转载：https://www.cnblogs.com/MartinLwx/p/10005520.html#4209708
为什么需要词向量？
众所周知，不管是机器学习还是深度学习本质上都是对数字的数字，Word Embedding(词嵌入)做的事情就是将单词映射到向量空间里，并用向量来表示
update 2019-5-2
> 从信息论的角度来看，就是引入了新的信息，所以能做更多的事情
> 还有TF-IDF词向量的词频+一定的权重值进行统计描述，缺点是单纯考虑词频，而忽略了词之间的位置信息和相互关系。
end
一个简单的对比
- One-hot Vector
对应的词所在的位置设为1，其他为0；
例如：King, Queen, Man and Woman这句里面Queen对应的向量就是[0,1,0,0][0,1,0,0]
不足：难以发现词之间的关系，以及难以捕捉句法（结构）和语义（意思）之间的关系
- Word2Vec
基本思想是把每个词表征为KK维的实数向量（每个实数都对应着一个特征，可以是和其他单词之间的联系），将相似的单词分组映射到向量空间的不同部分。也就是Word2Vec能在没有人为干涉下学习到单词之间的关系。
举个最经典的例子：
king- man + woman = queen
实际上的处理是：从king提取了maleness的含义，加上了woman具有的femaleness的意思，最后答案就是queen.
借助表格来理解就是：
| animal | pet | |
|---|---|---|
| dog | -0.4 | 0.02 |
| lion | 0.2 | 0.35 |
比如，animal那一列表示的就是左边的词与animal这个概念的相关性
两个重要模型
-
原理：拥有差不多上下文的两个单词的意思往往是相近的
-
Continuous Bag-of-Words(CBOW)
-
功能：通过上下文预测当前词出现的概率
-
BOW的思想：v(“abc”)=1/3(v(“a”)+v(“b”)+v(“c”))v(“abc”)=1/3(v(“a”)+v(“b”)+v(“c”))
-
原理分析
假设文本如下：“the florid prose of the nineteenth century.”
想象有个滑动窗口，中间的词是关键词，两边为相等长度（m，是超参数）的文本来帮助分析。文本的长度为7，就得到了7个one-hot向量，作为神经网络的输入向量，训练目标是：最大化在给定前后文本7情况下输出正确关键词的概率，比如给定("prose","of","nineteenth","century")的情况下，要最大化输出"the"的概率，用公式表示就是P("the"|("prose","of","nineteenth","century"))P("the"|("prose","of","nineteenth","century"))
-
特性
- hidden layer只是将权重求和，传递到下一层，是线性的
-
-
Skip-gram
- 功能：根据当前词预测上下文
- 原理分析
- 和CBOW相反，则我们要求的概率就变为P(Context(w)|w)P(Context(w)|w)
- 以上面的句子为例，数据集的构成，(input，output)，(input，output)就是(the,prose),(the,of),(the,nineteenth),(the,century)(the,prose),(the,of),(the,nineteenth),(the,century)
- 损失函数
- 如果假设当前词为ww，那么可以写成P(wt+j|wt)(−m<=j<=m,j≠0)P(wt+j|wt)(−m<=j<=m,j≠0)，每个词都会有一个概率，训练的目标就是最大化这些概率的乘积
- 也就是：L(θ)=∏(−m≤j≤m,j≠0)P(wt+j|wt;θ)L(θ)=∏(−m≤j≤m,j≠0)P(wt+j|wt;θ)，表示准确度，要最大化
- 在概率中也经常有：J(θ)=−1TlogL(θ)=−1T∑Tt=1∑log(P(wt+j|wt;θ))J(θ)=−1TlogL(θ)=−1T∑t=1T∑log(P(wt+j|wt;θ))，加个负号就改成最小
- 概率示意P(o|c)=exp(uTovc)∑vw=1exp(uTwvc)P(o|c)=exp(uoTvc)∑w=1vexp(uwTvc)
- vcvc：当cc为中心词时用vv
- ucuc：当cc在ContextContext里时用uu
- 优点
- 在数据集比较大的时候结果更准确
-
不足
- 词的顺序不重要，并没有考虑到中文的语法
- 一词多义：比如tie的意思有很多个，要如何聚类，可以分出tie-1，tie-2等