用词向量得句向量的无监督方法

  • 时间:
  • 浏览:0

       词向量技术是NLP领域中四种 基础的技术,词向量将另有另另一个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。

       让我们都都让我们都让我们都知道语录是由另有另另一个个词语组成的,词向量技术假若将单个词语转成固定维度的向量,如此 缘何得到多个词语组成的语录的向量了?这是另有另另一个好问題,毕竟实际环境中需用解决的文本是另有另另一个个语录,而非另有另另一个个词语。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。

       累加法是得到语录向量最简单的最好的方式,假设有另另有另另一个一句文本:

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“通往几何并如此 皇家大道”。NLP解决一段文本首先需用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-negative400.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]

       累加法的做法是将语录中所有非停用词的词向量叠加,想要语录有n个非停用词,则语录的词向量通过下面的手段获得:

       Vsentence = Vword1 + Vword2 + …… + Vwordn

       根据此最好的方式都要能得到” There is no royal way to geometry.“ 的语录向量为:

       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方式这种,同样需用将另有另另一个语录中所有的非停用词向量叠加起来,但最后需用加叠加起来向量处以非停用词的个数。语录的词向量通过下面的手段获得:

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

       根据此最好的方式都要能得到” There is no royal way to geometry.“ 的语录向量为:

       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加权平均法需用利用到TF-IDF技术,TF-IDF技术是四种 常用的文本解决技术。TF-IDF模型常用评估另有另另一个词语对于另有另另一个文档的重要程度,老是应用于搜索技术和信息检索的领域。另有另另一个词语TF-IDF值与它在文档中老是老是出现频数成正比,与它在语料库中老是老是出现的频率成反比。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在自己发生的文档j中老是老是出现频数,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|表示训练语料库含有高词语ti的文档总数。

另外值得注意的是,想要词语ti如此语料库中如此 (1)式中| j:ti∈dj|为0,如此 会原应IDFj中分母为0,则无法计算出IDFj值。很多需用改进为如下:

       TF-IDF加权法不仅需用得到语录中每个非停用词的词向量,还需用得到语录中每个非停用词的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,想也不做query检索,如此 IDF部分对应的语料库假若所有query语录;想也不做文本自这种聚类,如此 IDF部分对应的语料库假若全体待分类语录。假若通过如下手段得到TF-IDF加权的的语录向量:

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

       假设” There is no royal way to geometry.“ 是做query检索,如此 计算IT-IDF对应的语料库假若全体query语录。若全体query语录一共有400个; 其中400个query语录含有词语there, 6十个 query语录含有词语no, 7个query语录含有词语royal, 7另有另另一个query语录含有词语way, 9个quer语录y含有词语geometry。如此 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(400/(1+400) = 0.098

       No: 1/(1+1+1+1+1) * log(400/(1+65) = 0.083

       Royal: 1/(1+1+1+1+1) * log(400/(1+7) = 0.4005

       Way: 1/(1+1+1+1+1) * log(400/(1+72) = 0.629

       Geometry: 1/(1+1+1+1+1) * log(400/(1+9) = 0.4400

       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]+…+0.4400*[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加权平均法这种,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,此最好的方式都要能很好的根据每个词词向量得到整个语录的据向量。SIF嵌入法需用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语录向量嵌入生成



       首先整个算法的输入有:

       (1) 每个词语的词向量

       (2) 语料库中全体语录

       (3) 可调参数a

       (4) 每个词语estimated probability

       整个算法的输出为:

       另有另另一个语录向量

       算法的具体步骤是:

       (1) 得到初步句向量

       遍历语料库中每个语录,假设当前语录为s, 通过如下计算式子得到当前语录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,最后叠加向量处以语录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另有另另一个。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,感兴趣的读者都要能自行下载做实验,Github代码

       本文主要介绍了四种 无监督手段来根据词向量生成另有另另一个语录的句向量,除了无监督手段外,实际环境中还有用到监督最好的方式来生成另有另另一个语录向量,这种训练另有另另一个CNN的文本分类器,取最后另有另另一个隐藏层的输出作为语录向量,感兴趣的读者都要能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.