。这样就可以通过计算表示词汇的向量之间的相似度,来度量词汇之间的含义是否相似。而为了学习到这样的词向量表示,Yoshua教授等人以及Google研究员