- 1用python的turtle库绘制风车动画_python绘制风车代码
- 2hive中的拼接函数contact,concat_ws,collect_set()及explode()，lateral view函数_hive 分组拼接
- 3【Linux】anaconda安装_anaconda 安装abc
- 4石油产量预测文献调研3_mdi特征选择原理
- 5vs 怎么调试html5,关于html5:使用-VSCode-如何进行远程开发调试
- 6SPRINGBOOT+VUE实现大文件分块上传_vue springboot分片上传一次几百个片
- 7利用chatgpt大语言模型来做数据预处理_chatgpt处理数据
- 8Git客户端(TortoiseGit)基本使用详解_tortoisegit pull下的options
- 9SQLServer数据库优化与管理——锁，阻塞，死锁篇_sqlserver rid lock
- 10【测试开发工程师】阿里巴巴集团面试经历_阿里巴巴软件开发工程师都有哪些企业
NLP - 文本向量化
赞
踩
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.
- 1
- 2
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”}。
- 1
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]
- 1
- 2
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
∑
D
P
(
w
i
)
∣
w
i
−
(
n
−
1
)
,
.
.
.
w
i
−
1
\sum_D P(w_i) | w_{i-(n-1)},...w_{i-1}
∑DP(wi)∣wi−(n−1),...wi−1
含义为在输入词序列为
w
i
−
(
n
−
1
)
,
.
.
.
w
i
−
1
w_{i-(n-1)},...w_{i-1}
wi−(n−1),...wi−1 的情况下，目标词
w
i
w_i
wi 的概率。
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 P ( w i ∣ w 1 , w 2 , . . . , w i − 1 ) P(w_i|w_1,w_2,...,w_{i-1}) P(wi∣w1,w2,...,wi−1) 进行建模，而不使用公式对其进行简化。因此，RNNLM可以利用所有的上下文信息，预测下一个词。
模型结构
RNNLM的核心在于其隐藏层的算法：
h ( i ) = ϕ ( e ( w i ) + W h ( i − 1 ) ) h(i) = \phi(e(w_i) + Wh(i-1)) h(i)=ϕ(e(wi)+Wh(i−1))
其中，h(i)表示文中第i个词 w i w_i wi 所对应的隐藏层，该隐藏层由当前此的词向量 e ( w i ) e(w_i) e(wi) 以及上一个词对应的隐藏层 h ( i − 1 ) h(i-1) h(i−1) 结合得到。
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
P
(
w
I
∣
w
1
,
w
2
,
.
.
.
,
w
i
−
1
)
P(w_I | w_1, w_2, ..., w_{i-1})
P(wI∣w1,w2,...,wi−1)
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
- 词袋模型（视觉词袋模型BOVW）详解
https://blog.csdn.net/tanlangqie/article/details/83795207 - 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
