用词向量得句向量的无监督方法

       词向量技术是NLP领域中一种基础的技术，词向量将一一一有一个多多 词语转换为固定维度的向量，通过防止向量关系让NLP中语义计算的任务得以实现。

       我门我门我门 歌词 都知道搞笑的话是由一一一有一个多多 个词语组成的，词向量技术怎么才能 让将单个词语转成固定维度的向量，没人 为社 得到多个词语组成的搞笑的话的向量了？这是一一一有一个多多 好间题，毕竟实际环境中都要防止的文本是一一一有一个多多 个搞笑的话，而非一一一有一个多多 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。

       累加法是得到搞笑的话向量最简单的办法，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“通往几何并没人 皇家大道”。NLP防止一段文本首先都要将一段文本进行去停用词防止，英语中常见的停用词有be动词、介词、连词等，经过去停用词防止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-negative100.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]

       累加法的做法是将搞笑的话中所有非停用词的词向量叠加，肯能搞笑的话有n个非停用词，则搞笑的话的词向量通过下面的手段获得:

       Vsentence = Vword1 + Vword2 + …… + Vwordn

       根据此办法能否 得到” There is no royal way to geometry.“ 的搞笑的话向量为:

       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]

       平均法和累计法办法类事，同样都要将一一一有一个多多 搞笑的话中所有的非停用词向量叠加起来，但最后都要加叠加起来向量处以非停用词的个数。搞笑的话的词向量通过下面的手段获得:

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

       根据此办法能否 得到” There is no royal way to geometry.“ 的搞笑的话向量为:

       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加权平均法都要利用到TF-IDF技术，TF-IDF技术是一种常用的文本防止技术。TF-IDF模型常用评估一一一有一个多多 词语对于一一一有一个多多 文档的重要程度，一直应用于搜索技术和信息检索的领域。一一一有一个多多 词语TF-IDF值与它在文档中再次冒出频数成正比，与它在语料库中再次冒出的频率成反比。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在买车人指在的文档j中再次冒出频数，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|表示训练语料库带有有词语ti的文档总数。

另外值得注意的是，肯能词语ti没了语料库中没人 (1)式中| j:ti∈dj|为0，没人 会原因分析分析IDFj中分母为0，则无法计算出IDFj值。很多很多很多很多都要改进为如下：

       TF-IDF加权法不仅都要得到搞笑的话中每个非停用词的词向量，还都要得到搞笑的话中每个非停用词的TFIDF值。每个非停用词的TF帕累托图还好计算，IDF帕累托图就要看用户使用哪个语料库，肯能是做query检索，没人 IDF帕累托图对应的语料库怎么才能 让所有query搞笑的话；肯能是做文本自类事聚类，没人 IDF帕累托图对应的语料库怎么才能 让全体待分类搞笑的话。怎么才能 让 通过如下手段得到TF-IDF加权的的搞笑的话向量:

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

       假设” There is no royal way to geometry.“ 是做query检索，没人 计算IT-IDF对应的语料库怎么才能 让全体query搞笑的话。若全体query搞笑的话一共有100个; 其中100个query搞笑的话带有词语there, 6十个 query搞笑的话带有词语no, 7个query搞笑的话带有词语royal, 7一一一有一个多多 query搞笑的话带有词语way, 9个quer搞笑的话y带有词语geometry。没人 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(100/(1+100) = 0.098

       No: 1/(1+1+1+1+1) * log(100/(1+65) = 0.083

       Royal: 1/(1+1+1+1+1) * log(100/(1+7) = 0.1005

       Way: 1/(1+1+1+1+1) * log(100/(1+72) = 0.629

       Geometry: 1/(1+1+1+1+1) * log(100/(1+9) = 0.4100

       很多很多很多很多这句话的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]+…+0.4100*[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加权平均法类事，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，此办法能否 很好的根据每个词词向量得到整个搞笑的话的据向量。SIF嵌入法都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搞笑的话向量嵌入生成

       首先整个算法的输入有:

       (1) 每个词语的词向量

       (2) 语料库中全体搞笑的话

       (3) 可调参数a

       (4) 每个词语estimated probability

       整个算法的输出为:

       一一一有一个多多 搞笑的话向量

       算法的具体步骤是：

       (1) 得到初步句向量

       遍历语料库中每个搞笑的话，假设当前搞笑的话为s, 通过如下计算式子得到当前搞笑的话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，最后叠加向量处以搞笑的话s中词语的个数，对于可调参数a论文中作者使用0.001和0.0001一一一有一个多多 。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防止，得到目标句向量

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

       本文主要介绍了一种无监督手段来根据词向量生成一一一有一个多多 搞笑的话的句向量，除了无监督手段外，实际环境中还有用到监督办法来生成一一一有一个多多 搞笑的话向量，类事训练一一一有一个多多 CNN的文本分类器，取最后一一一有一个多多 隐藏层的输出作为搞笑的话向量，感兴趣的读者能否 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.