一文看懂 word embedding
文本表示（Representation）
文本是一种非结构化的数据信息，是不可以直接被计算的。
文本表示的作用就是将这些非结构化的信息转化为结构化的信息，这样就可以针对文本信息做计算，来完成我们日常所能见到的文本分类，情感判断等任务。
文本表示将非结构化数据转化为结构化数据
文本表示的方法有很多种，下面只介绍 3 类方式：
- 独热编码 | one-hot representation
- 整数编码
- 词嵌入 | word embedding
word embedding的关系
独热编码 | one-hot representation
假如我们要计算的文本中一共出现了4个词：猫、狗、牛、羊。向量里每一个位置都代表一个词。所以用 one-hot 来表示就是：
猫：［1，0，0，0］
狗：［0，1，0，0］
牛：［0，0，1，0］
羊：［0，0，0，1］
one-hot编码
但是在实际情况中，文本中很可能出现成千上万个不同的词，这时候向量就会非常长。其中99%以上都是 0。
one-hot 的缺点如下：
- 无法表达词语之间的关系
- 这种过于稀疏的向量，导致计算和存储的效率都不高
整数编码
这种方式也非常好理解，用一种数字来代表一个词，上面的例子则是：
猫：1
狗：2
牛：3
羊：4
整数编码
将句子里的每个词拼起来就是可以表示一句话的向量。
整数编码的缺点如下：
- 无法表达词语之间的关系
- 对于模型解释而言，整数编码可能具有挑战性。
什么是词嵌入 | word embedding？
word embedding 是文本表示的一类方法。跟 one-hot 编码和整数编码的目的一样，不过他有更多的优点。
词嵌入并不特指某个具体的算法，跟上面2种方式相比，这种方法有几个明显的优势：
- 他可以将文本通过一个低维向量来表达，不像 one-hot 那么长。
- 语意相似的词在向量空间上也会比较相近。
- 通用性很强，可以用在不同的任务中。
再回顾上面的例子：
word embedding：语意相似的词在向量空间上也会比较相近
2 种主流的 word embedding 算法
2 种主流的 word embedding 算法
Word2vec
这是一种基于统计方法来获得词向量的方法，他是 2013 年由谷歌的 Mikolov 提出了一套新的词嵌入方法。
这种算法有2种训练模式：
- 通过上下文来预测当前词
- 通过当前词来预测上下文
想要详细了解 Word2vec，可以看看这篇文章：《一文看懂 Word2vec（基本概念+2种训练模型+5个优缺点）》
GloVe
GloVe 是对 Word2vec 方法的扩展，它将全局统计和 Word2vec 的基于上下文的学习结合了起来。
想要了解 GloVe 的 三步实现方式、训练方法、和 w2c 的比较。可以看看这篇文章：《GloVe详解》
本文首发自 产品经理的 AI 学习库 easyai.tech
