第4篇：3分钟热情学NLP，word2vec
在NLP领域，文本表示是第1步，也是很重要的1步。所谓文本表示，即如何把自然语言的语言符号，转化成计算机能够处理的数字。
1、文本向量化
现阶段，文本向量化，大部分是通过词向量化来实现的；也有一部分算法，将整篇文章或整条句子作为最小处理单位来实现文本向量化，如doc2vec；
1.1、独热编码one-hot
one-hot编码，是最直观的1个词表示方式。构建1个文本词典，每个分词是1个比特值，比特值为0或1。
动物特征可表示为：
猴子：01
老虎：10
熊猫：11
植物的特征可表示为：
桃树：001
苹果树：010
……
水果类特征可表示为
苹果：0001
香蕉：0010
葡萄：0011
芒果：0100
木瓜：0101
桃：0110
……
如果表示1句话[“猴子”，“桃树”，“桃”]，用数字化表示即为；
[0，1，0，0，1，0，1，1，0]
以上，就是one-hot的表示方式。如果1篇文章由1000个词，那么每个词汇都要用1000维向量来表示，而且每个词汇只有1个位置为“1”，其他999个位置为“0”，相应地有1万个词，就要用1万维向量来表示，每个词都是茫茫0海中的一个“1”。
the cat sat on the mat 可表示为：
one-hot的主要缺点：
1、随着语料库的增加，数据特征的维度会越来越大，而且得到的是1个非常稀疏的矩阵。几万甚至十几万维的向量，会造成维数爆炸，计算机会受不了。
2、每个词汇向量之间是无关的；
1.2、词袋模型BOW（bag of words）
词袋模型，将文本抽象成1个装满“词”的袋子，不考虑词的顺序、上下文或语法，只记录这个词出现的次数（进行累加）；
the cat sat on the mat 可表示为：
[2,1,1,1,1]#单词the，出现了2次；
John likes to watch cricket. Chris likes cricket too 可表示为：
[1, 2, 1, 1, 2, 1, 1, 0, 0]，#单词likes 和 cricket均出现了2次。
1.3、词嵌入 Word Embedding（或称词向量）
摘录1段知乎的回复https://www.zhihu.com/question/40309730/answer/86453469
理解 前面提过，one-hot表示法具有维度过大的缺点，那么现在将vector做一些改进：1、将vector每一个元素由整形改为浮点型，变为整个实数范围的表示；2、将原来稀疏的巨大维度压缩嵌入到一个更小维度的空间。如图示：
词嵌入示意
以上，就是词嵌入名字的由来。
Word Embedding 矩阵给每个单词分配1个固定长度的向量表示，并且这个矩阵长度可以自行设置，可以设置1个远小于词典长度的长处，比如设置为500；
词与词之间的夹角值（向量之前的余弦值），可以反映词之间的关系。
在本文中，“词嵌入”与“词向量”这2个词等价。
2 词向量算法word2vec
word2vec算法，是2013年起很火的Word Embedding 模型，后面比较火的还有 glove。
在一定范围内，word2vec成了词向量的1个代名词，甚至直接等价于词向量。
word2vec模型，包括2种训练模型：CBOW（Continuous Bag-of-Words Model）模型和Skip-gram（Continuous Skip-Gram Model）模型
备注：
1、word2vec 和 glove，均不需要标注。
2、word2vec论文https://arxiv.org/abs/1301.3781
3、参考网址：
https://www.cnblogs.com/jiangxinyang/p/9332769.html
https://www.cnblogs.com/jiangxinyang/p/10207273.html
2.1 word2vec之CBOW模型
一句话解释：利用上下文来预测当前的词。
第1层是输入层，输入的值是上下文的one-hot编码；
隐藏层对输出值做了权值加法，没有激活函数进行非线性的转换；
输出值的维度和输入值的维度是一致的。
2.2 word2vec之Skip-gram模型
一句话解释：用当前词来预测上下文
第1层是输入层，输入值是中心词的one-hot编码；
隐藏层只是做线性转换；
输出的是输出值的softmax转换后的概率。
