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领域中一种生活基础的技术,词向量将有3个词语转换为固定维度的向量,通过避免向量关系让NLP中语义计算的任务得以实现。

       我们 都知道话语是由有3个个词语组成的,词向量技术也不将单个词语转成固定维度的向量,这样如可会会会么会得到多个词语组成的话语的向量了?这是有3个好什么的问提,毕竟实际环境中须要避免的文本是有3个个话语,而非有3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。

       累加法是得到话语向量最简单的最好的办法,假设有另有3个一句文本:

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“通往几何并这样皇家大道”。NLP避免一段文本首先须要将一段文本进行去停用词避免,英语中常见的停用词有be动词、介词、连词等,经过去停用词避免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-negative60 .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]

       累加法的做法是将话语中所有非停用词的词向量叠加,肯能话语有n个非停用词,则话语的词向量通过下面的手段获得:

       Vsentence = Vword1 + Vword2 + …… + Vwordn

       根据此最好的办法都还可以得到” There is no royal way to geometry.“ 的话语向量为:

       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办法这类于,同样须要将有3个话语中所有的非停用词向量叠加起来,但最后须要加叠加起来向量处以非停用词的个数。话语的词向量通过下面的手段获得:

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

       根据此最好的办法都还可以得到” There is no royal way to geometry.“ 的话语向量为:

       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加权平均法须要利用到TF-IDF技术,TF-IDF技术是一种生活常用的文本避免技术。TF-IDF模型常用评估有3个词语对于有3个文档的重要程度,一直应用于搜索技术和信息检索的领域。有3个词语TF-IDF值与它在文档中冒出频数成正比,与它在语料库中冒出的频率成反比。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在我本人处在的文档j中冒出频数,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|表示训练语料库暗暗含 词语ti的文档总数。

另外值得注意的是,肯能词语ti没哟语料库中这样(1)式中| j:ti∈dj|为0,这样会原因IDFj中分母为0,则无法计算出IDFj值。什么都须要改进为如下:

       TF-IDF加权法不仅须要得到话语中每个非停用词的词向量,还须要得到话语中每个非停用词的TFIDF值。每个非停用词的TF次责还好计算,IDF次责就要看用户使用哪个语料库,肯能是做query检索,这样IDF次责对应的语料库也不所有query话语;肯能是做文本自这类于聚类,这样IDF次责对应的语料库也不全体待分类话语。并且 通过如下手段得到TF-IDF加权的的话语向量:

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

       假设” There is no royal way to geometry.“ 是做query检索,这样计算IT-IDF对应的语料库也不全体query话语。若全体query话语一共有60 个; 其中60 个query话语暗含 词语there, 63个query话语暗含 词语no, 7个query话语暗含 词语royal, 7有3个query话语暗含 词语way, 9个quer话语y暗含 词语geometry。这样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(60 /(1+60 ) = 0.098

       No: 1/(1+1+1+1+1) * log(60 /(1+65) = 0.083

       Royal: 1/(1+1+1+1+1) * log(60 /(1+7) = 0.60 5

       Way: 1/(1+1+1+1+1) * log(60 /(1+72) = 0.629

       Geometry: 1/(1+1+1+1+1) * log(60 /(1+9) = 0.460

       什么都这句话的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]+…+0.460 *[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加权平均法这类于,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,此最好的办法都还可以很好的根据每个词词向量得到整个话语的据向量。SIF嵌入法须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话语向量嵌入生成



       首先整个算法的输入有:

       (1) 每个词语的词向量

       (2) 语料库中全体话语

       (3) 可调参数a

       (4) 每个词语estimated probability

       整个算法的输出为:

       有3个话语向量

       算法的具体步骤是:

       (1) 得到初步句向量

       遍历语料库中每个话语,假设当前话语为s, 通过如下计算式子得到当前话语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,最后叠加向量处以话语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有3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避免,得到目标句向量

       此论文作者也在Github上公开了源代码,感兴趣的读者都还可以自行下载做实验,Github代码

       本文主要介绍了一种生活无监督手段来根据词向量生成有3个话语的句向量,除了无监督手段外,实际环境中还有用到监督最好的办法来生成有3个话语向量,这类于训练有3个CNN的文本分类器,取最后有3个隐藏层的输出作为话语向量,感兴趣的读者都还可以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.