Distributional Vector VS. Distributed Vector

Distributional Vector VS. Distributed Vector

• 异同点

  • 对于自然语言

    • 相同点
      
      • 都是基于distribution思想
      • 使用相同的语料库
    • Distributional models(BOW,LSI,LDA)
      
      • 共现在同一文本区域中词(如同一语句)相关,在语料中的共现语句越多,越相关
      • 使用共现语句个数构建词与词(上下文)的PMI/PPMI矩阵(高维稀疏矩阵)，然后进行SVD得到每个词的低维稠密向量(隐向量)
    • Distributed models(NPLM,LBL,Word2vec,Glove)
      
      • 在相同上下文中出现的词具有相关性,相同的上下文在语料库中越多,越相关,不要求同时出现
      • 思想来源于深度学习(Inspired by deep learning), 使用预测代替共现计数
    • Example
      A dog is in the room.
      A cat is in the room.
      dog 与 room 是 Distributional
      dog 与 cat 是 Distributed
    • 思想区别
      
      • Distributional思想
        同一个语境中(上下文)出现的词相关。
        它是一种横向思想，如句子“今晚的天空有很多星星”，“天空”与“星星”横向相关。
      • Distributed思想
        相似的语境下(上下文)的词相关。
        这里相似的语境可以是同一个句子，也可以是不同的语句(纵向)。
        它包含一种纵向思想，如句子“今晚的天空有很多星星”，“今晚的天空有月亮”，“星星”与“月亮”纵向相关。
    • 方法区别
      
      • Distributional使用隐矩阵分解(Implicit Matrix Factorization)
      • Distributed使用神经网络词嵌入(Neural word embedding)
      • Distributional使用共现计数来构建原始矩阵
      • Distributed通过神经网络来进行上下文词预测

  • 对于关系网络

    • Distributional
      
      • 在同一的路径中的点相关(取决于路径长度，最简单的便是只考虑1邻居)
      • 如果使用词的共现构建网络，那么有边连接的点相关
      • 或者使用图的邻接矩阵构建原始矩阵，然后进行矩阵分解
    • Distributed
      
      • 不仅考虑邻接的点相关性
      • 还考虑了拥有共同邻居的不直接相连的点的相关
        即如果某两个点，其虽然不直接相连，但是它们拥有相同的邻居，或者相同的邻居点很多，那么它们也具有相似性
      • 可以使用deepwalk来对图中的点来仿造语句(词序列)来构建图节点序列