【NLP】词的表示方式及word embeddings代码

1.one-hot编码

• 给每个词分配一个数字ID，如“爸爸”=1=[010],“妈妈”=2=[001]
• 缺点（1）高维度，稀疏（2）词之间相互独立，无法表示词之间的语义

2.分布式表示

（1）基于矩阵的分布表示

• 词的相似度转换为向量的空间距离
• Global Vector模型

（2）基于聚类的分布表示
（3）基于神经网络的分布表示----词向量/词嵌入

• word embedding词嵌入空间
  
• 把one-hot的向量空间映射到低维、浮点数表示的向量空间中。
• 
  
• 3.一般使用别人训练好的词向量，使用的语料库领域相同的。

3.word embedding代码

(1)安装gensim
gensim是处理word embeddings的python包

pip install gensim

(2)下载预训练好的词向量
google新闻训练的word2vec模型,Google Drive link：Google news Word2Vec

# Install the PyDrive wrapper & import libraries.
# This only needs to be done once per notebook.
!pip install -U -q PyDrive
from pydrive.auth import GoogleAuth
from pydrive.drive import GoogleDrive
from google.colab import auth
from oauth2client.client import GoogleCredentials

# Authenticate and create the PyDrive client.
# This only needs to be done once per notebook.
auth.authenticate_user()
gauth = GoogleAuth()
gauth.credentials = GoogleCredentials.get_application_default()
drive = GoogleDrive(gauth)

file_id = '0B7XkCwpI5KDYNlNUTTlSS21pQmM'
downloaded = drive.CreateFile({'id':file_id})
downloaded.FetchMetadata(fetch_all=True)
downloaded.GetContentFile(downloaded.metadata['title'])

(3)加载预训练的词向量
预训练的词向量里不包含停用词

from gensim.models.keyedvectors import KeyedVectors
gensim_model = KeyedVectors.load_word2vec_format(
    'GoogleNews-vectors-negative300.bin', binary=True, limit=300000)
print('hello =', gensim_model['hello'])

（4）找相似词

gensim_model.most_similar(positive=['January'])
#组合词找相似词
gensim_model.most_similar(positive=['nature', 'science'])
#使用数学运算，寻找类似词
gensim_model.most_similar(positive=['king', 'woman'], negative=['man'])