【自然语言处理】【深度学习】文本向量化、one-hot、word embedding编码

因为文本不能够直接被模型计算，所以需要将其转化为向量
把文本转化为向量有两种方式：

• 转化为one-hot编码
• 转化为word embedding

一、one-hot 编码

在one-hot编码中，每一个token使用一个长度为N的向量表示，N表示词典的数量。
即：把待处理的文档进行分词或者是N-gram处理，然后进行去重得到词典。

• 例：假设我们有一个文档：“深度学习”，那么进行one-hot处理后得到的结果如下

token	one-hot encoding
深	1000
度	0100
学	0010
习	0001

弊端：我们有1万个词的时候，编码很长，而且只有一个位置的1有效。使用稀疏向量表示文本，占用空间比较大。

二、word embedding编码

word embedding是深度学习中表示文本常用的一种方法。和one-hot编码不同，word embedding使用了浮点型的稠密矩阵来表示token。根据词典的大小，我们的向量通常使用不同的维度，例如100，256，300等。其中向量中的每一个值是一个超参数，其初始值是随机生成的，之后会在训练的过程中进行学习中获得。Word embedding 的目标是捕捉词语之间的语义关系，使得相似含义的词在向量空间中的表示更为接近。

如果我们文本中有20000个词语，如果使用one-hot编码，那么我们会有20000*20000的矩阵，其中大多数的位置都为0，但是如果我们使用word embedding来表示的话，只需要20000*维度，比如20000*300的形象表示就是：

token	num	vector
词1	0	[w11,w12,w13···w1N]，其中N表示维度（dimension）
词2	1	[w21,w22,w23···w2N]
词3	2	[w31,w32,w33···w3N]
···	···	···
词m	m	[wm1,wm2,wm3···wmN]，其中m表示词典的大小

我们会把所有的文本转化为向量，把句子用向量来表示
在这之间，我们会先把token使用数字来表示再把数字用向量来表示
即：token —> num —> vector。
比如，dog是1，cat是2，lion是3，然后再将1、2、3转化为向量。

token	d1	d2	d3	d4
dog	-0.4	0.37	0.02	-0.34
cat	-0.15	-0.02	-0.23	-0.23
lion	0.19	-0.4	0.35	-0.48
tiger	-0.08	0.31	0.56	0.07
elephant	-0.04	-0.09	0.11	-0.06
cheetah	0.27	-0.28	-0.2	-0.43
monkey	-0.02	-0.67	-0.21	-0.48
rabbit	-0.04	-0.3	-0.18	-0.47
mouse	0.09	-0.46	-0.35	-0.24

2.1 word embedding数据形状转化

这批batch的每个句子有N个词，总共有batch_size个句子，也就是说这批batch的形状为[batch_size, N]。

word embedding规定，每个词映射到长度为4的向量上，即维度为4。其形状为[M, D]

这批batch经过word embedding后，查询其中的词典（M个词），把每一个句子的词映射到其中的向量上，最终batch的形状变成了[batch_size, N, D]。

2.2 word embedding API

torch.nn.Embedding(num_embeddings,embedding_dim)
参数：

• num_embbeding：词典的大小
• embedding_dim： embedding的维度

使用方法：

embedding = nn.Embedding(vocab_size,300)#实例化
input_embed = embedding(input) #进行embedding操作

2.3数据形状的变化

思考：每一个batch中的句子有10个词语，经过形状为[20, 4]的word embedding之后，原来的句子会变成什么形状？

因为word emdedding规定每个词用长度为4的向量表示，所以batch中每个句子中的10个词语会分布到向量的4个分量上，最终变成[batch_size, 10, 4]。

做图码字不易，可以点个赞嘛，谢谢你～～～