李宏毅深度学习笔记06---word embedding(词嵌入也称词向量)

1.one-of-N encoding 与word embedding 

李宏毅深度学习笔记06---word embedding(词嵌入也称词向量)

 

2.Word Embedding

(1)生成词向量是无监督的

 

李宏毅深度学习笔记06---word embedding(词嵌入也称词向量)

 

 

(2)word embedding 的含义

<1>在没有监督的情况下通过阅读大量文档来机器学习单词的含义

<2>一个词可以通过上下文来理解

李宏毅深度学习笔记06---word embedding(词嵌入也称词向量)

(3)如何利用上下文

<1>Count based 

如果两个单词wi,wj经常一起出现,V(wi)与V(wj)彼此会更接近

李宏毅深度学习笔记06---word embedding(词嵌入也称词向量)

<2>Prediction-based

李宏毅深度学习笔记06---word embedding(词嵌入也称词向量)

案例:

如果输入马英九或蔡英文,输出“宣誓就职”应该都有大的可能性,则z1,z2...zn应该在相同的区域内。

李宏毅深度学习笔记06---word embedding(词嵌入也称词向量)

李宏毅深度学习笔记06---word embedding(词嵌入也称词向量)

3.word embedding 训练过程

收集数据,分词,将词输入到Neural network中,看神经网络的输出,看输出与期望值的交叉熵。

李宏毅深度学习笔记06---word embedding(词嵌入也称词向量)

 

 

 

(1)Prediction-based的两种典型模型

<1>CBOW(continuous bag of word) 连续词包:给定上下文,预测词

<2>给定词,预测上下文

李宏毅深度学习笔记06---word embedding(词嵌入也称词向量)

 

(2)word vector 的一些意义

李宏毅深度学习笔记06---word embedding(词嵌入也称词向量)

 

上一篇:Zookeeper:新增节点


下一篇:机器学习-EM算法-pLSA模型笔记