1.6.1.如何表示字符串
1.6.1.1.word embedding
1.6.1.1.1.文本表示（Representation）
1.6.1.1.2.獨(dú)熱編碼 | one-hot representation
1.6.1.1.3.整數(shù)編碼
1.6.1.1.4.什么是詞嵌入 | word embedding ?
1.6.1.1.5. 2中主流的word embedding算法
1.6.1.1.6.百度百科和維基百科
1.6.1.1.7.維基百科版本
1.6.1.2.One - hot
1.6.1.2.1.文本數(shù)據(jù)向量化
1.6.1.2.2.ont-hot編碼
1.6.1.2.3.one-hot散列技巧
1.6.1.3.Embedding
1.6.1.3.1.Word2vec
1.6.1.3.1.1.什么是Word2vec
1.6.1.3.1.2.Word2vec的2中訓(xùn)練模式
1.6.1.3.1.3.Word2vec的優(yōu)缺點(diǎn)
1.6.1.3.1.4.百度百科
1.6.1.3.2.BERT
1.6.1.3.3.Glove
1.6.1.3.3.1.什么是GloVe?
1.6.1.3.3.2.GloVe是如何實(shí)現(xiàn)的？
1.6.1.3.3.4.Glove與LSA、word2vec的比較
1.6.1.3.3.5.公式推導(dǎo)

1.6.1.如何表示字符串

主要參考博文：
https://www.bilibili.com/read/cv4053575/
https://easyai.tech/ai-definition/word-embedding/
https://easyai.tech/ai-definition/word2vec/
https://easyai.tech/ai-definition/bert/

在深度學(xué)習(xí)中字符串不好表示，要通過(guò)以下的方式來(lái)表示。

1.6.1.1.word embedding

本文轉(zhuǎn)自：https://easyai.tech/ai-definition/word-embedding/

1.6.1.1.1.文本表示（Representation）

文本是一種非結(jié)構(gòu)化的數(shù)據(jù)信息，是不可以直接被計(jì)算的。

文本表示的作用就是將這些非結(jié)構(gòu)化的信息轉(zhuǎn)化為結(jié)構(gòu)化的信息，這樣就可以針對(duì)文本信息做計(jì)算，來(lái)完成我們?nèi)粘Ｋ?jiàn)到的文本分類(lèi)，情感分析等任務(wù)。

文本表示的方法有很多種，下面只介紹3類(lèi)方式：
1.獨(dú)熱編碼 | one-hot representation
2.整數(shù)編碼
3.詞嵌入 | word embedding

1.6.1.1.2.獨(dú)熱編碼 | one-hot representation

假設(shè)我們要計(jì)算的文本中一共出現(xiàn)了4個(gè)詞：貓、狗、牛、羊。向量里每一個(gè)位置都代表一個(gè)詞。所以用one-hot來(lái)表示就是：
貓： [ 1, 0 ,0 ,0 ]
狗： [ 0, 1, 0, 0 ]
牛： [ 0, 0, 1, 0 ]
羊： [ 0, 0, 0, 1 ]

但是在實(shí)際情況中，文本中很可能出現(xiàn)成千上萬(wàn)個(gè)不同的詞，這時(shí)候向量就會(huì)非常長(zhǎng)。其中99%以上都是0。

one-hot的缺點(diǎn)如下：
1.無(wú)法表達(dá)詞語(yǔ)之間的關(guān)系。
2.這種過(guò)于稀疏的向量，導(dǎo)致計(jì)算和存儲(chǔ)的效率都不高。

1.6.1.1.3.整數(shù)編碼

這種方法也非常好理解，用一種數(shù)字來(lái)代表一個(gè)詞，上面的例子則是：
貓： 1
狗： 2
牛： 3
羊： 4

將句子里的每個(gè)詞拼起來(lái)就是可以表示一句話(huà)的向量。
整數(shù)編碼的缺點(diǎn)如下：
1.無(wú)法表達(dá)詞語(yǔ)之間的關(guān)系
2.對(duì)于模型解釋而言，整數(shù)編碼可能具有挑戰(zhàn)性。

