基于語義的文本向量表示方法研究.pdf

1、互聯(lián)網(wǎng)技術(shù)的發(fā)展和普及使得人們可以快速的獲取信息，反過來人們獲取信息的方式也越來越依賴于互聯(lián)網(wǎng)。人們?cè)诨ヂ?lián)網(wǎng)上獲取信息的主要方式是通過文本，并且互聯(lián)網(wǎng)中的文本數(shù)目也呈現(xiàn)爆發(fā)式的增長。為了使人們更方便準(zhǔn)確的找到需要的信息，互聯(lián)網(wǎng)服務(wù)提供商需要對(duì)文本進(jìn)行分類、聚類以及排序等。這些任務(wù)通常需要將文本表示成向量形式以便應(yīng)用不同的機(jī)器學(xué)習(xí)模型。從用戶角度來說，需要根據(jù)文本的語義來對(duì)它們分類、聚類、排序等。語義是一種抽象的，高層次的特征，而現(xiàn)在廣泛

2、使用的文本的詞袋表示將文本看成相互獨(dú)立的字符的集合，而沒有考慮這些字符的語義以及它們的關(guān)聯(lián)，從而導(dǎo)致詞袋表示不夠泛化。在文本向量表示中包含進(jìn)文本更高層次的語義信息成為很多學(xué)者的研究目標(biāo)?；谡Z義的文本向量表示的優(yōu)點(diǎn)是能夠?qū)⑽谋居玫途S的稠密的向量表示起來，且這種表示更加泛化，也就是說即使兩個(gè)文本在表達(dá)相同意思時(shí)使用了不同的用詞，它們的基于語義的向量表示也是相似的，而詞袋模型不能捕捉到這種相似。主題模型，包括LDA，pLSI通過模擬文本的生

3、成過程得到文本中隱含的主題，并將文本表示成在主題上的分布。深度神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)到數(shù)據(jù)的不同層次的特征因此也被用來得到文本的語義表示。
　　本文以基于語義的文本向量表示為研究對(duì)象，開展了以下工作:
　　1.在無監(jiān)督情況下，本文針對(duì)詞袋模型不能考慮詞之間的相似度而導(dǎo)致表示不夠泛化的問題以及維度災(zāi)難問題提出基于詞團(tuán)的表示(BOWL)。詞團(tuán)是語義相似的詞的集合，每一個(gè)詞團(tuán)表達(dá)了一個(gè)”概念”，其相對(duì)于詞是更高層次，更抽象的特征，從而在

4、文本表示中考慮到了詞的語義信息。BOWL表示的每一個(gè)維度的值使用k-max池化操作來計(jì)算。實(shí)驗(yàn)顯示了BOWL表示的表示有效性和表示效率。
　　2.在有監(jiān)督情況下，復(fù)雜的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)雖然能夠捕捉到更準(zhǔn)確的語義信息，但這種神經(jīng)網(wǎng)絡(luò)的訓(xùn)練非常耗時(shí)并且往往依賴GPU，本文在神經(jīng)網(wǎng)絡(luò)的輸入層將詞的詞向量求平均，經(jīng)過隱藏層的非線性變換得到文本的更高層次的語義向量表示，最后在文本的向量空間對(duì)文本分類。實(shí)驗(yàn)表明這種向量平均神經(jīng)網(wǎng)絡(luò)相對(duì)于低層次的詞