Python自然語言處理 課件10-1-詞嵌入算法

深度學(xué)習(xí)與自然語言處理Python自然語言處理第十章CONTENT目錄

01詞嵌入算法03循環(huán)神經(jīng)網(wǎng)絡(luò)02訓(xùn)練詞向量實(shí)踐04Seq2Seq模型實(shí)戰(zhàn)課前回顧常見機(jī)器學(xué)習(xí)方法無監(jiān)督學(xué)習(xí)的文本分類文本分類實(shí)戰(zhàn)文本聚類實(shí)戰(zhàn)深度學(xué)習(xí)概述深度學(xué)習(xí)（DeepLearning）方法基于人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork）自動學(xué)習(xí)合適的特征與多層次的表達(dá)與輸出

應(yīng)用于信息抽取、詞性標(biāo)注、搜索引擎和推薦系統(tǒng)等方面使用詞向量來表示各個(gè)級別的元素本章概述

深度學(xué)習(xí)算法：詞嵌入

循環(huán)神經(jīng)網(wǎng)絡(luò)模型

Seq2Seq實(shí)例詞嵌入算法01詞向量Word2vec簡介詞向量模型CBOW和Skip-gram模型詞嵌入算法

詞嵌入算法：一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)據(jù)模型依靠系統(tǒng)復(fù)雜程度和調(diào)節(jié)內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的其核心為上下文表達(dá)和上下文與目標(biāo)詞匯之間的映射關(guān)系詞向量

詞向量(WordEmbedding)離散表示（One-Hot）：把每個(gè)詞表示為一個(gè)長向量。這個(gè)向量的維度是詞表大小，向量中只有一個(gè)維度的值為1，其余維度為0例：蘋果[0，0，0，1，0，0，0，0，0，……]缺點(diǎn)：無法捕獲詞與詞之間的相似性詞向量

分布式表示：將每個(gè)詞映射到K維實(shí)數(shù)向量，并根據(jù)詞之間的距離，作為判斷它們之間的語義相似度的標(biāo)準(zhǔn)word2vec模型優(yōu)點(diǎn)：詞之間存在相似關(guān)系詞嵌入算法01詞向量Word2vec簡介詞向量模型CBOW和Skip-gram模型word2vec簡介

word2vec：用于訓(xùn)練詞向量的工具神經(jīng)網(wǎng)絡(luò)語言模型（NeuralNetworkLanguageModel，簡稱NNLM）算法：產(chǎn)生詞向量的相關(guān)模型NNLM模型架構(gòu)word2vec簡介

word2vec模型01連續(xù)詞袋模型（ContinuousBag-Of-Words，簡稱CBOW）02Skip-Gramword2vec簡介

詞袋模型將所有詞語裝進(jìn)一個(gè)袋子里，不考慮其詞法和語序的問題例：JanewantstogotoShenzhen.Bob

wantstogotoShanghai.[Jane,wants,to,go,Shenzhen,Bob,Shanghai][1,1,2,1,1,0,0][0,1,2,1,0,1,1]word2vec簡介語料選取語料必須充分：詞量足夠大，盡可能多地包含反映詞語之間關(guān)系的句子語料必須準(zhǔn)確：能夠正確反映該語言的語義和語法關(guān)系word2vec簡介

Skip-gram模型可以跳過某些符號例：“中國足球踢得真是太爛了”提取4個(gè)3元詞組為“中國足球踢得”、“足球踢得真是”、“踢得真是太爛”、“真是太爛了”Skip-gram可以組成“中國足球太爛”word2vec簡介

word2vec模型可以將文本內(nèi)容的處理簡化為K維向量空間中的向量運(yùn)算，并且向量空間中的相似度也可以用來表達(dá)文本的語義相似度word2vec可用于聚類、找同義詞、詞性分析等任務(wù)word2vec簡介

詞向量的評價(jià)方式：1將詞向量集成到系統(tǒng)中以提高整個(gè)系統(tǒng)的準(zhǔn)確性2從語言學(xué)的角度分析詞向量，例如句子相似度分析，語義偏移等詞嵌入算法01詞向量Word2vec簡介詞向量模型CBOW和Skip-gram模型詞向量模型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)：詞向量模型算法流程：①②③對于每個(gè)詞，隨機(jī)初始化一個(gè)特征向量；設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)；通過數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)以獲得合理的特征向量和神經(jīng)網(wǎng)絡(luò)參數(shù)。詞向量模型

詞向量模型

詞向量模型

詞向量模型

詞向量模型

詞向量模型詞嵌入算法01詞向量Word2vec簡介詞向量模型CBOW和Skip-gram模型CBOW和Skip-gram模型

CBOW（ContinuousBag-Of-WordsModel）和Skip-gram模型：CBOW和Skip-gram模型

CBOW計(jì)算流程：（1）隨機(jī)生成所有單詞的詞向量矩陣，每一行對應(yīng)一個(gè)單詞的向量；（2）從矩陣中提取某一個(gè)單詞（中心詞）的周邊單詞詞向量；（3）求周邊單詞詞向量的均值向量；（4）在該均值向量上用logisticregression訓(xùn)練，激活函數(shù)用softmax；（5）期望回歸得到的概率向量能與真實(shí)的概率向