1.6.1.1.4.什么是詞嵌入 | word embedding ?

word embedding 是文本表示的一類(lèi)方法。跟one-hot編碼和整數(shù)編碼的目的一樣，不過(guò)他有更多的優(yōu)點(diǎn)。

詞嵌入并不特指某個(gè)具體的算法，跟上面2種方式相比，這種方法有幾個(gè)明顯的優(yōu)勢(shì)：
1.他可以將文本通過(guò)一個(gè)低維向量來(lái)表示，不像one-hot那么長(zhǎng)。
2.語(yǔ)意相似的詞在向量空間上也會(huì)比較相近。
3.通用性很強(qiáng)，可以用在不同的任務(wù)中。

在回顧上面的例子：

1.6.1.1.5. 2中主流的word embedding算法

?Word2vec
這是一種基于統(tǒng)計(jì)方法來(lái)獲得詞向量的方法，他是 2013 年由谷歌的 Mikolov 提出了一套新的詞嵌入方法。

這種算法有2種訓(xùn)練模式：
1.通過(guò)上下文來(lái)預(yù)測(cè)當(dāng)前詞。
2.通過(guò)當(dāng)前詞來(lái)預(yù)測(cè)上下文。

?GloVe
Glove是對(duì)Word2vec方法的擴(kuò)展，它將全局統(tǒng)計(jì)和Word2vec的基于上下文的學(xué)習(xí)結(jié)合了起來(lái)。

想要了解GloVe的三步實(shí)現(xiàn)方法、訓(xùn)練方法、和w2c的比較。

1.6.1.1.6.百度百科和維基百科

詞向量（Word embedding）,又叫Word嵌入式自然語(yǔ)言處理（NLP）中的一組語(yǔ)言建模和特征學(xué)習(xí)技術(shù)的統(tǒng)稱(chēng)，其中來(lái)自詞匯表的單詞或短語(yǔ)被映射到實(shí)數(shù)的向量。從概念上講，它涉及從每個(gè)單詞一維的空間到具有更低維度的連續(xù)向量空間的數(shù)學(xué)嵌入。

生成這種映射的方法包括神經(jīng)網(wǎng)絡(luò)，單詞共生矩陣的降維，概率模型，可解釋的知識(shí)方法，和術(shù)語(yǔ)的顯示表示 單詞出現(xiàn)的背景。

當(dāng)用做底層輸入表示時(shí)，單詞和短語(yǔ)嵌入已經(jīng)被證明可以提高NLP任務(wù)的性能，例如語(yǔ)法分析和情感分析。

1.6.1.1.7.維基百科版本

Word embedding 是自然語(yǔ)言處理中的重要環(huán)節(jié)，它是一些語(yǔ)言處理模型的統(tǒng)稱(chēng)，并不具體指某種算法或模型。Word embedding 的任務(wù)是把詞轉(zhuǎn)換成可以計(jì)算的向量 。從概念上講，它涉及從每個(gè)單詞一維的空間到具有更低維度的連續(xù)向量空間的數(shù)學(xué)嵌入。

生成這種映射的方法包括神經(jīng)網(wǎng)絡(luò)，單詞共生矩陣的降維，概率模型，可解釋的知識(shí)庫(kù)方法，和術(shù)語(yǔ)的顯式表示單詞出現(xiàn)的上下文。

