用词向量得句向量的无监督方法

  • 时间:
  • 浏览:1
  • 来源:极速快3_快3骗局_极速快3骗局

       词向量技术是NLP领域中某种基础的技术,词向量将一个多多词语转换为固定维度的向量,通过处置向量关系让NLP中语义计算的任务得以实现。

       亲们都知道励志的话 是由一个多多个词语组成的,词向量技术很多很多很多很多 将单个词语转成固定维度的向量,这么为什么我么我会 得到多个词语组成的励志的话 的向量了?这是一个多多好问题报告 ,毕竟实际环境中还里能 处置的文本是一个多多个励志的话 ,而非一个多多个词语。为了让读者了解用词向量生成句向量的具体步骤,本文将介绍如下几种词向量生成句向量的无监督学习手段,它们分别是:累加法、平均法、TF-IDF加权平均法以及SIF嵌入法。

       累加法是得到励志的话 向量最简单的措施,假设有以前一句文本:

There is no royal way to geometry.

——Euclid(欧几里得)

       这句是古希腊著名数学家欧几里得的名言,其中文意思是“通往几何并这么皇家大道”。NLP处置一段文本首先还里能 将一段文本进行去停用词处置,英语中常见的停用词有be动词、介词、连词等,经过去停用词处置后上述文本可得下面的词语距离:

       {there, no, royal, way, geometry}

       本文采用相应的词向量词典(GoogleNews-vectors-negative1000.bin)和python的gensim来得到词向量,可得上述单词的如下词向量(本文篇幅有限,用5维的词向量来演示)

There [ 0.1, 0.2, 0.3, 0.4, 0.5]
No [ 0.2, 0.3, 0.4, 0.5, 0.6]
Royal [ 0.3, 0.4, 0.5, 0.6, 0.7 ]
Way [ 0.4, 0.5, 0.6, 0.7, 0.8 ]
Geometry [0.5, 0.6, 0.7, 0.8, 0.9]

       累加法的做法是将励志的话 中所有非停用词的词向量叠加,以后励志的话 有n个非停用词,则励志的话 的词向量通过下面的手段获得:

       Vsentence = Vword1 + Vword2 + …… + Vwordn

       根据此措施还里能 得到” There is no royal way to geometry.“ 的励志的话 向量为:

       Vsentence = Vthere + Vno + Vroyal + Vway + Vgeometry

                     = [ 0.1, 0.2, 0.3, 0.4, 0.5] + [ 0.2, 0.3, 0.4, 0.5, 0.6] + … + [0.5, 0.6, 0.7, 0.8, 0.9]

                     = [1.5, 2.0, 2.5, 3.0, 3.5]

       平均法和累计法措施相似,同样还里能 将一个多多励志的话 中所有的非停用词向量叠加起来,但最能不还里能 加叠加起来向量处以非停用词的个数。励志的话 的词向量通过下面的手段获得:

       Vsentence = (Vword1 + Vword2 + …… + Vwordn) / n

       根据此措施还里能 得到” There is no royal way to geometry.“ 的励志的话 向量为:

       Vsentence =( Vthere + Vno + Vroyal + Vway + Vgeometry) / 5

                     = ([ 0.1, 0.2, 0.3, 0.4, 0.5] + [ 0.2, 0.3, 0.4, 0.5, 0.6] + … + [0.5, 0.6, 0.7, 0.8, 0.9]) / 5

                     = [1.5, 2.0, 2.5, 3.0, 3.5] / 5

                     = [0.3, 0.4, 0.5, 0.6, 0.7]

       TF-IDF加权平均法还里能 利用到TF-IDF技术,TF-IDF技术是某种常用的文本处置技术。TF-IDF模型常用评估一个多多词语对于一个多多文档的重要程度,一个劲应用于搜索技术和信息检索的领域。一个多多词语TF-IDF值与它在文档中一个劲出现 频数成正比,与它在语料库中一个劲出现 的频率成反比。TF-IDF由TF词频(Term Frequency)和IDF逆向文件频率(Inverse Document Frequency)相乘而得。对于词语ti来说:

       其中ni,j是词语ti在自己存在的文档j中一个劲出现 频数,Σknk,j是文档j中所有所有词语对应数

之和,|D|表示训练语料库中文档的总数,| j:ti∈dj|表示训练语料库中饱含词语ti的文档总数。

另外值得注意的是,以后词语ti没得语料库中这么(1)式中| j:ti∈dj|为0,这么会原因分析 IDFj中分母为0,则无法计算出IDFj值。很多很多很多很多还里能 改进为如下:

