词转化为词向量

前言

2013年末，谷歌发布了word2vec工具，引起了热捧，大家几乎都认为它是深度学习在NLP的一项了不起的应用，并且很多互联网公司也开始跟进，使用word2vec解决实际问题。

NLP的相关任务中，要将我们能看懂的语言交给计算机来处理，通常需要首先将语言数学化，只有这样机器才能认得出，而词向量正是将我们看懂的词进行数学化的一种方法，就是把一个词语表示成一个向量。

一般将词语转化为向量的方法有两种：

One-Hot Representation

Distributed Representation

下面分别介绍这两种方法

1 One-Hot Representation

这种方法很暴力，直接将词典的长度标记为向量的长度，每个词向量的分量只有一个为1，其余全为0，1的位置对应该词在词典的位置，比如：

adore 表示为 [0,0,0,1,...,0,0]

respect表示为 [0,0,0,...,0,1,0,..0,0]

这种表示方法的优点是简洁清晰，用哈希表给每个词分配一个编号就可以了，比如 adore编号为102，respect编号为34214，然后配合上最大熵，SVM等算法可以完成NLP的一些任务，但是它的缺点也很明显：

1）. 维数灾难，这种方法容易受到这方面的困扰，尤其是用DL的一些算法时；

2.） 不能很好地刻画词语与词语间的相似性，称为“词汇鸿沟”，因为从adore和respect的词向量，编号上，我们看不出它们之间是否存在某种关系，比如为同义词，反义词等，尽管adore和respect是一对同义词

2 Distributed Representation

这种表示是Hinton，在1986年提出的，它解决了One-Hot Representation的问题，其基本思想就是直接用一个普通的向量表示一个词，维度一般不长，比如50维，这个向量怎么表示是要经过训练的，训练方法较多，谷歌开发的word2vec便是其中一个，比如向量长这样 [0.452, 0.256, 0.912,...]，当然训练的预料库不一样，或者方法不一样，最终得到了某个词的向量长的也不一样。

显然，这种方法获得了 adore 和 respect 两个词的词向量，这样他俩组成了一个词向量空间，而每一个向量则为该空间中的一个点，即向量的终端点，那么adore和repect这两个点的距离，我们就可以拿来分析了，如果它们很近，就可证明 adore和respect的语法，语义之间的相似性，这样的特性使得词向量很有意义，因此google的Mikolov等人研究出了word2vec。也就是说距离近的词，相似性可能越高。

利用这个特性，可以用于机器翻译领域，通过向量空间，把一种语言转变成另一种语言，举个别人的例子，将英语中的one, two, ..., five自动转化为西班牙语，怎么做呢，首先得到这5个词的词向量，如下图所示：

词向量

然后，训练另一套即西班牙语表示的语料库，得到了每个词的词向量，找到与英语one最相近的西班牙单词为：uno，所以one对应西班牙语的uno，依次利用这种距离相近的方法找出其他的词的对应。

英语转西班牙语