當(dāng)用作底層輸入表示時(shí)，單詞和短語(yǔ)嵌入已經(jīng)被證明可以提高NLP任務(wù)的性能，例如句法分析和情感分析。

1.6.1.2.One - hot

參考博文：https://www.bilibili.com/read/cv4053575/

1.6.1.2.1.文本數(shù)據(jù)向量化

文本數(shù)據(jù)的格式是一個(gè)序列數(shù)據(jù)，常見(jiàn)的有單詞和字符序列。如果需要應(yīng)用到深度學(xué)習(xí)網(wǎng)絡(luò)模型中，就需要將將這些序列進(jìn)行有效編碼。
這里所謂的編碼其實(shí)就將這些單詞或者字符進(jìn)行向量化。
向量化：就是將文本信息轉(zhuǎn)化為數(shù)據(jù)張量信息。主要的方法如下：

?將文本分割為單詞，并將每個(gè)單詞轉(zhuǎn)換為一個(gè)向量。
?將文本分割為字符，并將每個(gè)字符轉(zhuǎn)換為一個(gè)向量。
?提取單詞或字符的 n-gram，并將每個(gè) n-gram 轉(zhuǎn)換為一個(gè)向量。n-gram 是多個(gè)連續(xù)單詞或字符的集合（n-gram 之間可重疊）。

上面的整個(gè)過(guò)程就是將文本信息進(jìn)行單元分割。這里有幾個(gè)概念：
標(biāo)記（token）: 將文本分解而成的單元（單詞、字符或 n-gram)
分詞（tokenization）: 將文本分解成標(biāo)記的過(guò)程
向量編碼： 將向量與標(biāo)記相關(guān)聯(lián)的方法

?one-hot編碼（one-hot encoding）
?標(biāo)記嵌入［token embedding] 詞嵌入（word embedding）

總結(jié)文本數(shù)據(jù)向量化的三個(gè)過(guò)程：
?原始文本（原始數(shù)據(jù)）
?將文本分解成標(biāo)記（標(biāo)記）
?將標(biāo)記進(jìn)行編碼（向量編碼）
如下圖所示：

n-gram是從一個(gè)句子中提取的N個(gè)（或更少）連續(xù)單詞（或字符）的集合。
例如：“The cat sat on the mat.”
二元語(yǔ)法(2-gram)集合:

{"The", "The cat", "cat", "cat sat", "sat", "sat on", "on", "on the", "the", "the mat", "mat"}

三元語(yǔ)法(3-gram)集合:

{"The", "The cat", "cat", "cat sat", "The cat sat", "sat", "sat on", "on", "cat sat on", "on the", "the", "sat on the", "the mat", "mat", "on the mat"}

以上的集合又稱(chēng)為詞袋,處理的是標(biāo)記組成的集合.一般它往往被用于淺層的語(yǔ)言處理模型，而不是深度學(xué)習(xí)模型.

在使用輕量級(jí)的淺層文本處理模型時(shí)（比如 logistic 回歸和隨機(jī)森林），n-gram 是一種功能強(qiáng)大、不可或缺的特征工程工具。

1.6.1.2.2.ont-hot編碼

one-hot編碼是將標(biāo)記轉(zhuǎn)換為向量的最常用、最基本的方法。

它將每個(gè)單詞與一個(gè)唯一的整數(shù)索引相關(guān)聯(lián)，然后將這個(gè)整數(shù)索引 i 轉(zhuǎn)換為長(zhǎng)度為 N 的二進(jìn)制向量（N 是詞表大小），這個(gè)向量只有第 i 個(gè)元素是 1，其余元素都為 0。

單詞向量化

# -*- coding: UTF-8 -*-import numpy as np# 初始化數(shù)據(jù)，每個(gè)"樣本"一個(gè)條目 samples = ['The cat sat on the mat.', 'The dog ate my homework.']# 首先，構(gòu)建數(shù)據(jù)中所有token的索引 token_index = {}for sample in samples:# 通過(guò)'split'方法對(duì)樣本進(jìn)行標(biāo)記。實(shí)際使用時(shí)還會(huì)從樣本中刪除標(biāo)點(diǎn)符號(hào)和特殊字符for word in sample.split():# 可以參考如下去掉非字符的'''word = word.lower()# 去掉非字母字符if not word.isalpha():new_word = filter(str.isalpha(), word)word = ''.join(list(new_word))'''# 添加索引if word not in token_index:token_index[word] = len(token_index) + 1# 接下來(lái)，對(duì)樣本進(jìn)行矢量化 # 對(duì)樣本進(jìn)行分詞。只考慮每個(gè)樣本前max_length個(gè)單詞 max_length = 5# 用于存儲(chǔ)結(jié)果 results = np.zeros((len(samples), max_length, max(token_index.values()) + 1)) for i , samples in enumerate(samples):for j , word in list(enumerate(sample.split()))[:max_length]:index = token_index.get(word)results[i, j , index] = 1print(token_index) print(results)

