序列模型-NLP和词嵌入

1、词汇表征：

one-hot表征、词嵌入

2、学习词嵌入

word2vec：Word2vec算法是一种简单的计算更加高效的方式来实现对词嵌入的学习

Skip-gram：所做的是在语料库中选定某个词（Context）,随后在该词的正负10个词距内取一些目标词(Target)与之配对，构造一个用Context预测输出为target的监督学习问题，训练一个如下图结构的网络：

o(c)  -> E -> e(c) -> O(softmax) -> y_

softmax:输出context下target出现的条件概率：

p(t|c) = exp(θte(c))/∑exp()

 

Word2vec中还有一种CBOW模型，它的工作方式是采样上下文中的词来预测中间的词，与Skip-gram相反

负采样模型中构造了一个预测给定的单词是否为一对Context-target的新监督学习问题，网络结构可以是skip-gram或者cbow

 

 

 

 训练过程中，从预料库中选定Context，输入的词为一对Context-Target，则标签设置为1。另外任取k对非Context-Target，作为负样本，标签设置为0.只有较少的数据，k的取值5～20的话，能达到比较好的效果；拥有大量的训练数据，k的取值取2～5较为合适。原网络中的softmax变成多个Sigmoid单元，输出Context-Target（c，t）对为正样本（y=1）的概率

模型中一般采用以下公式来计算选择某个词作为负样本的概率：

其中代表语料库中单词wi的出现的频率

 

softmax：

将n维实值向量转化为取值范围在（0，1）之间的n维实值向量，且和为1，多用于表征函数，softmax(x) = softmax(x+c);

转载于:https://www.cnblogs.com/lxw003/p/8602765.html