文章目录
- 本质
- 词袋模型
- 原理
- 特点
- 词空间模型
- NNLM 模型
- RNNLM
- C&W 模型
- C&W & NNLM
- CBOW 和 Skip-gram 模型
- CBOW 模型
- 改进:负采样
- doc2vec / str2vec
- 由来(时序)
- 资料
本质
便于计算机理解,将文本转化为数值。
当前阶段,对文本的向量化 大部分研究都是通过 词向量
来实现的。
- 词向量:词袋模型,word2vec
- 文章/句子作为向量:doc2vec, str2vec
词袋模型
词袋(Bag Of Word)模型是最早的 以词语为基本处理员 的文本向量化方法。
原理
示例:
存在以下两个文本文档
1:Bob likes to play basketball, Jim likes too.
2:Bob also likes to play football games.
构建如下词典(dictionary):
Dictionary = {1:”Bob”, 2. “like”, 3. “to”, 4. “play”, 5. “basketball”, 6. “also”, 7. “football”, 8. “games”, 9. “Jim”, 10. “too”}。
这个词典一共包含10个不同的单词,上面两个文档每一个都可以用一个10维向量表示(用整数数字0~n(n为正整数)表示某个单词在文档中出现的次数):
1:[1, 2, 1, 1, 1, 0, 0, 0, 1, 1]
2:[1, 1, 1, 1 ,0, 1, 1, 1, 0, 0]
特点
- 原文本中单词的出现顺序,在该向量中没有体现。
- 主要体现单词的频率
优点
- 简单易行
缺点
- 维度灾难
- 没有词序信息
- 没有语义信息(只是将词语符号化)
词空间模型
分布假说(the Distributional Hypothesis):上下文相似的词,其语义也相似。
比如:我喜欢吃 苹果
和 我喜欢吃 梨子
,那么苹果和梨子 语义相似。
基于分布假说来表示词义,就是 词空间模型(word space model)。
神经网络的崛起,让基于上下文建模变得容易。
神经网络构建词向量,主要是根据上下文与目标词之间的关系进行建模。
NNLM 模型
NNLM:Neural Network Language Models,神经网络语言模型
与传统估算方法不同,NNLM 模型通过一个神经网络结构对 n元条件概率
进行估计。
实现:
从语料库中搜集一系列长度为n 的文本序列,假设这些长度为 n 的文本序列组成的集合为 D,那么 NNLM 的目标函数为
含义为在输入词序列为 的情况下,目标词
网络结构
典型的三层前馈神经网络结构,包含:输入层,隐藏层和输出层。
为解决词袋模型数据稀疏的问题,输入层就是将次序列中每个词向量,按照顺序拼接。
优点
- 解决了词袋模型的 数据系数、无语义的问题;是一种更好的 n 元 语言模型
- 在相似的上下文语境中,NNLM 可以预测出 目标词;传统模型无法做到这一点。
RNNLM
RNNLM直接对
模型结构
RNNLM的核心在于其隐藏层的算法:
其中,h(i)表示文中第i个词 所对应的隐藏层,该隐藏层由当前此的词向量 以及上一个词对应的隐藏层
C&W 模型
C&W:Collobert 和 Weston
C&W 核心:如果n元短语在语料库中出现过,那么模型会给该短语打高分,没出现过打低分。
C&W & NNLM
NNLM 构建的是语言概率模型
;
C&W 则是以生成词向量
为目标的模型。
- 计算方式
NNLM 中最费时的是 隐藏层到输入层的权重计算。
C&W 没有采用语言模型的方式去求解词语上下文的条件概率,而是直接对 n 元短语打分。这是一种更为快捷的获取词向量的方式。
语言模型的目标是求解
CBOW 和 Skip-gram 模型
由来:他们设计两个模型的目的是希望 用更高效的方法获取词向量。因此,他们根据前人在NNLM、RNNLM和C&W模型的经验,简化现有模型,保留核心部分,得到了这两个模型。
CBOW:根据上下文预测当前词
Skip-gram:通过当前词预测上下文
CBOW 模型
该模型一方面根据C&W模型的经验,使用一段文本中的中间词作为目标词;另一方面,又以NNLM作为蓝本,并在其基础上做了两个简化。
- 没有隐藏层。
去掉隐藏层之后,模型从神经网络直接转化为 log线性结构,与logistic回归一致。
log线性结构比三层神经网络少了一个矩阵运算,大幅度地提升了模型的训练速度。 - 去除了上下文各词的词序信息,使用上下文各词向量的平均值,代替NNLM使用的上文各词词向量的拼接。
- 根据上下文来预测当前词语的概率,且上下文所有词 对当前词出现的概率的影响是一样的,因此叫做 continuous bag-of-words 模型。
如在袋子里取词,取出数量足够的词就可以了;先后顺序不重要。
改进:负采样
非目标词作为 w,即为负样本。
比如句子为 “我想吃xx”,xx 原为苹果;负样本可以为“我想吃手机”。
doc2vec / str2vec
由来(时序)
word2vec 基于分布假说理论 可以很好地提取词语的语义信息;
用处:计算词语、句子或其他长文本的相似度。
一般做法是:
- 对文本分词
- 提取关键词
- 用词向量表示这些关键词
- 对关键词向量求平均或者将其拼接
- 利用词向量计算文本间的相似度
这种方法丢失了文本的语序信息。
语序包含重要信息,比如 “小王送了小红一个苹果” 和 “小红送了小王一个苹果” 是两件事。
为了利用文本语序信息,研究者在 word2vec 的基础上提出了 文本向量化(doc2vec,又称 str2vec 或 para2vec)
doc2vec 由谷歌工程师 Quoc Le 和 Tomoas Miko 在 word2vec 的基础上拓展。
doc2vec 技术存在两种模型 DM(Distributed Memeory) 和 DBOW(Distributed Bag of Words),分别对应 word2vec 中的 CBOW 和 Skip-gram 模型。
与 CBOW 模型类似,DM模型视图预测给定上下文中某单词出现的概率,只不过 DM 模型的上下文 不仅包含单词,还包括相应的段落。
DBOW 在在仅给定段落响亮的情况下,预测段落中 一组随机单词的概率。
资料
- 综述:神经网络语言模型(译)
https://zhuanlan.zhihu.com/p/109564205 - NLP(四)神经网络词向量表示技术
https://www.jianshu.com/p/edbeeda5d746