輸出結(jié)果：

{'The': 1, 'cat': 2, 'sat': 3, 'on': 4, 'the': 5, 'mat.': 6, 'dog': 7, 'ate': 8, 'my': 9, 'homework.': 10} [[[0. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0.][0. 0. 0. 0. 0. 0. 0. 1. 0. 0. 0.][0. 0. 0. 0. 0. 0. 0. 0. 1. 0. 0.][0. 0. 0. 0. 0. 0. 0. 0. 0. 1. 0.][0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1.]][[0. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0.][0. 0. 0. 0. 0. 0. 0. 1. 0. 0. 0.][0. 0. 0. 0. 0. 0. 0. 0. 1. 0. 0.][0. 0. 0. 0. 0. 0. 0. 0. 0. 1. 0.][0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 1.]]]

字符向量化

# -*- coding: UTF-8 -*- import numpy as np import stringsamples = ['The cat sat on the mat.', 'The dog ate my homeword.']characters = string.printable token_index = dict(zip(characters, range(1, len(characters) + 1)))max_length = 50 results = np.zeros((len(samples), max_length, max(token_index.values()) + 1)) for i ,samples in enumerate(samples):for j, characters in enumerate(samples[: max_length]):index = token_index.get(characters)results[i, j ,index] = 1print(token_index) print(results)

輸出結(jié)果：

{'0': 1, '1': 2, '2': 3, '3': 4, '4': 5, '5': 6, '6': 7, '7': 8, '8': 9, '9': 10, 'a': 11, 'b': 12, 'c': 13, 'd': 14, 'e': 15, 'f': 16, 'g': 17, 'h': 18, 'i': 19, 'j': 20, 'k': 21, 'l': 22, 'm': 23, 'n': 24, 'o': 25, 'p': 26, 'q': 27, 'r': 28, 's': 29, 't': 30, 'u': 31, 'v': 32, 'w': 33, 'x': 34, 'y': 35, 'z': 36, 'A': 37, 'B': 38, 'C': 39, 'D': 40, 'E': 41, 'F': 42, 'G': 43, 'H': 44, 'I': 45, 'J': 46, 'K': 47, 'L': 48, 'M': 49, 'N': 50, 'O': 51, 'P': 52, 'Q': 53, 'R': 54, 'S': 55, 'T': 56, 'U': 57, 'V': 58, 'W': 59, 'X': 60, 'Y': 61, 'Z': 62, '!': 63, '"': 64, '#': 65, '$': 66, '%': 67, '&': 68, "'": 69, '(': 70, ')': 71, '*': 72, '+': 73, ',': 74, '-': 75, '.': 76, '/': 77, ':': 78, ';': 79, '<': 80, '=': 81, '>': 82, '?': 83, '@': 84, '[': 85, '\\': 86, ']': 87, '^': 88, '_': 89, '`': 90, '{': 91, '|': 92, '}': 93, '~': 94, ' ': 95, '\t': 96, '\n': 97, '\r': 98, '\x0b': 99, '\x0c': 100} [[[0. 0. 0. ... 0. 0. 0.][0. 0. 0. ... 0. 0. 0.][0. 0. 0. ... 0. 0. 0.]...[0. 0. 0. ... 0. 0. 0.][0. 0. 0. ... 0. 0. 0.][0. 0. 0. ... 0. 0. 0.]][[0. 0. 0. ... 0. 0. 0.][0. 0. 0. ... 0. 0. 0.][0. 0. 0. ... 0. 0. 0.]...[0. 0. 0. ... 0. 0. 0.][0. 0. 0. ... 0. 0. 0.][0. 0. 0. ... 0. 0. 0.]]]

