自然语言处理词向量模型-word2vec

自然语言处理词向量模型-word2vec

一、总结

一句话总结：

“词向量模型是考虑词语位置关系的一种模型。通过大量语料的训练，将每一个词语映射到高维度（几千、几万维以上）的向量当中，通过求余弦的方式，可以判断两个词语之间的关系。” 这个高维的向量就是词向量，现在常用word2vec构成词向量模型。

 

 

二、自然语言处理词向量模型-word2vec

语言模型：

N-gram模型：

 

N-Gram模型：在自然语言里有一个模型叫做n-gram，表示文字或语言中的n个连续的单词组成序列。在进行自然语言分析时，使用n-gram或者寻找常用词组，可以很容易的把一句话分解成若干个文字片段

词向量：

神经网络模型：

注：初始化向量，可以先随机初始化。

传统神经神经网络只需要优化输入层与隐层，隐层与输出层之间的参数。

 

 

神经网络模型的优势：一方面可以得到词语之间近似的含义，另一方面求解出的空间符合真实逻辑规律

CBOW求解目标：

预备知识：

树的带权路径长度规定为所有叶子结点的带权路径长度之和,记为WPL。

分层的softmax设计思想：词频中出现词概率高的尽可能往前放，可以用哈夫曼树来设计。

自然语言哈夫曼树详解，包含构造和编码：

Hierarchical Softmax是用哈夫曼树构造出很多个二分类。

 

 

负采样模型：