一、Word Embedding（词嵌入）简介

Word Embedding（词嵌入）： 词嵌入技术是自然语言处理（NLP）领域的一项重大创新，它极大地推动了计算机理解和处理人类语言的能力。

通过将单词、句子甚至图像转换为数字向量，词嵌入技术不仅改善了文本的表示方式，更重要的是，它捕捉到了语言的本质

Word Embedding

语义搜索（Semantic Search）： Word Embedding这一创新使得语义搜索成为可能，我们能够更精准地理解和分析不同语言的文档。通过探索这些高级的数值表示形式，我们能够洞察计算机是如何开始理解人类语言的细微差别的。 这一进步正在改变我们在数字时代处理信息的方式，使得我们能够更高效地处理和分析大量的文本数据。

2.原理

词嵌入模型则通过将词映射为连续的向量，使得语义上相似的词在向量空间中的位置相近，从而捕捉到了词之间的语义关系。

                        

语义相似性

Word2Vec： 一种基于神经网络的词嵌入模型，它利用神经网络来训练词向量。在训练过程中，Word2Vec通过预测上下文中的词来学习词向量，使得语义上相似的词在向量空间中的距离更近。

它通过在大规模文本语料库上的训练，能够理解单词间复杂的关系，如同义词、反义词和关联词，这些都是通过向量空间的几何属性来实现的。

             

Word2Vec

Word2Vec工作原理： 通过一个简单的双层神经网络来从大量文本中学习单词之间的联系。 这一模型的设计基于一个核心假设：出现在相似语境中的单词在语义上是相似的。

Word2Vec通过两种主要的训练算法来实现这一目标： 连续词袋（CBOW）和Skip-Gram。 这两种算法在处理单词上下文的方法上有所区别，但共同致力于捕捉单词之间的语义关系。

1.连续词袋（CBOW）
工作原理：CBOW模型通过上下文（即周围的词）来预测当前词。具体来说，它首先接收上下文中的多个词向量作为输入，然后通过对这些词向量的处理（如求和或平均）来预测目标词。

实现方式：CBOW模型通常包括输入层、隐藏层和输出层。输入层接收上下文词的one-hot编码，隐藏层通过权重矩阵将输入转换为低维的密集向量，输出层则使用softmax函数来预测目标词的概率分布。

优点：在处理大型语料库时，CBOW模型能够平滑许多分布信息，对于较小的数据集表现较好。

2. Skip-Gram
工作原理：与CBOW相反，Skip-Gram模型通过当前词来预测上下文中的词。它接收一个中心词的词向量作为输入，然后尝试预测该词周围一定窗口大小内的上下文词。

实现方式：Skip-Gram模型同样包括输入层、隐藏层和输出层。但在这里，输入层只接收中心词的one-hot编码，隐藏层同样通过权重矩阵转换为密集向量，而输出层则尝试为上下文中的每个词分配概率。

优点：Skip-Gram模型在处理较小数据集时表现更好，尤其是在捕捉稀有词上。此外，它通常能够学习到更细致的词向量表示。

3.实现流程

1. 语料库准备

• 数据收集：从各种渠道收集大量的文本数据，这些渠道可以包括新闻网站、社交媒体平台、书籍、学术论文等。例如，若要训练一个新闻领域的词向量模型，就可以从各大新闻媒体网站抓取新闻文章作为语料库的基础数据。
• 数据预处理
  • 分词：将文本分割成单个的词或标记。对于英文文本，通常可以使用空格和标点符号进行简单分割；对于中文文本，需要使用专门的分词工具，如结巴分词。例如，“我爱自然语言处理” 经过分词后可能变为 “我 爱 自然语言处理”。
  • 去除停用词：停用词是指在文本中频繁出现但对语义表达贡献较小的词，如 “的”“是”“在” 等。去除停用词可以减少数据的噪声，提高后续处理的效率。
  • 标准化处理：包括将所有单词转换为小写形式，统一数字、标点符号的表示等。例如，将 “Apple” 和 “apple” 都转换为 “apple”。

2. 词汇表构建

• 提取唯一词汇：对预处理后的语料库进行遍历，提取其中出现的所有唯一词汇。例如，对上述分词后的文本集合进行处理，得到一个包含所有不同词汇的列表。
• 过滤低频词：根据实际需求，过滤掉那些在语料库中出现频率过低的词汇。因为这些低频词可能是拼写错误或者非常罕见的词汇，对模型的训练贡献不大，反而会增加计算量和存储成本。
• 构建映射关系：为词汇表中的每个词分配一个唯一的索引，形成词到索引和索引到词的映射关系。这样在后续处理中，可以方便地通过词查找其索引，或者通过索引查找对应的词。

3. 词向量训练

• 选择模型：常见的词向量训练模型有 Word2Vec（包括 CBOW 和 Skip - gram 模型）、GloVe 等。以 Word2Vec 的 Skip - gram 模型为例，它的目标是根据当前词来预测其上下文词。
• 初始化词向量：为词汇表中的每个词随机初始化一个低维向量表示。这些初始向量是模型训练的起点，在训练过程中会不断调整和优化。
• 训练模型：使用预处理后的语料库对模型进行训练。在训练过程中，模型会根据输入的上下文信息，不断调整词向量的参数，使得语义相近的词在向量空间中的距离逐渐靠近。例如，在一个包含大量体育新闻的语料库中训练时，“篮球” 和 “投篮” 的词向量会在训练过程中逐渐变得相似。
• 保存词向量：训练完成后，将每个词对应的最终向量保存下来，以便后续使用。可以将词向量保存为文本文件、二进制文件等格式

4.基于别人预训练的词向量来实现：

self.embedding_pretrained = torch.tensor(np.load(dataset + '/data/' + embedding)["embeddings"].astype('float32'))\if embedding != 'random' else None       self.embed = self.embedding_pretrained.size(1)\if self.embedding_pretrained is not None else 300      

确定维度和以及预训练的模型

        if config.embedding_pretrained is not None:self.embedding = nn.Embedding.from_pretrained(config.embedding_pretrained, freeze=False)else:self.embedding = nn.Embedding(config.n_vocab, config.embed, padding_idx=config.n_vocab - 1)

调用api 来训练