keras實(shí)現(xiàn)的one-hot 編碼

from keras.preprocessing.text import Tokenizersamples = ['The cat sat on the mat.', 'The dog ate my homeword.']# 創(chuàng)建一個(gè)tokenizer，配置為只考慮前1000個(gè)最常用的單詞 tokenizer = Tokenizer(num_words=20)# 構(gòu)建單詞索引 tokenizer.fit_on_texts(samples)# 將字符串轉(zhuǎn)換為整數(shù)索引組成的列表 one_hot_results = tokenizer.texts_to_matrix(samples,mode='binary')# 找回單詞索引 word_index = tokenizer.word_index print('Found %s unique tokens.' % len(word_index)) print(one_hot_results)

輸出結(jié)果：

Found 9 unique tokens. [[0. 1. 1. 1. 1. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.][0. 1. 0. 0. 0. 0. 1. 1. 1. 1. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]]

1.6.1.2.3.one-hot散列技巧

如果詞表中唯一標(biāo)記的數(shù)量太大而無(wú)法直接處理，就可以使用這種技巧。

這種方法沒(méi)有為每個(gè)單詞顯式分配一個(gè)索引并將這些索引保存在一個(gè)字典中，而是將單詞散列編碼為固定長(zhǎng)度的向量，通常用一個(gè)非常簡(jiǎn)單的散列函數(shù)來(lái)實(shí)現(xiàn)。

優(yōu)點(diǎn) 它避免了維護(hù)一個(gè)顯式的單詞索引，從而節(jié)省內(nèi)存并允許數(shù)據(jù)的在線(xiàn)編碼
缺點(diǎn) 就是可能會(huì)出現(xiàn)散列沖突（hash collision），即兩個(gè)不同的單詞可能具有相同的散列值。

1.6.1.3.Embedding

1.6.1.3.1.Word2vec

以下轉(zhuǎn)自：https://easyai.tech/ai-definition/word2vec/

Word2vec是Word Embedding方式之一，屬于NLP領(lǐng)域。他是將此轉(zhuǎn)化為”可計(jì)算”、”結(jié)構(gòu)化”的向量的過(guò)程。

這種方式在2018年之前比較主流，但是隨著B(niǎo)ERT、GPT2.0的出現(xiàn)，這種方式已經(jīng)不算效果最好的方法了。

1.6.1.3.1.1.什么是Word2vec

?什么是Word Embedding?

在說(shuō)明 Word2vec 之前，需要先解釋一下 Word Embedding。 它就是將”不可計(jì)算” , ”非結(jié)構(gòu)化” 的詞轉(zhuǎn)化為”可計(jì)算”, ”結(jié)構(gòu)化”的向量。

**這一步解決的是”將現(xiàn)實(shí)問(wèn)題轉(zhuǎn)化為數(shù)學(xué)問(wèn)題”，**是人工智能非常關(guān)鍵的一步。

將現(xiàn)實(shí)問(wèn)題轉(zhuǎn)化為數(shù)學(xué)問(wèn)題只是第一步，后面還需要求解這個(gè)數(shù)學(xué)問(wèn)題。所以Word Embedding的模型本身并不重要，重要的是生成出來(lái)的結(jié)果----詞向量。因?yàn)樵诤罄m(xù)的任務(wù)中會(huì)直接用到這個(gè)詞向量。

?什么是Word2vec ?

