用词向量得句向量的无监督方法

  • 时间:
  • 浏览:0
  • 来源:大发快三_快三苹果app下载_大发快三苹果app下载

       词向量技术是NLP领域中本身基础的技术,词向量将另另一个多多词语转换为固定维度的向量,通过外理向量关系让NLP中语义计算的任务得以实现。

       亲戚亲戚朋友都知道句子是由另另一个多多个词语组成的,词向量技术我希望将单个词语转成固定维度的向量,没有为什么在么在会 得到多个词语组成的句子的向量了?这是另另一个多多好大什么的问题,毕竟实际环境中都要外理的文本是另另一个多多个句子,而非另另一个多多个词语。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。

       累加法是得到句子向量最简单的最好的办法,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“通往几何并没有皇家大道”。NLP外理一段文本首先都要将一段文本进行去停用词外理,英语中常见的停用词有be动词、介词、连词等,经过去停用词外理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-negative1000.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

       根据此最好的办法还都要得到” 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]

       平均法和累计法最好的办法类事,同样都要将另另一个多多句子中所有的非停用词向量叠加起来,但最后都要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

       根据此最好的办法还都要得到” 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加权平均法都要利用到TF-IDF技术,TF-IDF技术是本身常用的文本外理技术。TF-IDF模型常用评估另另一个多多词语对于另另一个多多文档的重要程度,突然应用于搜索技术和信息检索的领域。另另一个多多词语TF-IDF值与它在文档中冒出频数成正比,与它在语料库中冒出的频率成反比。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在买车人发生的文档j中冒出频数,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|表示训练语料库中所含词语ti的文档总数。

另外值得注意的是,机会词语ti没哟语料库中没有(1)式中| j:ti∈dj|为0,没有会愿因IDFj中分母为0,则无法计算出IDFj值。什么都有有都要改进为如下:

       TF-IDF加权法不仅都要得到句子中每个非停用词的词向量,还都要得到句子中每个非停用词的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,机会是做query检索,没有IDF部分对应的语料库我希望所有query句子;机会是做文本自类事聚类,没有IDF部分对应的语料库我希望全体待分类句子。随后 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,没有计算IT-IDF对应的语料库我希望全体query句子。若全体query句子一共有1000个; 其中1000个query句子所含词语there, 6另一个query句子所含词语no, 7个query句子所含词语royal, 7另另一个多多query句子所含词语way, 9个quer句子y所含词语geometry。没有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(1000/(1+1000) = 0.098

       No: 1/(1+1+1+1+1) * log(1000/(1+65) = 0.083

       Royal: 1/(1+1+1+1+1) * log(1000/(1+7) = 0.10005

       Way: 1/(1+1+1+1+1) * log(1000/(1+72) = 0.629

       Geometry: 1/(1+1+1+1+1) * log(1000/(1+9) = 0.41000

       什么都有有这句话的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]+…+0.41000*[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加权平均法类事,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,此最好的办法还都要很好的根据每个词词向量得到整个句子的据向量。SIF嵌入法都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:

       另另一个多多句子向量

       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另另一个多多。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外理,得到目标句向量

       此论文作者也在Github上公开了源代码,感兴趣的读者还都要自行下载做实验,Github代码

       本文主要介绍了本身无监督手段来根据词向量生成另另一个多多句子的句向量,除了无监督手段外,实际环境中还有用到监督最好的办法来生成另另一个多多句子向量,类事训练另另一个多多CNN的文本分类器,取最后另另一个多多隐藏层的输出作为句子向量,感兴趣的读者还都要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.