词嵌入、word2vec

原文链接： http://www.cnblogs.com/biwangwang/p/11440610.html

• 词汇表使用one-hot编码，一个词在一列向量里只有一个位置是1，其他位置为0，缺点是浪费空间，而且看不出各个单词之间的关系。
• 词嵌入用一个高维向量表示一个单词，意思相近的词的词嵌入比较接近，泛化能力强。
• 高维空间不好表示，t-SNe算法可将高维空间映射为二维空间。apple与orange挨得较近。
• 学习词嵌入通常会考察很大文本集，几十亿单词很常见。可以下载词嵌入矩阵，用于自己训练集很小的模型作为输入。
• 通常只有自己训练集很大时，才会微调词嵌入矩阵。一般情况下，词嵌入不用调整。
• 词嵌入的一个应用是类比推理，比如man对women，算法可以推知king对queen。余弦相似度函数被用于衡量两个向量的相似性。
• 如果是学习语言模型，使用目标词前几个词作为上下文。如果是学习词嵌入，使用目标词邻近词作为上下文。
• word2vec算法采用skip-Gram模型。随机选择某个词作为上下文词，然后选择上下文词附近单词作为目标词，来学习词嵌入。
• word2vec主要难点是输出计算概率公式中分母的计算量过大。分级sorftmax和负采样被用来解决这个问题。
• 实际上上下文词并不是随即均匀选择的，而是采用不同的分级来平衡不常见的词和常见的词。
• word2vec还有一个连续词袋模型（CBOW），获得中间词两边的上下文，然后预测中间词。更适合小型语料库。

转载于:https://www.cnblogs.com/biwangwang/p/11440610.html