2026年7月9日 周四晚上19:30,报名腾讯会议了解“如何构建自进化的动态知识库(Brain)”(限30人)
免费POC, 零成本试错
FDE知识库

FDE知识库

学习大模型的前沿技术与行业落地应用


收藏

Word Embedding揭秘:如何用词嵌入提升NLP模型表现

发布日期:2024-09-30 21:41:53 浏览次数: 2703
作者:深智研习社

微信搜一搜,关注“深智研习社”

Corpus

创建你自己的 corpus 还是使用默认或预先训练的 corpus 取决于几个因素,包括您的特定用例、数据的性质以及手头的任务。这里有一个详细的细分,可以帮助您决定何时创建自己的语料库,还是使用预先训练的嵌入或模型:

Word2Vec、GloVe、FastText 这样的预训练模型和像基于 transformer 的BERT或GPT都是在大规模的多样化的文本数据集,如谷歌新闻、维基百科、普通爬行和图书语料库,这些模型已经捕获了大量关于语言的一般知识。

When to Use Default/Pre-Trained Models:

  • 通用任务:如果您的任务涉及通用语言理解,例如情感分析、文本分类或针对不同主题的主题建模,则预训练的嵌入就足够了。

  • 特定领域:如果您的任务涉及特定术语、俚语、行话或行业特定词汇(例如,医疗报告、法律文档、技术手册),预训练的模型可能无法很好地捕捉到这一点。在你自己的语料库上训练有助于模型理解这些细微差别。

  • 快速部署:使用预训练模型可以节省时间和资源,因为您不需要从头开始训练自己的单词嵌入。

  • 强泛化:预训练模型是通用的,具有很强的泛化能力,在广泛的NLP任务中表现良好,即使不是专门针对您的领域定制的。

  • 自定义需求:当您需要控制训练过程时(例如,调整超参数、调整标记化),创建自己的语料库为您提供了灵活性。

  • 预训练模型的性能不佳:如果预训练的嵌入在您的特定领域任务中表现不佳,从头开始训练模型或在自定义语料库上进行微调可以改善结果。

  • 等等...

这里我推荐使用pre-trained model, then fine-tune the pre-trained model on your own corpus. This approach combines the advantages of general knowledge form pre-trained models with domain-specific customization. 可以理解为transfer learning。

在创建corpus 之前,最好对数据进行下预处理,例如 lowercase, remove stopwords, etc. 这样做可以减少噪声(Noise Reduction), 还可以降低维数, 让数据更加规范化和标准化等等。

在执行文本预处理时,去除停用词、规范化大小写以及词形还原等步骤能够显著提高后续文本分析模型的性能。尤其在构建单词嵌入或处理自然语言任务时,减少数据中的噪声至关重要。下面的代码展示了一个文本预处理函数,它使用NLTK库来处理文本。该函数首先将输入的文本进行标记化,然后移除标点符号和停用词,最后通过词形还原将单词还原至其基本形式。此步骤不仅能提高模型的准确性,还能减少数据维度,为后续任务如词嵌入生成打下基础。

import nltkfrom nltk.corpus import stopwordsfrom nltk.tokenize import word_tokenizefrom nltk.stem import WordNetLemmatizernltk.download('stopwords')
def preprocess_text(text):tokens = word_tokenize(text)tokens = [word.lower() for word in tokens]tokens = [word for word in tokens if word.isalnum()]# remove stop wordsstop_words = set(stopwords.words('english'))tokens = [word for word in tokens if word not in stop_words]# Lemmatize lemmatizer = WordNetLemmatizer()tokens = [lemmatizer.lemmatize(word) for word in tokens]
return ' '.join(tokens)

Let's start introducing these methods:

  • One-hot Encoding

from tensorflow.keras.preprocessing.text import one_hotfrom tensorflow.keras.preprocessing.sequence import pad_sequences
documents = ["The quick brown fox jumps over the lazy dog","A journey of a thousand miles begins with a single step","To be or not to be that is the question"]
vocab_size=50 integer_encoded=[]for i,doc in enumerate(documents):integer_encoded.append(one_hot(doc,50))print("The encoding for text",i+1," is : ",one_hot(doc,50))

# length of maximum documentmaxlen = max([len(word_tokenize(text)) for text in documents])maxlen
# OUTPUT11
# To create embeddings, all documents must have the same length. hence we can pad to ensure uniformity.pad_corp = pad_sequences(integer_encoded, maxlen=maxlen,padding='post',value=0.0)print("No of padded documents: ",len(pad_corp))
# OUTPUTNo of padded documents:3
for i,doc in enumerate(pad_corp): print("The padded encoding for text",i+1," is : ",doc)

  • TF-IDF (Term Frequency-Inverse Document Frequency)