Word2vec 是 Word Embedding 的方法之一。他是 2013 年由谷歌的 Mikolov 提出了一套新的詞嵌入方法。

Word2vec在整個(gè)NLP里面的位置可以用下圖表示：

在Word2vec 出現(xiàn)之前，已經(jīng)有一些 Word Embedding 的方法，但是之前的方法并不成熟，也沒(méi)有大規(guī)模的得到應(yīng)用。

1.6.1.3.1.2.Word2vec的2中訓(xùn)練模式

CBOW(Continuous Bag-of-Words Model)和Skip-gram (Continuous Skip-gram Model)，是Word2vec 的兩種訓(xùn)練模式。下面簡(jiǎn)單做一下解釋：

?CBOW
通過(guò)上下文來(lái)預(yù)測(cè)當(dāng)前值。相當(dāng)于一句話(huà)中扣掉一個(gè)詞，讓你猜這個(gè)詞是什么。

?Skip-gram
用當(dāng)前詞來(lái)預(yù)測(cè)上下文。相當(dāng)于給你一個(gè)詞，讓你猜前面和后面可能出現(xiàn)什么詞。

?優(yōu)化方法
為了提高速度，Word2Vec經(jīng)常采用2中加速方式：
1.Negative Sample（負(fù)采樣）
2.Hierarchical Softmax

1.6.1.3.1.3.Word2vec的優(yōu)缺點(diǎn)

需要說(shuō)明的是：Word2vec 是上一代的產(chǎn)物（18 年之前），18 年之后想要得到最好的效果，已經(jīng)不使用 Word Embedding 的方法了，所以也不會(huì)用到 Word2vec。

優(yōu)點(diǎn)：
1.由于 Word2vec 會(huì)考慮上下文，跟之前的 Embedding 方法相比，效果要更好（但不如 18 年之后的方法）
2.比之前的 Embedding方 法維度更少，所以速度更快
3.通用性很強(qiáng)，可以用在各種 NLP 任務(wù)中

缺點(diǎn)：
1.由于詞和向量是一對(duì)一的關(guān)系，所以多義詞的問(wèn)題無(wú)法解決。
2.Word2vec是一種靜態(tài)的方法，雖然通用性強(qiáng)，但是無(wú)法針對(duì)特定任務(wù)做動(dòng)態(tài)優(yōu)化。

1.6.1.3.1.4.百度百科

Word2vec，是一群用來(lái)產(chǎn)生詞向量的相關(guān)模型。這些模型為淺而雙層的神經(jīng)網(wǎng)絡(luò)，用來(lái)訓(xùn)練以重新建構(gòu)語(yǔ)言學(xué)之詞文本。網(wǎng)絡(luò)以詞表現(xiàn)，并且需猜測(cè)相鄰位置的輸入詞，在word2vec中詞袋模型假設(shè)下，詞的順序是不重要的。訓(xùn)練完成之后，word2vec模型可用來(lái)映射每個(gè)詞到一個(gè)向量，可用來(lái)表示詞對(duì)詞之間的關(guān)系，該向量為神經(jīng)網(wǎng)絡(luò)之隱藏層。

1.6.1.3.2.BERT

此部分來(lái)自：https://easyai.tech/ai-definition/bert/

BERT的全稱(chēng)是Bidirectional Encoder Representation from Transformers，即雙向Transformer的Encoder，因?yàn)閐ecoder是不能獲要預(yù)測(cè)的信息的。模型的主要?jiǎng)?chuàng)新點(diǎn)都在pre-train方法上，即用了Masked LM和Next Sentence Prediction兩種方法分別捕捉詞語(yǔ)和句子級(jí)別的representation。

從現(xiàn)在的大趨勢(shì)來(lái)看，使用某種模型預(yù)訓(xùn)練一個(gè)語(yǔ)言模型看起來(lái)是一種比較靠譜的方法。從之前AI2的 ELMo，到 OpenAI的fine-tune transformer，再到Google的這個(gè)BERT，全都是對(duì)預(yù)訓(xùn)練的語(yǔ)言模型的應(yīng)用。BERT這個(gè)模型與其它兩個(gè)不同的是

