因为文本不能够直接被模型计算，所以需要将其转化为向量
把文本转化为向量有两种方式：
- 转化为one-hot编码
- 转化为word embedding
一、one-hot 编码
在one-hot编码中，每一个token使用一个长度为N的向量表示，N表示词典的数量。
即：把待处理的文档进行分词或者是N-gram处理，然后进行去重得到词典。
- 例：假设我们有一个文档：“深度学习”，那么进行one-hot处理后得到的结果如下
| token | one-hot encoding |
|---|---|
| 深 | 1000 |
| 度 | 0100 |
| 学 | 0010 |
| 习 | 0001 |
弊端：我们有1万个词的时候，编码很长，而且只有一个位置的1有效。使用稀疏向量表示文本，占用空间比较大。
二、word embedding编码
word embedding是深度学习中表示文本常用的一种方法。和one-hot编码不同，word embedding使用了浮点型的稠密矩阵来表示token。根据词典的大小，我们的向量通常使用不同的维度，例如100，256，300等。其中向量中的每一个值是一个超参数，其初始值是随机生成的，之后会在训练的过程中进行学习中获得。Word embedding 的目标是捕捉词语之间的语义关系，使得相似含义的词在向量空间中的表示更为接近。
如果我们文本中有20000个词语，如果使用one-hot编码，那么我们会有20000*20000的矩阵，其中大多数的位置都为0，但是如果我们使用word embedding来表示的话，只需要20000*维度，比如20000*300的形象表示就是：
| token | num | vector |
|---|---|---|
| 词1 | 0 | [w11,w12,w13···w1N]，其中N表示维度（dimension） |
| 词2 | 1 | [w21,w22,w23···w2N] |
| 词3 | 2 | [w31,w32,w33···w3N] |
| ··· | ··· | ··· |
| 词m | m | [wm1,wm2,wm3···wmN]，其中m表示词典的大小 |
我们会把所有的文本转化为向量，把句子用向量来表示
在这之间，我们会先把token使用数字来表示再把数字用向量来表示
即：token —> num —> vector。
比如，dog是1，cat是2，lion是3，然后再将1、2、3转化为向量。
| token | d1 | d2 | d3 | d4 |
|---|---|---|---|---|
| dog | -0.4 | 0.37 | 0.02 | -0.34 |
| cat | -0.15 | -0.02 | -0.23 | -0.23 |
| lion | 0.19 | -0.4 | 0.35 | -0.48 |
| tiger | -0.08 | 0.31 | 0.56 | 0.07 |
| elephant | -0.04 | -0.09 | 0.11 | -0.06 |
| cheetah | 0.27 | -0.28 | -0.2 | -0.43 |
| monkey | -0.02 | -0.67 | -0.21 | -0.48 |
| rabbit | -0.04 | -0.3 | -0.18 | -0.47 |
| mouse | 0.09 | -0.46 | -0.35 | -0.24 |
2.1 word embedding数据形状转化
这批batch的每个句子有N个词，总共有batch_size个句子，也就是说这批batch的形状为[batch_size, N]。
word embedding规定，每个词映射到长度为4的向量上，即维度为4。其形状为[M, D]
这批batch经过word embedding后，查询其中的词典（M个词），把每一个句子的词映射到其中的向量上，最终batch的形状变成了[batch_size, N, D]。
2.2 word embedding API
torch.nn.Embedding(num_embeddings,embedding_dim)
参数：
- num_embbeding：词典的大小
- embedding_dim： embedding的维度
使用方法：
embedding = nn.Embedding(vocab_size,300)#实例化
input_embed = embedding(input) #进行embedding操作
2.3数据形状的变化
思考：每一个batch中的句子有10个词语，经过形状为[20, 4]的word embedding之后，原来的句子会变成什么形状？
因为word emdedding规定每个词用长度为4的向量表示，所以batch中每个句子中的10个词语会分布到向量的4个分量上，最终变成[batch_size, 10, 4]。文章来源：https://www.toymoban.com/news/detail-821918.html
做图码字不易，可以点个赞嘛，谢谢你～～～文章来源地址https://www.toymoban.com/news/detail-821918.html
到了这里，关于【自然语言处理】【深度学习】文本向量化、one-hot、word embedding编码的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
