gensim 是 Radim Rehurek 写的一个用来处理文本相似度的 python 库。可以很方便的用 tfidf,LDA,LSA,word2vec 等模型,涵盖了 NLP 里常见的词袋模型,主题模型,词嵌入等。下面简单介绍一下这些概念。
Vector Space model
在自然语言处理中,我们经常需要表示一个文档。一种常见的做法是写成向量的形式,比如直接统计一下该文章的词频,那么向量的大小就是词表的大小。这种模型就是向量空间模型(VSM,Vector Space Model),后面要讲的 TFIDF,LSA 等基本都是向量空间模型。
举个例子,假设文档集合
BoW
上面的列向量其实就是 Bag-Of-Word Model,即词袋模型。这种模型直接统计了词频,把一片文章打散成一个个的词,因此会忽略词与词之间的顺序。这种做法显然是有代价的,比如“小明爱小花”跟“小花爱小明”的 BoW 表示是一样的。但是反过来讲,这样做也会简化模型。重要的是这种表示方法,可以把不定长的文档,用定长的向量表示出来,做起来后续的分类聚类等任务很方便。
其实除了在 NLP 领域,在 CV 里也经常用视觉词袋模型。比如我们用 SIFT 特征提取器,可以对图片提取比如 128 的特征。假如我们把图片切分成 100 个小 patch,每个都提取出来一个 SIFT 特征,那么最后得到的特征维度非常大。
可以考虑把训练集里的所有图片 patch 聚成 N 个类,这样每个 patch 都只用一个簇的 id 来表示,最后一张图片的维度就是 N,是图片 patch 的直方图表示。聚类的簇的个数 N 相当于词典的大小,每个簇都是一个词。
TF-IDF
前面的 BoW 模型,可能会给那些经常出现却没什么意义的词较大的权重,比如 “The,a,of” 之类的停词等。这些词无法代表这个文档,因此要降低这些词的权重,提高那些不怎么在其他文档里出现,但是却在这篇文档里反复出现的词。
TF-IDF 就是一种非常好的,也很常见的模型,可以看做是前面的词袋模型的拓展。TF-IDF 分成两个部分,
- TF(term frequency)就是词频,和 BoW 说的是一个东西,就是数一下这篇文章有多少个这个词。
- IDF(inverse document frequency)则是词的逆文档频率,就是有多少文章出现了该词,然后取个倒数。
假如用
其中
tft,d 是局部参数(local parameter)- 表示在文档
d 中词汇t 的词频。 - 当然,也有别的做法,比如用 0,1 布尔值,或者用 log 平滑一下之类的。
- 表示在文档
log2|D||{d′∈D|t∈d′}| 是全局参数(global parameter)-
|D| 表示文档的数量,|{d′∈D|t∈d′}| 表示有多少文档包含了该词汇。
-
LSA, Latent Semantic Analysis
我们用上面 TF-IDF 的方法表示文档集,会得到叫做 term-document matrix 的一个矩阵
上图中第
SVD
隐语义分析(LSA, Latent Semantic Analysis) 是尝试用数学工具,奇异值分解(SVD,Singular Value Decomposition),来对上面的矩阵
-
U∈Rm×m 里面的列向量是矩阵X 的左奇异向量,是矩阵XXT 的特征向量,且两两正交 -
V∈Rn×n 里面的列向量是矩阵X 的右奇异向量,是矩阵XTX 的特征向量,且两两正交 -
Σ 是矩阵XTX 或者XXT 的特征值矩阵,对角线的值都是非负的特征值
矩阵本质上描述了一种坐标变换,会把原来的点映射到其列向量张成(span)的子空间内。我们可以把这个变换分解成两种,
如下图所示,M 的效果可以分成三步来做到。
PCA
一般来说,奇异值分解得到的对角矩阵
这个就是 Truncated SVD 的思想,PCA 在某些情况下得到的结果和这里是等价的,如下,取前 k 个主成分,
这里的
两种方法,PCA 和 SVD,其实还是有区别的,参考 机器学习中的 SVD 和 PCA 应该如何理解?
LSA
有点跑远了,再回到 LDA 上来。上面讲到文档集
-
Xm×n=[tT1;...;tTi;...;tTm] ,其中ti∈Rn 是列向量,表示第i 个词在n 个文档中的权重分布。 -
Xm×n=[d1,...,dj,...,dn] ,其中dj∈Rm 是列向量,表示第j 篇文档在m 个词中的权重分布。
我们现在可以有两个假设,假设
有了上面两个假设,可以发现方阵
注意到,矩阵
回归一下 Truncated SVD,如果选了前
有了上面的理论,就可以比较不同文档之间的相似度了
- 计算文档
j 个q 在低维空间的相似度 –> 计算∑kdj^ 和∑kd^q 之间的余弦距离 - 计算单词
i 和p 在低维空间的相似度 –> 计算∑kti^ 和∑kt^p 之间的余弦距离 - 可以利用上面的余弦距离来进行聚类,比如用 k-means
- 给定 query 进行检索,先要转换到低维表示,如果是文档,
d^j=∑−1kUTkdj ,如果是词,tTi=∑−1kVTkti
其他的模型不太了解就不讨论了,占坑。