编辑导语:NLP为Neuro-Linguistic Programming的缩写,是研究思维、语言和行为中的纪律;这是一种对优秀(excellence)举办编码和复制的 *** ,它能使你不绝到达你和你的公司想要的功效;本文是作者关于NLP常识中词的表达的分享,我们一起来看一下。
小我私家认为pm懂一点技能长处是大大的有。
总结这个系列,把NLP相关的常见模子举办了梳理,分为词的表达、RNN、seq2seq、transformer和bert五个部门。
根基的想法是重点领略模子是什么(what)、为什么要用这种模子(why)以及哪些场景中可以用这种模子(where),至于如何实现模子(how)可以留给RD小哥哥们。
一、词的表达要知道计较机是看不懂人类语言的,要想让呆板领略语言、实现自然语言处理惩罚,之一步就是把自然语言转化成计较机语言——数字。
由于词是人类语言表达时的一种根基单元(虽然更细的单元是字可能字母),NLP处理惩罚的时候很自然的想要用一组特定的数字代表一个特定的词,这就是词的表达,把这些暗示词的数字连起来就可以表达一句话、一篇文章了。
这一part里有许多常见的名词,distributed representation、word embedding、word2vec等等,它们的干系或许是这样的:
1. one-hot representation v.s. distributed representation表达 *** ,我以为就是自然语言到呆板语言怎么转化的一套法则;好比“我”这个词转化到呆板语言应该用“1”照旧“100”暗示呢?并且呆板语言中代表“我”的这个数还不能和代表其他词的数反复吧,必需是一个独一的id。
顺着id这个思路,假设我们的辞书收录了10个词,那么我们就给辞书里的每一个词分派一个独一的id;词暗示的时候用一个和字典一样长的向量暗示,这个向量里只有id这一位为1,其他位都为0;好比说abandon这个词的id是1,那么就暗示成abandon=[1 0 0 0 0 0 0 0 0 0],这就是one-hot representation。
这种暗示好领略,可是也有问题:
问题一:向量会跟着字典变大而变大。
很明明假如我的辞书有100000个词的话,每一个词都要用长度100000的向量暗示;假如一句话有20个词,那么就是一个100000*20的矩阵了,按这种操纵根基就走远了。
别的一个问题是这种暗示不能浮现语义的相关性。
好比香蕉和苹果在人看来长短常雷同的,可是用one-hot暗示香蕉大概是[1,0,0,0,0],苹果大概是[0,0,1,0,0],之间没有任何相关性;这样的话假如我们用“我吃了香蕉”练习模子,功效模子大概并不能领略“我吃了苹果”,泛化本领就很差。
于是机警的大佬们提出了一个假说,就是distributed hypothesis:词的语义由其上下文抉择。
基于这种假说生成的暗示就叫做distributed representation,用在词暗示时也就是word embedding,中文名有词向量、词嵌入;所以distributed representation≈word embedding,因为现阶段主流的nlp处理惩罚多半是基于词的,虽然也有对字、句子、甚至文章举办embedding的,所以不能说完全完全相等。
至于详细如何基于这种假说实现词暗示,按照模子差异可以分成基于矩阵(GloVe)、基于聚类、基于神经 *** (NNLM、Word2Vec等)的要领。
2. word embedding小我私家领略,从字面意思上看word embedding就是把一个one-hot这样的稀疏矩阵映射成一个更浓密的矩阵;好比上边栗子中abandon用one-hot(辞书巨细为10)暗示为[1 0 0 0 0 0 0 0 0 0];但word embedding大概用维度为2的向量[0.4 0.5]就可以暗示;办理了前边说的one-hot的维渡过大问题,还增大了信息熵,所以word embedding暗示信息的效率要高于one-hot。
但词向量这个名字没有浮现出它暗示语义的本质,所以之一次看到很容易会不知所云;为了说明word embedding可以浮现语义,这时候就可以搬出著名的queen、king、woman、man的栗子了。
(图来自Andrew Ng deeplearning.ai)
上图是通过练习得出的词向量,man=[-1 0.01 0.03 0.09],woman=[1 0.02 0.02 0.01],king=[-0.95 0.93 0.70 0.02],queen=[0.97 0.95 0.69 0.01]。
矩阵相减man-woman=[-2 -0.01 0.01 0.08],king-queen=[-1.92 -0.02 0.01 0.01],两个差值很是临近,可能说两个向量的夹角很小,可以领略为man和woman之间的干系与king和queen之间很是临近;而apple-orange=[-0.01 -0.01 0.05 -0.02]就和man-woman、king-queen相差很大。
很有意思的是最初word embedding其实是为了练习NNLM(Neural Network Language Model)获得的副产物。
中国新闻社2020年度公开招聘应届高校毕业生公示 根据事业单位公开招聘工作有关规定,现将中国新闻社2020年度拟聘用工作人员予以公示。公示期间,如有问题,请向中国新闻社人事部反映,或直接通过中央...
唛头是什么意思(有什么作用)唛头在国际业务中其实就是运输包装标志。而外贸中的“唛头”是运输标志另一种称呼,是为了便于识别货物,防止错发货,通常由型号,图形或收货单位简称。什么是唛头,有什么作用,接下来...
《三生三十枕上书》电视连续剧总算开播了,凤九和东华帝君中间的爱情小故事也是使我们希望不己,那麼剧里有什么触动内心的经典台词语句呢?下边我产生:《三生三十枕上书》经典对白经典话语摘录 《三生三十枕上书...
阿里西西是海内专业的网页制作教程和web开发资源下载的网站,主要提供网页制作教程、js网页特效代码、广告代码、网站源码、网页模板、站长资讯及酷站、网页编程开发教程等内容。网站自2004年上线至今已有1...
聊天截图是无法证明真假的。现在的截图借助生成器合成,甚至可以以假乱真。唯一的破绽就是聊天记录的时间显示,如真。 怎么导出微信聊天记录?不知道大家在使用微信的过程中,有没有定期备份聊天记录的习惯,现在各...
黑客帝国百度网盘高清资源免费在线观看链接 cAkZvJA 提取码 ayiu 影片讲述了一名年轻的网络黑客尼奥发现看似正常的现实世界实际上是由一个名为“矩阵”的计算机人工。 黑客帝国动画版百度网盘高清资...