1.它在訓(xùn)練雙向語(yǔ)言模型時(shí)以減小的概率把少量的詞替成了Mask或者另一個(gè)隨機(jī)的詞。我個(gè)人感覺(jué)這個(gè)目的在于使模型被迫增加對(duì)上下文的記憶。至于這個(gè)概率，我猜是Jacob拍腦袋隨便設(shè)的。
2.增加了一個(gè)預(yù)測(cè)下一句的loss。這個(gè)看起來(lái)就比較新奇了。

BERT模型具有以下兩個(gè)特點(diǎn)：

1.是這個(gè)模型非常的深，12層，并不寬(wide），中間層只有1024，而之前的Transformer模型中間層有2048。這似乎又印證了計(jì)算機(jī)圖像處理的一個(gè)觀點(diǎn)——深而窄 比 淺而寬 的模型更好。
2.MLM（Masked Language Model），同時(shí)利用左側(cè)和右側(cè)的詞語(yǔ)，這個(gè)在ELMo上已經(jīng)出現(xiàn)了，絕對(duì)不是原創(chuàng)。其次，對(duì)于Mask（遮擋）在語(yǔ)言模型上的應(yīng)用，已經(jīng)被Ziang Xie提出了（我很有幸的也參與到了這篇論文中）：[1703.02573] Data Noising as Smoothing in Neural Network Language Models。這也是篇巨星云集的論文：Sida Wang，Jiwei Li（香儂科技的創(chuàng)始人兼CEO兼史上發(fā)文最多的NLP學(xué)者），Andrew Ng，Dan Jurafsky都是Coauthor。但很可惜的是他們沒(méi)有關(guān)注到這篇論文。用這篇論文的方法去做Masking，相信BRET的能力說(shuō)不定還會(huì)有提升。

?擴(kuò)展閱讀
入門(mén)類(lèi)文章
深入淺出解析BERT原理及其表征的內(nèi)容（2019-8）
NLP新秀 : BERT的優(yōu)雅解讀（2019-2-18）
[NLP] Google BERT詳解]
[NLP自然語(yǔ)言處理]谷歌BERT模型深度解析

擴(kuò)展視野類(lèi)文章
BERT王者歸來(lái)！Facebook推出RoBERTa新模型，碾壓XLNet 制霸三大排行榜（2019-7）

Bert 改進(jìn)： 如何融入知識(shí)（2019-7）

詳解BERT閱讀理解(2019-7)

XLNet:運(yùn)行機(jī)制及和Bert的異同比較（2019-6）

站在BERT肩膀上的NLP新秀們（PART III）（2019-6）

站在BERT肩膀上的NLP新秀們（PART II）（2019-6）

站在BERT肩膀上的NLP新秀們（PART I）（2019-6）

BERT模型在NLP中目前取得如此好的效果，那下一步NLP該何去何從？（2019-6）

Bert時(shí)代的創(chuàng)新：Bert應(yīng)用模式比較及其它（2019-5）

進(jìn)一步改進(jìn)GPT和BERT：使用Transformer的語(yǔ)言模型(2019-5)

76分鐘訓(xùn)練BERT！谷歌大腦新型優(yōu)化器LAMB加速大批量訓(xùn)練（2019-4-3）

知乎-如何評(píng)價(jià) BERT 模型？

從Word Embedding到Bert模型—自然語(yǔ)言處理中的預(yù)訓(xùn)練技術(shù)發(fā)展史

BERT 論文

深度長(zhǎng)文：NLP的巨人肩膀（上）

NLP 的巨人肩膀（下）：從 CoVe 到 BERT

實(shí)踐類(lèi)文章
美團(tuán)BERT的探索和實(shí)踐(2019-11)