TF-IDF是一种词袋方法,不捕获上下文或语义, 基于术语频率和文档频率计算权重,因此消除无信息的单词和标准化术语(通过词法化)有助于通过关注重要的标记使结果更有意义。删除停用词、标点符号和执行词法化特别有用。预处理将减少噪声并帮助识别有意义的术语

from sklearn.feature_extraction.text import TfidfVectorizer
preprocessed_text = [preprocess_text(doc) for doc in documents]
tfidf = TfidfVectorizer()tfidf_matrix = tfidf.fit_transform(preprocessed_text)print("Vocabulary:", tfidf.vocabulary_)tfidf_matrix.toarray()

  • Word2Vec

Word2Vec是一个上下文嵌入模型,它根据单词在文本中的共现来学习单词关系。因此,该模型可以捕捉单词之间的语义和关系,而无需大量预处理,保留停用词和其他形式的单词(如“running”和“run”)可以为模型提供更丰富的上下文。

Common preprocessing steps:
  • Tokenization and lowercasing are still useful.
  • Stopword removal and lemmatization are optional since Word2Vec can learn useful patterns even from stopwords, as context matters here.
from gensim.models import Word2Vecfrom nltk.tokenize import word_tokenizeimport numpy as np
tokenized_docs = [word_tokenize(doc.lower()) for doc in documents]w2v_model = Word2Vec(sentences=tokenized_docs, vector_size=100, window=5, min_count=1, workers=4)
def get_sentence_embedding(sentence, model):words = word_tokenize(sentence.lower())word_vectors = [model.wv[word] for word in words if word in model.wv]return np.mean(word_vectors, axis=0) if word_vectors else np.zeros(model.vector_size)
print("Word2Vec Sentence Embeddings:")for doc in documents:sentence_embedding = get_sentence_embedding(doc, w2v_model)print(f"Sentence: {doc}.\n Embedding: {sentence_embedding}")

  • FastText

FastText是脸书人工智能开发的一种单词嵌入方法,它通过考虑子单词信息来扩展Word2Vec。它将每个单词表示为一个字符n元语法包,这使得它在处理罕见单词、拼写错误和形态复杂的语言方面更加强大。

需要的预处理不多,和 Word2Vec 很像。Works on subwords, so handles rare/misspelled words well.

from gensim.models import FastText
fasttext_model = FastText(sentences=tokenized_docs, vector_size=100, window=5, min_count=1, workers=4)
def get_sentence_embedding_fasttext(sentence, model):words = word_tokenize(sentence.lower())word_vectors = [model.wv[word] for word in words if word in model.wv]return np.mean(word_vectors, axis=0) if word_vectors else np.zeros(model.vector_size)
print("FastText Sentence Embeddings:")for doc in documents:sentence_embedding = get_sentence_embedding_fasttext(doc, fasttext_model)print(f"Sentence: {doc}. \nEmbedding: {sentence_embedding}")

  • Transformer-Based Embeddings

Transformer 依赖于理解单词的顺序和上下文。过多的预处理,如停用词删除或词法化,会扭曲上下文并降低模型捕捉语言细微差别的能力。Minimal Preprocessing is needed or often not recommended. Transformer models come with tokenizers that are specialized to break down text into subword units or tokens in a way that optimally aligns with the model's architecture.

from transformers import BertTokenizer, BertModelimport torch
# Load pre-trained BERT tokenizer and modeltokenizer = BertTokenizer.from_pretrained('bert-base-uncased')model = BertModel.from_pretrained('bert-base-uncased')
def get_sentence_embedding_bert(sentence, model, tokenizer):inputs = tokenizer(sentence, return_tensors='pt')outputs = model(**inputs)# Get sentence embedding by averaging token embeddingssentence_embedding = torch.mean(outputs.last_hidden_state, dim=1)return sentence_embedding.squeeze().detach().numpy()
print("BERT Sentence Embeddings:")for doc in documents:sentence_embedding = get_sentence_embedding_bert(doc, model, tokenizer)print(f"Sentence: {doc}. \nEmbedding: {sentence_embedding}")

Conclusion

本文主要介绍了不同的 Word Embedding,并讨论了在创建和使用语料库时的考虑因素。文章提到可以选择使用预训练的模型(如Word2VecGloVeFastText 和基于 Transformer 的模型如 BERT),或者根据具体任务需求创建自定义语料库。每种选择都有其优点,取决于任务的通用性或领域特异性。

在处理文本数据时,可以进行基础的文本预处理,如将文本转为小写、去除停用词、词形还原等操作,这些步骤有助于减少数据噪声,提高模型的表现。此外,预训练模型的使用可以帮助快速部署NLP任务,尤其是在面对特定领域或行业术语时,选择合适的模型进行微调也是提高效果的有效途径。

53AI,企业落地大模型首选服务商

产品:场景落地咨询+大模型应用平台+行业解决方案

承诺:免费POC验证,效果达标后再合作。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

添加专属顾问

回到顶部

加载中...

