用词向量得句向量的无监督方法

  • 时间:
  • 浏览:3

       词向量技术是NLP领域中有一种基础的技术,词向量将四个 词语转换为固定维度的向量,通过处置向量关系让NLP中语义计算的任务得以实现。

       亲戚亲戚朋友都知道句子是由四个 个词语组成的,词向量技术就说 我将单个词语转成固定维度的向量,那么 为什会么会得到多个词语组成的句子的向量了?这是四个 好大问题,毕竟实际环境中时需处置的文本是四个 个句子,而非四个 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。

       累加法是得到句子向量最简单的最好的最好的法子,假设有曾经一句文本:

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“通往几何并那么 皇家大道”。NLP处置一段文本首先时需将一段文本进行去停用词处置,英语中常见的停用词有be动词、介词、连词等,经过去停用词处置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-negative400.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]

       累加法的做法是将句子中所有非停用词的词向量叠加,将会句子有n个非停用词,则句子的词向量通过下面的手段获得:

       Vsentence = Vword1 + Vword2 + …… + Vwordn

       根据此最好的最好的法子能够得到” There is no royal way to geometry.“ 的句子向量为:

       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]

       平均法和累计法最好的最好的法子这种,同样时需将四个 句子中所有的非停用词向量叠加起来,但最后时需加叠加起来向量处以非停用词的个数。句子的词向量通过下面的手段获得:

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

       根据此最好的最好的法子能够得到” There is no royal way to geometry.“ 的句子向量为:

       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加权平均法时需利用到TF-IDF技术,TF-IDF技术是有一种常用的文本处置技术。TF-IDF模型常用评估四个 词语对于四个 文档的重要程度,经常应用于搜索技术和信息检索的领域。四个 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在自己指在的文档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|表示训练语料库中中含词语ti的文档总数。

另外值得注意的是,将会词语ti没得语料库中那么 (1)式中| j:ti∈dj|为0,那么 会原因分析IDFj中分母为0,则无法计算出IDFj值。什么都有有有时需改进为如下:

       TF-IDF加权法不仅时需得到句子中每个非停用词的词向量,还时需得到句子中每个非停用词的TFIDF值。每个非停用词的TF主次还好计算,IDF主次就要看用户使用哪个语料库,将会是做query检索,那么 IDF主次对应的语料库就说 我所有query句子;将会是做文本自这种聚类,那么 IDF主次对应的语料库就说 我全体待分类句子。何如让通过如下手段得到TF-IDF加权的的句子向量:

       Vsentence = TFIDFword1 * Vword1 + TFIDFword2 * Vword2 + …… + TFIDFwordn * Vwordn

       假设” There is no royal way to geometry.“ 是做query检索,那么 计算IT-IDF对应的语料库就说 我全体query句子。若全体query句子一共有400个; 其中400个query句子中含词语there, 6四个query句子中含词语no, 7个query句子中含词语royal, 7四个 query句子中含词语way, 9个quer句子y中含词语geometry。那么 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(400/(1+400) = 0.098

       No: 1/(1+1+1+1+1) * log(400/(1+65) = 0.083

       Royal: 1/(1+1+1+1+1) * log(400/(1+7) = 0.4005

       Way: 1/(1+1+1+1+1) * log(400/(1+72) = 0.629

       Geometry: 1/(1+1+1+1+1) * log(400/(1+9) = 0.4400

       什么都有有有这句话的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]+…+0.4400*[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加权平均法这种,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,此最好的最好的法子能够很好的根据每个词词向量得到整个句子的据向量。SIF嵌入法时需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句子向量嵌入生成



       首先整个算法的输入有:

       (1) 每个词语的词向量

       (2) 语料库中全体句子

       (3) 可调参数a

       (4) 每个词语estimated probability

       整个算法的输出为:

       四个 句子向量

       算法的具体步骤是:

       (1) 得到初步句向量

       遍历语料库中每个句子,假设当前句子为s, 通过如下计算式子得到当前句子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,最后叠加向量处以句子s中词语的个数,对于可调参数a论文中作者使用0.001和0.0001四个 。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处置,得到目标句向量

       此论文作者也在Github上公开了源代码,感兴趣的读者能够自行下载做实验,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四个 句子的句向量,除了无监督手段外,实际环境中还有用到监督最好的最好的法子来生成四个 句子向量,这种训练四个 CNN的文本分类器,取最后四个 隐藏层的输出作为句子向量,感兴趣的读者能够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.