加速 BERT 模型有多少種方法？從架構(gòu)優(yōu)化、模型壓縮到模型蒸餾最新進(jìn)展詳解！（2019-10）

BERT, RoBERTa, DistilBERT, XLNet的用法對(duì)比（2019-9）

一大批中文（BERT等）預(yù)訓(xùn)練模型等你認(rèn)領(lǐng)！（2019-6）

[GitHub] BERT模型從訓(xùn)練到部署全流程（2019-6）

Bert時(shí)代的創(chuàng)新：Bert在NLP各領(lǐng)域的應(yīng)用進(jìn)展（2019-6）

BERT fintune 的藝術(shù)（2019-5）

中文語(yǔ)料的 Bert finetune(2019-5)

BERT源碼分析PART III（2019-5）

BERT源碼分析PART II（2019-5）

BERT源碼分析PART I（2019-5）

【干貨】BERT模型的標(biāo)準(zhǔn)調(diào)優(yōu)和花式調(diào)優(yōu)

BERT fine-tune 終極實(shí)踐教程

詳解谷歌最強(qiáng)NLP模型BERT（理論+實(shí)戰(zhàn)）

用BRET進(jìn)行多標(biāo)簽文本分類(lèi)（附代碼）

1.6.1.3.3.Glove

轉(zhuǎn)自：http://www.fanyeong.com/2018/02/19/glove-in-detail/

1.6.1.3.3.1.什么是GloVe?

正如論文的標(biāo)題而言，GloVe的全稱(chēng)叫Global Vectors for Word Representation，它是一個(gè)基于全局詞頻統(tǒng)計(jì)（count-based & overall statistics）的詞表征（word representation）工具，它可以把一個(gè)單詞表達(dá)成一個(gè)由實(shí)數(shù)組成的向量，這些向量捕捉到了單詞之間一些語(yǔ)義特性，比如相似性（similarity）、類(lèi)比性（analogy）等。我們通過(guò)對(duì)向量的運(yùn)算，比如歐幾里得距離或者cosine相似度，可以計(jì)算出兩個(gè)單詞之間的語(yǔ)義相似性。

1.6.1.3.3.2.GloVe是如何實(shí)現(xiàn)的？

GloVe的實(shí)現(xiàn)分為以下三步：

1.6.1.3.3.3.GloVe是如何訓(xùn)練的？

這個(gè)圖一共采用了三個(gè)指標(biāo)：語(yǔ)義準(zhǔn)確度，語(yǔ)法準(zhǔn)確度以及總體準(zhǔn)確度。那么我們不難發(fā)現(xiàn)Vector Dimension在300時(shí)能達(dá)到最佳，而context Windows size大致在6到10之間。

1.6.1.3.3.4.Glove與LSA、word2vec的比較

LSA（Latent Semantic Analysis）是一種比較早的count-based的詞向量表征工具，它也是基于co-occurance matrix的，只不過(guò)采用了基于奇異值分解（SVD）的矩陣分解技術(shù)對(duì)大矩陣進(jìn)行降維，而我們知道SVD的復(fù)雜度是很高的，所以它的計(jì)算代價(jià)比較大。還有一點(diǎn)是它對(duì)所有單詞的統(tǒng)計(jì)權(quán)重都是一致的。而這些缺點(diǎn)在GloVe中被一一克服了。而word2vec最大的缺點(diǎn)則是沒(méi)有充分利用所有的語(yǔ)料，所以GloVe其實(shí)是把兩者的優(yōu)點(diǎn)結(jié)合了起來(lái)。從這篇論文給出的實(shí)驗(yàn)結(jié)果來(lái)看，GloVe的性能是遠(yuǎn)超LSA和word2vec的，但網(wǎng)上也有人說(shuō)GloVe和word2vec實(shí)際表現(xiàn)其實(shí)差不多。

1.6.1.3.3.5.公式推導(dǎo)

總結(jié)

以上是生活随笔為你收集整理的06_1.Pytorch中如何表示字符串、word embedding、One - hot、Embedding（Word2vec、BERT、Glove）【学习总结】的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。