用词向量得句向量的无监督方法

  • 时间:
  • 浏览:1

       词向量技术是NLP领域中有一种基础的技术,词向量将有4个多多词语转换为固定维度的向量,通过避免向量关系让NLP中语义计算的任务得以实现。

       当当我们 都知道语句是由有4个多多个词语组成的,词向量技术要是 将单个词语转成固定维度的向量,不出为什么我么我么得到多个词语组成的语句的向量了?这是有4个多多好间题,毕竟实际环境中须要避免的文本是有4个多多个语句,而非有4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。

       累加法是得到语句向量最简单的法律法律方法,假设有以前一句文本:

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避免一段文本首先须要将一段文本进行去停用词避免,英语中常见的停用词有be动词、介词、连词等,经过去停用词避免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-negative60 .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句中所有非停用词的词向量叠加,肯能语句有n个非停用词,则语句的词向量通过下面的手段获得:

       Vsentence = Vword1 + Vword2 + …… + Vwordn

       根据此法律法律方法须要得到” There is no royal way to geometry.“ 的语句向量为:

       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]

       平均法和累计法法律法律方法类似,同样须要将有4个多多语句中所有的非停用词向量叠加起来,但最后须要加叠加起来向量处以非停用词的个数。语句的词向量通过下面的手段获得:

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

       根据此法律法律方法须要得到” There is no royal way to geometry.“ 的语句向量为:

       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加权平均法须要利用到TF-IDF技术,TF-IDF技术是有一种常用的文本避免技术。TF-IDF模型常用评估有4个多多词语对于有4个多多文档的重要程度,无缘无故应用于搜索技术和信息检索的领域。有4个多多词语TF-IDF值与它在文档中出現频数成正比,与它在语料库中出現的频率成反比。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在其他人地处的文档j中出現频数,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|表示训练语料库蕴藏有词语ti的文档总数。

另外值得注意的是,肯能词语ti不出语料库中不出(1)式中| j:ti∈dj|为0,不出会原应IDFj中分母为0,则无法计算出IDFj值。要是 须要改进为如下:

       TF-IDF加权法不仅须要得到语句中每个非停用词的词向量,还须要得到语句中每个非停用词的TFIDF值。每个非停用词的TF每段还好计算,IDF每段就要看用户使用哪个语料库,肯能是做query检索,不出IDF每段对应的语料库要是 所有query语句;肯能是做文本自类似聚类,不出IDF每段对应的语料库要是 全体待分类语句。要是 通过如下手段得到TF-IDF加权的的语句向量:

       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对应的语料库要是 全体query语句。若全体query语句一共有60 个; 其中60 个query语句蕴藏词语there, 6有一个query语句蕴藏词语no, 7个query语句蕴藏词语royal, 7有4个多多query语句蕴藏词语way, 9个quer语句y蕴藏词语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(60 /(1+60 ) = 0.098

       No: 1/(1+1+1+1+1) * log(60 /(1+65) = 0.083

       Royal: 1/(1+1+1+1+1) * log(60 /(1+7) = 0.60 5

       Way: 1/(1+1+1+1+1) * log(60 /(1+72) = 0.629

       Geometry: 1/(1+1+1+1+1) * log(60 /(1+9) = 0.460

       要是 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]+…+0.460 *[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加权平均法类似,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,此法律法律方法须要很好的根据每个词词向量得到整个语句的据向量。SIF嵌入法须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语句向量嵌入生成



       首先整个算法的输入有:

       (1) 每个词语的词向量

       (2) 语料库中全体语句

       (3) 可调参数a

       (4) 每个词语estimated probability

       整个算法的输出为:

       有4个多多语句向量

       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句,假设当前语句为s, 通过如下计算式子得到当前语句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句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4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避免,得到目标句向量

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

       本文主要介绍了有一种无监督手段来根据词向量生成有4个多多语句的句向量,除了无监督手段外,实际环境中还有用到监督法律法律方法来生成有4个多多语句向量,类似训练有4个多多CNN的文本分类器,取最后有4个多多隐藏层的输出作为语句向量,感兴趣的读者须要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.