用词向量得句向量的无监督方法

  • 时间:
  • 浏览:0
  • 来源:大发uu快3_uu快3概率_大发uu快3概率

       词向量技术是NLP领域中一种生活基础的技术,词向量将有几条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。

       大伙都知道话语是由有几条个词语组成的,词向量技术很多很多 将单个词语转成固定维度的向量,不出 为什么我么我得到多个词语组成的话语的向量了?这是有几条好问題,毕竟实际环境中时需解决的文本是有几条个话语,而非有几条个词语。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。

       累加法是得到话语向量最简单的办法 ,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“通往几何并不出 皇家大道”。NLP解决一段文本首先时需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-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]

       累加法的做法是将话语中所有非停用词的词向量叠加,可能话语有n个非停用词,则话语的词向量通过下面的手段获得:

       Vsentence = Vword1 + Vword2 + …… + Vwordn

       根据此办法 能不需要 得到” There is no royal way to geometry.“ 的话语向量为:

       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]

       平均法和累计法办法 这类,同样时需将有几条话语中所有的非停用词向量叠加起来,但最后时需加叠加起来向量处以非停用词的个数。话语的词向量通过下面的手段获得:

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

       根据此办法 能不需要 得到” There is no royal way to geometry.“ 的话语向量为:

       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加权平均法时需利用到TF-IDF技术,TF-IDF技术是一种生活常用的文本解决技术。TF-IDF模型常用评估有几条词语对于有几条文档的重要程度,总是应用于搜索技术和信息检索的领域。有几条词语TF-IDF值与它在文档中出显频数成正比,与它在语料库中出显的频率成反比。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在其他人所处的文档j中出显频数,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,可能词语ti不出语料库中不出 (1)式中| j:ti∈dj|为0,不出 会导致 IDFj中分母为0,则无法计算出IDFj值。很多很多时需改进为如下:

       TF-IDF加权法不仅时需得到话语中每个非停用词的词向量,还时需得到话语中每个非停用词的TFIDF值。每个非停用词的TF帕累托图还好计算,IDF帕累托图就要看用户使用哪个语料库,可能是做query检索,不出 IDF帕累托图对应的语料库很多很多 所有query话语;可能是做文本自这类聚类,不出 IDF帕累托图对应的语料库很多很多 全体待分类话语。后来 通过如下手段得到TF-IDF加权的的话语向量:

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

       假设” There is no royal way to geometry.“ 是做query检索,不出 计算IT-IDF对应的语料库很多很多 全体query话语。若全体query话语一共有100个; 其中100个query话语所含词语there, 6六个query话语所含词语no, 7个query话语所含词语royal, 7有几条query话语所含词语way, 9个quer话语y所含词语geometry。不出 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

       很多很多这句话的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加权平均法这类,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,此办法 能不需要 很好的根据每个词词向量得到整个话语的据向量。SIF嵌入法时需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话语向量嵌入生成



       首先整个算法的输入有:

       (1) 每个词语的词向量

       (2) 语料库中全体话语

       (3) 可调参数a

       (4) 每个词语estimated probability

       整个算法的输出为:

       有几条话语向量

       算法的具体步骤是:

       (1) 得到初步句向量

       遍历语料库中每个话语,假设当前话语为s, 通过如下计算式子得到当前话语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,最后叠加向量处以话语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有几条。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,感兴趣的读者能不需要 自行下载做实验,Github代码

       本文主要介绍了一种生活无监督手段来根据词向量生成有几条话语的句向量,除了无监督手段外,实际环境中还有用到监督办法 来生成有几条话语向量,这类训练有几条CNN的文本分类器,取最后有几条隐藏层的输出作为话语向量,感兴趣的读者能不需要 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.