循环神经网络（三） ——词嵌入学习与余弦相似度
循环神经网络（三）
——词嵌入学习与余弦相似度
（原创内容，转载请注明来源，谢谢）
一、词汇表征
1、one-hot表示法
之前的学习中提到过，对于词汇库，可以用one-hot表示法来表示。即，假设词汇库单词量是10000个单词，则可以用1*10000的矩阵来表示每个单词，单词在对应词汇表中的位置是1，其他位置是0。
如man是第5391个单词，则矩阵为[0 0 0 ... 0 0 1 0 0 ... 0]T，这里的1就是在矩阵的第5391个位置。
这样做有个缺点，即词语之间无法建立任何联系，只有自身的位置关系。当训练出一句话认为orange是一种水果，后面可以跟上juice表示果汁，而另一种水果apple则还需要重新训练。
2、词嵌入表示法
为了改进one-hot的问题，可以使用词嵌入表示法。这个表示法关注的重点不是词在词汇表的位置，而是词的一些特性。例如词语是否包含性别、年龄、食品、形状、价值等特征，包含的程度如何等。
例如下图，就把男人、女人、国王、王后、苹果、橘子表示出来，实际上特征通常有300个左右，这里只列举几个特征。
这样，就可以判断出两个词语的相似度，进而进行推断。
3、可视化
300维太高维，无法可视化展示，可以使用t-SNE算法，将高维内容压缩到二维，以便展示出来。
但是需要注意的是，这里的压缩是非线性压缩，因此在高维两个词语之间的相差度换到二维后可能会有所变化。
词嵌入，可以理解成把每个词语嵌入到一个300维的物体中，在这个维度中找到一个特定的位置，放置这个词语。因为词汇表本身是一个很高维度的空间，通过这个算法压缩到二维的可视化平面上，每一个单词嵌入属于自己的一个位置，相似的单词离的近，没有共性的单词离得远。
二、使用词嵌入
1、介绍
从句子中，找出Sally Johnson是个名字：
由orange farmer 可知，Sally Johnson 是个人名，而非公司名。
若是用特征化表示方法表示嵌入的向量，用词嵌入作为输入训练好的模型，就能更容易的知道，因为 orange farmer和apple farmer 是相似的，甚至换成durian cultivator（榴莲培育家），词性也还是和orange farmer相似，故可以推断出Robert Lin也是个人名。
2、使用词嵌入迁移学习
1）根据大量文本语料库（10-1000亿个例子）来训练出词嵌入模型。或者使用现成的训练过的开源词嵌入模型。
2）从词嵌入中提取出的所需的模型数量（如10万个单词），同时适当减少词语的特征维度，并将词嵌入模型迁移到我们小训练集的新任务上。
3）使用我们新的标记数据对词嵌入模型继续进行微调。（如果训练量很小就不要更新了）。
说明：当训练集数据较小时，词嵌入的作用最明显，所以词嵌入在 NLP 应用很广泛。
3、其他
另外，这个过程类似人脸识别中的人脸图像编码的过程，都是比较编码后的向量的相似度来确认两者是否相似。但是词嵌入模型的词语通常是有限种类的，未知的词语会标记成<UKN>，而图像则需要处理各种的输入。
三、词嵌入特性与余弦相似度
1、相似处理过程
词嵌入有个特性，称为类比推理。例如已知man to woman，求 king to ？。
判断两对词语是否相似，例如man-woman与king-queen，可以把对应的词特征向量进行相减，减完以后进行比对即可。即求一个向量e，使得eman−ewoman≈eking−e
要使用公式化，即arg maxw sim(ew , eking−eman+ewoman)，这里sim表示相似函数，即sim(a,b)表示a和b两个向量相似程度的值。
需要说明的是，通常相似度并不会精准的100%，因为经过压缩后，会有一定的误差。
2、相似度函数
最常用的相似度函数，即余弦相似度，如下图所示。其中分子表示两个向量的内积，分母表示向量元素的平方和的乘积。
因为这和计算余弦是一致的，故称为余弦相似度。
除此之外，还有欧拉距离（||u-v||2）等计算相似度的方式，但是余弦相似度最常用。
四、嵌入矩阵与嵌入网络
1、嵌入矩阵
上述的词嵌入模型，可以用一个矩阵E来表示，即E是300*10000维的矩阵。通过矩阵乘法法则，易知E * o = e。其中o表示词语用one-hot法表示的1*10000的矩阵，e是词的特征矩阵。
但是实际中，o矩阵大量的0元素，乘法无意义且效率低，故常用其他方式来得到矩阵e。
2、词嵌入学习网络
如下图所示，得到每个单词的特征矩阵e后，通过一个隐藏层连接，在经过一个softmax层，即可得到所需的结果。
这里输入6个词*每个词维度300 = 1800，而且不同的句子可能输入不一样。为了神经网络的稳定性，可以指定只需要目标词的前x个词语（这个x是一个超参数，可以设定成4）。
3、超参数设置方式
前面说了可以指定目标词的前四个单词，也可以指定前后各四个、前面一个、附件的某一个词（这个方式成为skip gram，后面会学习）等。
——written by linhxx 2018.03.21