用词向量得句向量的无监督方法

  • 时间:
  • 浏览:0

       词向量技术是NLP领域中四种 基础的技术,词向量将有六个词语转换为固定维度的向量,通过解决向量关系让NLP中语义计算的任务得以实现。

       许多人 都知道搞笑的话是由有六个个词语组成的,词向量技术以后将单个词语转成固定维度的向量,这样为什么在得到多个词语组成的搞笑的话的向量了?这是有六个好问题图片图片,毕竟实际环境中需用解决的文本是有六个个搞笑的话,而非有六个个词语。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。

       累加法是得到搞笑的话向量最简单的土土最好的办法,假设有曾经一句文本:

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“通往几何并这样皇家大道”。NLP解决一段文本首先需用将一段文本进行去停用词解决,英语中常见的停用词有be动词、介词、连词等,经过去停用词解决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-negative60 .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]

       累加法的做法是将搞笑的话中所有非停用词的词向量叠加,假如有一天搞笑的话有n个非停用词,则搞笑的话的词向量通过下面的手段获得:

       Vsentence = Vword1 + Vword2 + …… + Vwordn

       根据此土土最好的办法可不都还能否 得到” There is no royal way to geometry.“ 的搞笑的话向量为:

       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]

       平均法和累计法土土最好的办法相似,同样需用将有六个搞笑的话中所有的非停用词向量叠加起来,但最后需用加叠加起来向量处以非停用词的个数。搞笑的话的词向量通过下面的手段获得:

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

       根据此土土最好的办法可不都还能否 得到” There is no royal way to geometry.“ 的搞笑的话向量为:

       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加权平均法需用利用到TF-IDF技术,TF-IDF技术是四种 常用的文本解决技术。TF-IDF模型常用评估有六个词语对于有六个文档的重要程度,经常应用于搜索技术和信息检索的领域。有六个词语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在买车人位于的文档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|表示训练语料库包含高词语ti的文档总数。

另外值得注意的是,假如有一天词语ti没了语料库中这样(1)式中| j:ti∈dj|为0,这样会由于IDFj中分母为0,则无法计算出IDFj值。什么都需用改进为如下:

       TF-IDF加权法不仅需用得到搞笑的话中每个非停用词的词向量,还需用得到搞笑的话中每个非停用词的TFIDF值。每个非停用词的TF部分还好计算,IDF部分就要看用户使用哪个语料库,假如有一天是做query检索,这样IDF部分对应的语料库以后所有query搞笑的话;假如有一天是做文本自相似聚类,这样IDF部分对应的语料库以后全体待分类搞笑的话。假如有一天通过如下手段得到TF-IDF加权的的搞笑的话向量:

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

       假设” There is no royal way to geometry.“ 是做query检索,这样计算IT-IDF对应的语料库以后全体query搞笑的话。若全体query搞笑的话一共有60 个; 其中60 个query搞笑的话包含词语there, 6六个query搞笑的话包含词语no, 7个query搞笑的话包含词语royal, 7有六个query搞笑的话包含词语way, 9个quer搞笑的话y包含词语geometry。这样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(60 /(1+60 ) = 0.098

       No: 1/(1+1+1+1+1) * log(60 /(1+65) = 0.083

       Royal: 1/(1+1+1+1+1) * log(60 /(1+7) = 0.60 5

       Way: 1/(1+1+1+1+1) * log(60 /(1+72) = 0.629

       Geometry: 1/(1+1+1+1+1) * log(60 /(1+9) = 0.460

       什么都这句话的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]+…+0.460 *[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,此土土最好的办法可不都还能否 很好的根据每个词词向量得到整个搞笑的话的据向量。SIF嵌入法需用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搞笑的话向量嵌入生成



       首先整个算法的输入有:

       (1) 每个词语的词向量

       (2) 语料库中全体搞笑的话

       (3) 可调参数a

       (4) 每个词语estimated probability

       整个算法的输出为:

       有六个搞笑的话向量

       算法的具体步骤是:

       (1) 得到初步句向量

       遍历语料库中每个搞笑的话,假设当前搞笑的话为s, 通过如下计算式子得到当前搞笑的话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,最后叠加向量处以搞笑的话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有六个。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解决,得到目标句向量

       此论文作者也在Github上公开了源代码,感兴趣的读者可不都还能否 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有六个搞笑的话的句向量,除了无监督手段外,实际环境中还有用到监督土土最好的办法来生成有六个搞笑的话向量,相似训练有六个CNN的文本分类器,取最后有六个隐藏层的输出作为搞笑的话向量,感兴趣的读者可不都还能否 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.