       TF-IDF加权法不仅还里能 得到励志的话 中每个非停用词的词向量,还还里能 得到励志的话 中每个非停用词的TFIDF值。每个非停用词的TF偏离 还好计算,IDF偏离 就要看用户使用哪个语料库,以后是做query检索,这么IDF偏离 对应的语料库很多很多很多很多 所有query励志的话 ;以后是做文本自相似聚类,这么IDF偏离 对应的语料库很多很多很多很多 全体待分类励志的话 。但会 通过如下手段得到TF-IDF加权的的励志的话 向量:

       Vsentence = TFIDFword1 * Vword1 + TFIDFword2 * Vword2 + …… + TFIDFwordn * Vwordn

       假设” There is no royal way to geometry.“ 是做query检索,这么计算IT-IDF对应的语料库很多很多很多很多 全体query励志的话 。若全体query励志的话 一共有1000个; 其中1000个query励志的话 饱含词语there, 6六个query励志的话 饱含词语no, 7个query励志的话 饱含词语royal, 7一个多多query励志的话 饱含词语way, 9个quer励志的话 y饱含词语geometry。这么这句话中每个非停用词的TF-IDF数如下所示:

       There: 1/(1+1+1+1+1) * log(1000/(1+1000) = 0.098

       No: 1/(1+1+1+1+1) * log(1000/(1+65) = 0.083

       Royal: 1/(1+1+1+1+1) * log(1000/(1+7) = 0.10005

       Way: 1/(1+1+1+1+1) * log(1000/(1+72) = 0.629

       Geometry: 1/(1+1+1+1+1) * log(1000/(1+9) = 0.41000

       很多很多很多很多这句话的IT-IDF加权据向量为:

       Vsentence = TFIDFthere * Vthere + TFIDFno * Vno + …… + TFIDFgeometry * Vgeometry

                     =0.098[0.1,0.2,0.3,0.4,0.5]+0.083[0.2,0.3,0.4,0.5,0.6]+…+0.41000*[0.5,0.6,0.7,0.8,0.9]

                     = [0.147, 0.166, 1.2625 , 1.887, 1.61]

       ISF加权平均法和TF-IDF加权平均法相似,ISF加权计算来源于普林斯顿大学的论文A latent variable model approach to pmi-based word embeddings. ( https://openreview.net/forum?id=Sy K00v5xx),按照论文作者说法,此措施还里能 很好的根据每个词词向量得到整个励志的话 的据向量。SIF嵌入法还里能 利用主成分分析和每个词语的estimated probability, SIF嵌入法具体操作如下所示:



图1 SIF励志的话 向量嵌入生成



       首先整个算法的输入有:

       (1) 每个词语的词向量

       (2) 语料库中全体励志的话

       (3) 可调参数a

       (4) 每个词语estimated probability

       整个算法的输出为:

       一个多多励志的话 向量

       算法的具体步骤是:

       (1) 得到初步句向量

       遍历语料库中每个励志的话 ,假设当前励志的话 为s, 通过如下计算式子得到当前励志的话 s的初步句向量:

\[\frac{{\rm{1}}}{{\left| s \right|}}\sum\nolimits_{w \in s} {\frac{a}{{a + p\left( w \right)}}{v_w}} \]

       即加权求平均的过程,每个词语向量乘以系数a/(a+p(w)后叠加,最后叠加向量处以励志的话 s中词语的个数,对于可调参数a论文中作者使用0.001和0.0001一个多多。P(w)是词语在全体语料库中unigram probability,即词语w词频处以语料库所有词语词频之和。

       (2) 主成分计算

       全体初步句向量进行主成分分析,计算出全体初步句向量第一主成分u

       (3) 得到目标句向量

       通过如下计算时对初步句向量进行二次处置,得到目标句向量

       此论文作者也在Github上公开了源代码,感兴趣的读者还里能 自行下载做实验,Github代码

       本文主要介绍了某种无监督手段来根据词向量生成一个多多励志的话 的句向量,除了无监督手段外,实际环境中还有用到监督措施来生成一个多多励志的话 向量,相似训练一个多多CNN的文本分类器,取最后一个多多隐藏层的输出作为励志的话 向量,感兴趣的读者还里能 google来进一步学习。

参考文献

       [1] Arora S, Liang Y, Ma T. A simple but tough-to-beat baseline for sentence embeddings[J]. 2016.