扫码咨询

扫码登录
登录即表示您同意《53AI网站服务协议》
服务协议

欢迎您使用【53AI 官方网站】(以下简称“本网站”或“我们”)。本《会员服务协议》(以下简称“本协议”)是您(以下简称“会员”或“用户”)与【深圳市博思协创网络科技有限公司】之间关于注册、登录及使用本网站会员服务所订立的法律协议。

在您注册或登录前,请务必审慎阅读、充分理解各条款内容,特别是免除或限制责任的条款、知识产权条款、争议解决条款等。此类条款将以加粗形式提示您注意。 当您通过微信公众号授权、手机验证码验证或其他方式成功登录本网站时,即视为您已完全理解并同意接受本协议的全部内容。

一、 定义

本网站:指由【深圳市博思协创网络科技有限公司】运营的,域名为【53ai.com】的网站及相关移动端页面。

会员服务:指本网站向注册会员提供的知识库文章查阅、内容检索及其他相关增值服务。

知识库内容:指本网站发布的包括但不限于文字、图表、数据、研究报告、行业分析等数字化内容资源。

二、 账号注册与登录

登录方式:本网站支持以下登录方式,您可根据实际情况选择:

微信公众号授权登录:您同意将您的微信OpenID信息授权给本网站,用于创建或关联会员账号。

手机验证码登录:您需提供真实有效的手机号码,并通过短信验证码完成身份验证与登录/注册。

账号安全:您的账号仅限您本人使用,禁止赠与、借用、租用、转让或售卖。因您保管不善导致的账号被盗、密码泄露等损失,由您自行承担。

实名认证:根据相关法律法规要求,我们可能要求您在特定功能下完成实名认证。如您拒绝提供,可能无法使用部分或全部服务。

未成年人保护:若您未满18周岁,请在法定监护人的陪同下阅读本协议,并在征得监护人同意后使用本服务。

三、 服务内容与规范

知识库查阅权限:会员登录后,有权按照其会员等级对应的权限范围,在线浏览、检索本网站知识库中的相关文章及内容。

服务变更:我们有权根据业务发展需要,调整、变更或终止部分服务内容,并将以网站公告、公众号消息等方式提前通知。

禁止行为:您在使用服务时不得实施以下行为:

利用技术手段批量爬取、下载、转存知识库内容;

将知识库内容用于商业目的或未经授权地向第三方传播;

干扰本网站正常运行或侵犯其他用户合法权益;

发布违法违规信息或从事违反公序良俗的活动。

四、 知识产权声明

权利归属:本网站知识库中的排版设计、软件代码等内容的知识产权均归【公司全称】或原权利人所有,受《中华人民共和国著作权法》等法律保护。

有限许可:本网站授予会员一项非独占、不可转让、不可转授权的普通许可,仅限于个人学习、研究之目的在线查阅知识库内容。

侵权追责:未经书面许可,任何单位或个人不得以任何形式复制、转载、摘编、镜像、汇编或以其他方式使用上述内容。一经发现,我们保留追究其法律责任的权利。

五、 个人信息保护

我们重视对您个人信息的保护。关于我们如何收集、使用、存储和保护您的个人信息,请单独阅读 《隐私政策》。

您通过微信公众号授权或手机号验证所提供的信息,我们将严格按照《个人信息保护法》的规定处理,仅用于身份识别、服务提供及安全验证等必要用途。

您可以随时通过网站设置或联系客服行使查阅、更正、删除个人信息及撤回授权同意的权利。

六、 免责声明

内容准确性:知识库内容仅供参考,不构成专业建议。我们不对其完整性、准确性、时效性作任何明示或暗示的保证,您应自行判断并承担使用风险。

不可抗力:因自然灾害、政策法规变化、网络故障、第三方平台接口异常(如微信接口维护、运营商短信通道故障)等不可抗力导致的服务中断或延迟,我们不承担违约责任。

第三方链接:本网站可能包含指向第三方网站的链接,该等网站的内容和服务不受我们控制,请您自行甄别风险。

七、 违约责任

如您违反本协议约定,我们有权视情节采取警告、限制功能、暂停服务、注销账号等措施,并保留要求赔偿损失的权利。

如因您的违约行为导致我们遭受行政处罚、第三方索赔或商誉损失,您应承担全部赔偿责任(包括但不限于罚款、赔偿金、律师费、公证费等)。

八、 法律适用与争议解决

本协议的订立、执行和解释均适用中华人民共和国大陆地区法律。

因本协议产生的或与本协议有关的任何争议,双方应友好协商解决;协商不成的,任何一方均可向【公司所在地】有管辖权的人民法院提起诉讼。

九、 其他

本协议构成双方就本服务达成的完整协议,取代此前任何口头或书面约定。

本协议任一条款被认定为无效或不可执行的,不影响其他条款的效力。

我们对本协议享有最终解释权,并在法律允许的范围内保留随时修改的权利。修改后的协议一经公布即生效,继续使用服务即视为同意修订内容。


已查阅