用词向量得句向量的无监督方法

  • 时间:
  • 浏览:0
  • 来源:五分时时彩_网络五分时时彩平台_网络五分时时彩网站

       词向量技术是NLP领域中四种 基础的技术,词向量将一一3个多词语转换为固定维度的向量,通过补救向量关系让NLP中语义计算的任务得以实现。

       朋友儿都知道一段话是由一一3个多个词语组成的,词向量技术假若将单个词语转成固定维度的向量,没人 为什么得到多个词语组成的一段话的向量了?这是一一3个多好什么的问提,毕竟实际环境中需要补救的文本是一一3个多个一段话,而非一一3个多个词语。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。

       累加法是得到一段话向量最简单的最好的法律办法,假设有原本一句文本:

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“通往几何并没人 皇家大道”。NLP补救一段文本首先需要将一段文本进行去停用词补救,英语中常见的停用词有be动词、介词、连词等,经过去停用词补救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-negative100.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]

       累加法的做法是将一段话中所有非停用词的词向量叠加,然后一段话有n个非停用词,则一段话的词向量通过下面的手段获得:

       Vsentence = Vword1 + Vword2 + …… + Vwordn

       根据此最好的法律办法上能得到” There is no royal way to geometry.“ 的一段话向量为:

       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]

       平均法和累计法最好的法律办法类似,同样需要将一一3个多一段话中所有的非停用词向量叠加起来,但最后需要加叠加起来向量处以非停用词的个数。一段话的词向量通过下面的手段获得:

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

       根据此最好的法律办法上能得到” There is no royal way to geometry.“ 的一段话向量为:

       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加权平均法需要利用到TF-IDF技术,TF-IDF技术是四种 常用的文本补救技术。TF-IDF模型常用评估一一3个多词语对于一一3个多文档的重要程度,突然应用于搜索技术和信息检索的领域。一一3个多词语TF-IDF值与它在文档中跳出频数成正比,与它在语料库中跳出的频率成反比。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在被委托人地处的文档j中跳出频数,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|表示训练语料库含晒 晒 词语ti的文档总数。

另外值得注意的是,然后词语ti没人了语料库中没人 (1)式中| j:ti∈dj|为0,没人 会意味着IDFj中分母为0,则无法计算出IDFj值。什么都有有有需要改进为如下:

       TF-IDF加权法不仅需要得到一段话中每个非停用词的词向量,还需要得到一段话中每个非停用词的TFIDF值。每个非停用词的TF次要还好计算,IDF次要就要看用户使用哪个语料库,然后是做query检索,没人 IDF次要对应的语料库假若所有query一段话;然后是做文本自类似聚类,没人 IDF次要对应的语料库假若全体待分类一段话。假若通过如下手段得到TF-IDF加权的的一段话向量:

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

       假设” There is no royal way to geometry.“ 是做query检索,没人 计算IT-IDF对应的语料库假若全体query一段话。若全体query一段话一共有100个; 其中100个query一段话含晒 词语there, 63个query一段话含晒 词语no, 7个query一段话含晒 词语royal, 7一一3个多query一段话含晒 词语way, 9个quer一段话y含晒 词语geometry。没人 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(100/(1+100) = 0.098

       No: 1/(1+1+1+1+1) * log(100/(1+65) = 0.083

       Royal: 1/(1+1+1+1+1) * log(100/(1+7) = 0.1005

       Way: 1/(1+1+1+1+1) * log(100/(1+72) = 0.629

       Geometry: 1/(1+1+1+1+1) * log(100/(1+9) = 0.4100

       什么都有有有这句话的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]+…+0.4100*[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加权平均法类似,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,此最好的法律办法上能很好的根据每个词词向量得到整个一段话的据向量。SIF嵌入法需要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一段话向量嵌入生成



       首先整个算法的输入有:

       (1) 每个词语的词向量

       (2) 语料库中全体一段话

       (3) 可调参数a

       (4) 每个词语estimated probability

       整个算法的输出为:

       一一3个多一段话向量

       算法的具体步骤是:

       (1) 得到初步句向量

       遍历语料库中每个一段话,假设当前一段话为s, 通过如下计算式子得到当前一段话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,最后叠加向量处以一段话s中词语的个数,对于可调参数a论文中作者使用0.001和0.0001一一3个多。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补救,得到目标句向量

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

       本文主要介绍了四种 无监督手段来根据词向量生成一一3个多一段话的句向量,除了无监督手段外,实际环境中还有用到监督最好的法律办法来生成一一3个多一段话向量,类似训练一一3个多CNN的文本分类器,取最后一一3个多隐藏层的输出作为一段话向量,感兴趣的读者上能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.