NLP文本向量化工具 nlp词向量

1. 什么是词（字）向量？
   将单词（apple、吃饭）用向量的形式进行表示，比如将单词“吃饭”表示为一个三维向量x=[x1,x2,x3]。一个词语或者一个字在NLP中被称为一个token。
2. one-hot来编码字典
   比如一个汉语字典有3个单词“(index:0)吃饭”、“(index:1)睡觉”、“(index:2)打牌”构成，则one-hot编码结果如下：

单词	one-hot编码
吃饭	001
睡觉	010
打牌	100

经过one-hot编码以后，一个单词就被编码为一个向量，该向量只有一个元素为1，其余全为0；
one-hot编码的缺点：
（1）特征稀疏。one-hot编码具有很大的稀疏性，例如一个语料库有10000个单词，则每一个单词都被编码为一个长度为10000的向量，而该向量则含有9999个0。
（2）无法表征词与词之间的相互关系。因为one-hot编码后的任意两个词语都是正交的。
所以提出了更高效的Embedding（嵌入）编码方法。

3. 使用Embedding将单词的one-hot编码格式转换为词向量形式
   所谓的Embedding其实就是指一个线性变换矩阵，通过该变换矩阵，将one-hot编码格式，转换为词向量形式。
   
   这个Embedding矩阵，是需要训练的，不过前人已经训练好了很多中文、英文等语料库的Embedding矩阵，可以直接拿来使用。

Embedding编码的优势：

当单词以词向量的形式表达出来以后，就可以计算两个单词之间的相关性，本质是计算两个词向量之间的相关性，从几何的角度来讲：两个词向量之间的相关性越高，向量之间的夹角就越小，反之亦然。

Embedding矩阵的维度：height=length(one-hot_vector),width=length(word_vector)

即如果一个词的one-hot编码长度为100，通过一个维度为100(height)*20(width)的Embedding矩阵之后，该词的词向量的长度为20维。

4. 句向量
   如果我们需要分析两个句子之间地相似性，则需要将句子表示成句向量的形式，最简单的句向量的构造方式就是单纯地将句子中各个词向量相加，例如句子：“我 吃 了 饭”，

单词	词向量
我	0.1，0.1，0.1，0.1
吃	0.2，0.2，0.2，0.2
了	0.3，0.3，0.3，0.3
饭	0.4，0.4，0.4，0.4

则该句子的句向量为：[1.0，1.0，1.0，1.0]，有了句向量，就可以计算句子之间的相关性。

（文中所用图片来自百度飞桨Ai Studio 平台课程《基于深度学习的自然语言处理 》）