one-hot理解

one-hot是比较常用的文本特征特征提取的方法。

one-hot编码，又称“独热编码”。其实就是用N位状态寄存器编码N个状态，每个状态都有独立的寄存器位，且这些寄存器位中只有一位有效，说白了就是只能有一个状态。

下面举例说明：

有四个样本，每个样本有三种特征：

	feature1	feature2	feature3
sample1	1	4	3
sample2	2	3	2
sample3	1	2	2
sample4	2	1	1

上图用十进制数对每种特征进行了编码，feature1有两种可能的取值，feature2有4种可能的取值，feature3有3种可能的取值。比如说feature3有3种取值，或者说有3种状态，那么就用3个状态位来表示，以保证每个样本中的每个特征只有1位处于状态1,其他都是0。

1->001

2->010

3->100

其他的特征也都这么表示：

	feature1	feature2	feature3
sample1	01	1000	100
sample2	10	0100	010
sample3	01	0010	010
sample4	10	0001	001

这样，4个样本的特征向量就可以这么表示：

sample1 -> [0,1,1,0,0,0,1,0,0]

sample2 -> [1,0,0,1,0,0,0,1,0]

sample3 -> [0,1,0,0,1,0,0,1,0]

sample4 -> [1,0,0,0,0,1,0,0,1]

 

接下来看看怎么应用one-hot：

one-hot在特征提取上属于词袋模型（bag of words），假设语料库中有三句话：

• 我爱中国
• 爸爸妈妈爱我
• 爸爸妈妈爱中国

首先，将语料库中的每句话分成单词，并编号：

1：我      2：爱      3：爸爸      4：妈妈      5：中国

然后，用one-hot对每句话提取特征向量：（图来源于网络）

所以最终得到的每句话的特征向量就是：

• 我爱中国 -> 1，1，0，0，1
• 爸爸妈妈爱我 -> 1，1，1，1，0
• 爸爸妈妈爱中国 -> 0，1，1，1，1

那么这样做的优点和缺点都有什么？

优点：

1. 解决了分类器处理离散数据困难的问题
2. 一定程度上起到了扩展特征的作用（上例中从3扩展到了9）

缺点：

1. one-hot是一个词袋模型，不考虑词与词之间的顺序问题，而在文本中，次的顺序是一个很重要的问题
2. one-hot是基于词与词之间相互独立的情况下的，然而在多数情况中，词与词之间应该是相互影响的
3. one-hot得到的特征是离散的，稀疏的