首先感謝大家對上一篇文章的關注吧，建議看這篇文章前先看下上一篇我推送的《20行代碼實現電影評論情感分析》，上篇文章其實留了個坑，不過不一定坑到大家，因為可能90%的同學可能不會去認真讀一遍代碼，或者去跑一下程序。上文說道關于文本詞向量轉換的embedding相關的內容，其實是沒有詳細說明的，那這一篇我嘗試著去解釋一些，說的不對的還望各位大神指正，我也是自學的，沒人一起討論，可能有理解不到位的地方。

其實機器學習算法，無非是矩陣的加減乘除，對于文本string型的數據，必然需要把這類數據轉成數值型的向量，才能方便計算。文本轉詞向量就是起到這樣的作用，當然，方法有很多，這里我們提到的機制有點類似于算法word2vector，它會把文本轉成帶有語意的向量。

什么是帶有語意的向量？就拿上一篇推送里出現的tflearn.embedding它起到的作用說起。它其實是通過大量的語句分析挖掘出詞語之間的相似度，舉個簡單的例子，假設有大量的語句中都出現“美女喜歡帥哥”、“美女喜歡好看的男人”，那么算法會挖掘出“帥哥”和“好看的男人”可能是相似的語意，于是可以通過向量表示，以下向量純屬yy，為了舉例：

美女=[3,5,7]

帥哥=[5,3,9]

好看的男人=[5.1,2.9,9]

“帥哥”和“好看的男人”會被用距離更近的向量表示起來。另外，向量間的距離也可能會建立聯系，比方說“北京”是“中國”的首都，“巴黎”是“法國”的首都，那么向量：|中國|-|北京|=|法國|-|巴黎|

通過embedding函數把所有詞向量距離計算出來后，其實每句話就可以通過詞向量組裝成矩陣，簡單的方式是第一行是第一個詞向量，第二行是第二個。那么兩句話的語意相似度就可以通過簡單的矩陣減法計算啦，感謝收看。

上一篇《20行代碼實現電影評論情感分析》代碼地址，我只放了一點點測試數據，完整的數據大家自己去IMDB下吧：https://github.com/jimenbian/sentiment-analysis

總結

以上是生活随笔為你收集整理的浅谈文本词向量转换的机制embedding的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。