用词向量得句向量的无监督方法

  • 时间:
  • 浏览:1
  • 来源:5分时时彩官网_5分时时彩怎么玩_5分时时彩平台哪个好

       词向量技术是NLP领域中有一种基础的技术,词向量将从前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。

       亲们都知道句子是由从前个词语组成的,词向量技术就说 我将单个词语转成固定维度的向量,没人何如会会么得到多个词语组成的句子的向量了?这是从前好问题,毕竟实际环境中必须解决的文本是从前个句子,而非从前个词语。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。

       累加法是得到句子向量最简单的法律方法,假设有从前一句文本:

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解决一段文本首先必须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-negative30.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]

       累加法的做法是将句子中所有非停用词的词向量叠加,机会句子有n个非停用词,则句子的词向量通过下面的手段获得:

       Vsentence = Vword1 + Vword2 + …… + Vwordn

       根据此法律方法还都里能 得到” There is no royal way to geometry.“ 的句子向量为:

       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]

       平均法和累计法法律方法同类,同样必须将从前句子中所有的非停用词向量叠加起来,但最后必须加叠加起来向量处以非停用词的个数。句子的词向量通过下面的手段获得:

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

       根据此法律方法还都里能 得到” There is no royal way to geometry.“ 的句子向量为:

       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加权平均法必须利用到TF-IDF技术,TF-IDF技术是有一种常用的文本解决技术。TF-IDF模型常用评估从前词语对于从前文档的重要程度,总爱应用于搜索技术和信息检索的领域。从前词语TF-IDF值与它在文档中总爱出現频数成正比,与它在语料库中总爱出現的频率成反比。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在另一方地处的文档j中总爱出現频数,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|表示训练语料库中所含词语ti的文档总数。

另外值得注意的是,机会词语ti不出语料库中没人(1)式中| j:ti∈dj|为0,没人会原因分析 IDFj中分母为0,则无法计算出IDFj值。就说 我必须改进为如下:

       TF-IDF加权法不仅必须得到句子中每个非停用词的词向量,还必须得到句子中每个非停用词的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,机会是做query检索,没人IDF次要对应的语料库就说 我所有query句子;机会是做文本自同类聚类,没人IDF次要对应的语料库就说 我全体待分类句子。就说 我通过如下手段得到TF-IDF加权的的句子向量:

       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对应的语料库就说 我全体query句子。若全体query句子一共有30个; 其中30个query句子所含词语there, 6三个白query句子所含词语no, 7个query句子所含词语royal, 7从前query句子所含词语way, 9个quer句子y所含词语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(30/(1+30) = 0.098

       No: 1/(1+1+1+1+1) * log(30/(1+65) = 0.083

       Royal: 1/(1+1+1+1+1) * log(30/(1+7) = 0.305

       Way: 1/(1+1+1+1+1) * log(30/(1+72) = 0.629

       Geometry: 1/(1+1+1+1+1) * log(30/(1+9) = 0.430

       就说 我这句话的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]+…+0.430*[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加权平均法同类,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,此法律方法还都里能 很好的根据每个词词向量得到整个句子的据向量。SIF嵌入法必须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句子向量嵌入生成



       首先整个算法的输入有:

       (1) 每个词语的词向量

       (2) 语料库中全体句子

       (3) 可调参数a

       (4) 每个词语estimated probability

       整个算法的输出为:

       从前句子向量

       算法的具体步骤是:

       (1) 得到初步句向量

       遍历语料库中每个句子,假设当前句子为s, 通过如下计算式子得到当前句子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,最后叠加向量处以句子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从前。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,感兴趣的读者还都里能 自行下载做实验,Github代码

       本文主要介绍了有一种无监督手段来根据词向量生成从前句子的句向量,除了无监督手段外,实际环境中还有用到监督法律方法来生成从前句子向量,同类训练从前CNN的文本分类器,取最后从前隐藏层的输出作为句子向量,感兴趣的读者还都里能 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.