one-hot representation与distributed representation学习笔记

爱被打了一巴掌 2022-06-06 04:44 125阅读 0赞

本文转载自http://blog.csdn.net/elmo66/article/details/53735591，仅用作个人学习；如需转载请联系原创作者；如需删除，请见谅并联系本人。

词表示：

高维数据可以转换为连续的实数real valued概念向量，从而有效地从数据中捕获其潜在关系。例如，肺炎pneumonia和支气管炎bronchitis显然比肺炎和肥胖obesity更相关。在one-hot coding中，像这种不同代码之间的关系不能表示。

基于distributional hypothesis的词表示模型：

具有相似上下文的词，应该具有相似的语义。这个假说被称为distributional hypothesis。词的distributed representation（分布式表示）就是一种表示能够刻画语义之间的相似度并且维度较低的稠密向量表示，例如：

高兴=\[0.2,1.6,−0.6,0.7,0.3\]T

开心=\[0.3,1.4,−0.5,0.9,0.2\]T

这样，便可通过计算向量的余弦相似度，来反映出词的语义相似度。

一般基于矩阵。词与词的关系，将现有模型分为两大类：一类是syntagmatic models，一类是paradigmatic models。

![20161219102421175][]

（一）syntagmatic models

syntagmatic models关注的是词与词的组合关系(combinatorial relations)，强调的是相似的词会共现于同一个语境(text region)，比如在上图中，"wolf"和"fierce"就属于组合关系。为了建模组合关系，可以使用词-文档共现矩阵(co-occurrence matrix)：矩阵的行指标代表词，列指标代表文档，矩阵的元素可以是词频等。例子，现在有三篇文档——doc1: I love playing football. doc2: I love playing tennis. doc3: You love playing football. 那么现在可以建立一个词-文档共现矩阵，元素值代表词频：

![20161219102421657][]

结论："love"和"playing"这两个较强组合关系的词的词表示是相似的，而"football"和"tennis"这两个具有较强替换关系的词的表示是不相似的。此外，这样的词表示的维度较高。

<table style="border-collapse:collapse; border-spacing:0px; max-width:100%; background-color:transparent"> 
 <tbody style=""> 
 <tr style=""> 
 <td style="padding-left:7px; padding-right:7px; border-width:1pt 1pt 2.25pt; border-style:solid; border-color:rgb(247,150,70)"> Latent Semantic Analysis (LSA) 模型扩展： 优点：可以把原文本特征空间降维到一个低维语义空间；减轻一词多义和一义多词问题。 缺点：特别耗时 例子："被子"和"被褥"是两个完全不同的维度，而"笔记本"(notebook or laptop?)又被表示成相同的维度，因此不能够体现文本中隐含的语义。 奇异值分解：<img src="https://img-blog.csdn.net/20161219102422160" alt="" style="border:0px; vertical-align:middle; outline:none; max-width:100%">，式中，m代表词的个数(矩阵的行数)，n代表文档的个数(矩阵的列数)；X是词-文档共现矩阵；U、V两个方阵满足 UTU=VTV=E(正交矩阵)，其中U的列向量称为X的左奇异向量，V的列向量称为 X的右奇异向量；矩阵Σ的对角元素为从大到小排列的奇异值且其他元素均为0，且非零奇异值的个数就等于矩阵X的秩。为了降维，只取奇异值中最大的k个，那么SVD的式子就变成了下式：<img src="https://img-blog.csdn.net/20161219102422517" alt="" style="border:0px; vertical-align:middle; outline:none; max-width:100%">。&nbsp;由<img src="https://img-blog.csdn.net/20161219102422832" alt="" style="border:0px; vertical-align:middle; outline:none; max-width:100%">特征向量可求得矩阵U，由<img src="https://img-blog.csdn.net/20161219102423189" alt="" style="border:0px; vertical-align:middle; outline:none; max-width:100%">的特征向量可求得矩阵V，两者特征根是一样的，为<img src="https://img-blog.csdn.net/20161219102423535" alt="" style="border:0px; vertical-align:middle; outline:none; max-width:100%">，它们的开方是对角线上的值。 <img src="https://img-blog.csdn.net/20161219102424095" alt="" style="border:0px; vertical-align:middle; outline:none; max-width:100%"> 例子： &nbsp;<img src="https://img-blog.csdn.net/20161219102425363" alt="" style="border:0px; vertical-align:middle; outline:none; max-width:100%; text-align:center"> 
 <div style="margin:0px; padding:0px; text-align:center">
 &nbsp; 
 </div> <img align="left" src="https://img-blog.csdn.net/20161219102424363" alt="" style="border:0px; vertical-align:middle; outline:none; max-width:100%; text-align:center"> SVD <img src="https://img-blog.csdn.net/20161219102426485" alt="" style="border:0px; vertical-align:middle; outline:none; max-width:100%"> </td> 
 </tr> 
 </tbody> 
</table>

（二）paradigmatic models

paradigmatic models关注的是词与词的替换关系(substitutional relations)，强调的是相似的词拥有相似的上下文（context）而可以不同时出现。在上图中，"wolf"和"tiger"就属于替换关系。词-词共现矩阵（words-by-words co-occurrence matrix）：行指标和列指标都是词。

![20161219102427626][]矩阵中，所取的窗口大小为1：比如说以"love"作为中心词、窗口大小为1的窗口就是"I, love, playing"、"I, love, playing"、"You, love, playing"，考虑的是中心词左边和右边各1个词，那么在窗口内"love"和"playing"共现了3次，所以上面这个矩阵的第二行第三列就是3。

可以看出，"football"和"tennis"这两个较强替换关系的词的词表示是相似的，而"love"和"playing"这两个较强组合关系的词的词表示是不相似的。

神经概率语言模型NPLM：

近年来，基于神经网络来得到词表示的模型备受青睐。这类模型所得到的词的向量表示是分布式表示distributed representation，通常被称为word embedding（词嵌入；词向量）。神经概率语言模型（NPLM, Neural Probabilistic Language Model），通过训练语言模型，同时得到词表示。

![20161219102427894][]表示长度为T的词串。![20161219102428267][]=![20161219102428613][]其中，![20161219102428907][]

n-gram模型是一种近似策略，作了一个马尔可夫假设：认为目标词wt的条件概率只与其之前的n−1个词有关：![20161219102429269][]

[20161219102421175]: /images/20220606/111f990281134c9d9496aa9a7968286c.png
[20161219102421657]: /images/20220606/a5a9456e0ede4dc39618118ec80531d7.png
[20161219102427626]: /images/20220606/3f5a4a85604a46b382526b3d85de34bb.png
[20161219102427894]: https://img-blog.csdn.net/20161219102427894
[20161219102428267]: https://img-blog.csdn.net/20161219102428267
[20161219102428613]: https://img-blog.csdn.net/20161219102428613
[20161219102428907]: /images/20220606/4aa61d9ff34c44ea88db97dc10f2c935.png
[20161219102429269]: /images/20220606/a5510570ee9a4fdc8c1737c44eb606f8.png