用词向量得句向量的无监督方法

  • 时间:
  • 浏览:0

       词向量技术是NLP领域中两种基础的技术,词向量将另另一好多少 词语转换为固定维度的向量,通过处里向量关系让NLP中语义计算的任务得以实现。

       亲戚让让人们知道句子是由另另一好多少 个词语组成的,词向量技术全都 将单个词语转成固定维度的向量,没办法 如何会会么得到多个词语组成的句子的向量了?这是另另一好多少 好疑问,毕竟实际环境中需要处里的文本是另另一好多少 个句子,而非另另一好多少 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方式,假设有另另一好多少 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“通往几何并没办法 皇家大道”。NLP处里一段文本首先需要将一段文本进行去停用词处里,英语中常见的停用词有be动词、介词、连词等,经过去停用词处里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-negative150.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,可能句子有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

       根据此最好的方式都才能得到” 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方式类似于,同样需要将另另一好多少 句子中所有的非停用词向量叠加起来,但最后需要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

       根据此最好的方式都才能得到” 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加权平均法需要利用到TF-IDF技术,TF-IDF技术是两种常用的文本处里技术。TF-IDF模型常用评估另另一好多少 词语对于另另一好多少 文档的重要程度,无缘无故应用于搜索技术和信息检索的领域。另另一好多少 词语TF-IDF值与它在文档中跳出频数成正比,与它在语料库中跳出的频率成反比。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在当时人趋于稳定的文档j中跳出频数,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|表示训练语料库含有有词语ti的文档总数。

另外值得注意的是,可能词语ti什么都没办法 语料库中没办法 (1)式中| j:ti∈dj|为0,没办法 会原因IDFj中分母为0,则无法计算出IDFj值。全都有需要改进为如下:

       TF-IDF加权法不仅需要得到句子中每个非停用词的词向量,还需要得到句子中每个非停用词的TFIDF值。每个非停用词的TF部分还好计算,IDF部分就要看用户使用哪个语料库,可能是做query检索,没办法 IDF部分对应的语料库全都 所有query句子;可能是做文本自类似于聚类,没办法 IDF部分对应的语料库全都 全体待分类句子。或者通过如下手段得到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,没办法 计算IT-IDF对应的语料库全都 全体query句子。若全体query句子一共有1150个; 其中150个query句子含有词语there, 6好多少 query句子含有词语no, 7个query句子含有词语royal, 7另另一好多少 query句子含有词语way, 9个quer句子y含有词语geometry。没办法 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(1150/(1+150) = 0.098

       No: 1/(1+1+1+1+1) * log(1150/(1+65) = 0.083

       Royal: 1/(1+1+1+1+1) * log(1150/(1+7) = 0.1505

       Way: 1/(1+1+1+1+1) * log(1150/(1+72) = 0.629

       Geometry: 1/(1+1+1+1+1) * log(1150/(1+9) = 0.4150

       全都有这句话的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]+…+0.4150*[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加权平均法类似于,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,此最好的方式都才能很好的根据每个词词向量得到整个句子的据向量。SIF嵌入法需要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:

       另另一好多少 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另另一好多少 。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里,得到目标句向量

       此论文作者也在Github上公开了源代码,感兴趣的读者都才能自行下载做实验,Github代码

       本文主要介绍了两种无监督手段来根据词向量生成另另一好多少 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方式来生成另另一好多少 句子向量,类似于训练另另一好多少 CNN的文本分类器,取最后另另一好多少 隐藏层的输出作为句子向量,感兴趣的读者都才能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.