10.4 字词嵌入(fastText).ipynb

{
  "nbformat": 4,
  "nbformat_minor": 0,
  "metadata": {
    "colab": {
      "name": "10.4 字词嵌入(fastText).ipynb",
      "provenance": [],
      "authorship_tag": "ABX9TyNCPCm4TzZiMh587gP4QYXz",
      "include_colab_link": true
    },
    "kernelspec": {
      "name": "python3",
      "display_name": "Python 3"
    }
  },
  "cells": [
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "view-in-github",
        "colab_type": "text"
      },
      "source": [
        "<a href=\"https://colab.research.google.com/github/chongzicbo/Dive-into-Deep-Learning-tf.keras/blob/master/10.4%20%E5%AD%97%E8%AF%8D%E5%B5%8C%E5%85%A5(fastText).ipynb\" target=\"_parent\"><img src=\"https://colab.research.google.com/assets/colab-badge.svg\" alt=\"Open In Colab\"/></a>"
      ]
    },
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "zf7AcVHe2pMx",
        "colab_type": "text"
      },
      "source": [
        "##10.4. 子词嵌入（fastText）\n",
        "&emsp;&emsp;英语单词通常有其内部结构和形成方式。例如，我们可以从“dog”“dogs”和“dogcatcher”的字面上推测它们的关系。这些词都有同一个词根“dog”，但使用不同的后缀来改变词的含义。而且，这个关联可以推广至其他词汇。例如，“dog”和“dogs”的关系如同“cat”和“cats”的关系，“boy”和“boyfriend”的关系如同“girl”和“girlfriend”的关系。这一特点并非为英语所独有。在法语和西班牙语中，很多动词根据场景不同有40多种不同的形态，而在芬兰语中，一个名词可能有15种以上的形态。事实上，构词学（morphology）作为语言学的一个重要分支，研究的正是词的内部结构和形成方式。\n",
        "\n",
        "&emsp;&emsp;在word2vec中，我们并没有直接利用构词学中的信息。无论是在跳字模型还是连续词袋模型中，我们都将形态不同的单词用不同的向量来表示。例如，“dog”和“dogs”分别用两个不同的向量表示，而模型中并未直接表达这两个向量之间的关系。鉴于此，fastText提出了子词嵌入（subword embedding）的方法，从而试图将构词信息引入word2vec中的跳字模型 [1]。\n",
        "\n",
        "&emsp;&emsp;在fastText中，每个中心词被表示成子词的集合。下面我们用单词“where”作为例子来了解子词是如何产生的。首先，我们在单词的首尾分别添加特殊字符“<”和“>”以区分作为前后缀的子词。然后，将单词当成一个由字符构成的序列来提取 n 元语法。例如，当 $n=3$ 时，我们得到所有长度为3的子词：“<wh”“whe”“her”“ere”“re>”以及特殊子词“<where>”。\n",
        "\n",
        "&emsp;&emsp;在fastText中，对于一个词 $w$ ，我们将它所有长度在 3∼6 的子词和特殊子词的并集记为 $G_w$ 。那么词典则是所有词的子词集合的并集。假设词典中子词 $g$ 的向量为 $z_g$ ，那么跳字模型中词 $w$ 的作为中心词的向量 $v_w$ 则表示成\n",
        "\n",
        "$$\n",
        "\\boldsymbol{v}_w = \\sum_{g\\in\\mathcal{G}_w} \\boldsymbol{z}_g.\n",
        "$$\n",
        "\n",
        "&emsp;&emsp;fastText的其余部分同跳字模型一致，不在此重复。可以看到，与跳字模型相比，fastText中词典规模更大，造成模型参数更多，同时一个词的向量需要对所有子词向量求和，继而导致计算复杂度更高。但与此同时，较生僻的复杂单词，甚至是词典中没有的单词，可能会从同它结构类似的其他词那里获取更好的词向量表示。\n",
        "\n",
        "###10.4.1. 小结\n",
        "* fastText提出了子词嵌入方法。它在word2vec中的跳字模型的基础上，将中心词向量表示成单词的子词向量之和。\n",
        "* 子词嵌入利用构词上的规律，通常可以提升生僻词表示的质量。"
      ]
    }
  ]
}