詞嵌入

R 的自然語言處理入門

Kasey Jones

Research Data Scientist

詞頻的缺陷

兩個句子:

  • Bob is the smartest person I know.
  • Bob is the most brilliant person I know.

移除停用詞後:

  • Bob smartest person
  • Bob brilliant person
R 的自然語言處理入門

詞義

更多語料:

  • The smartest people ...
  • He was the smartest ...
  • Brilliant people ...
  • His was so brilliant ...
R 的自然語言處理入門

word2vec

  • 以大型向量空間表示詞彙
  • 捕捉多種詞彙相似性
  • 意義相近的詞在空間中更接近

使用 word2vec 表示後,相似的詞會在多維向量空間中聚得更近。

1 https://www.adityathakker.com/introduction-to-word2vec-how-it-works/
R 的自然語言處理入門

資料準備

library(h2o)
h2o.init()
h2o_object = as.h2o(animal_farm)

使用 h2o 斷詞:

words <- h2o.tokenize(h2o_object$text_column, "\\\\W+")
words <- h2o.tolower(words)
words = words[is.na(words) || (!words %in% stop_words$word),]
R 的自然語言處理入門

word2vec 建模

word2vec_model <-
    h2o.word2vec(words, min_word_freq = 5, epochs = 5)
  • min_word_freq:移除出現少於 5 次的詞
  • epochs:訓練迭代次數
R 的自然語言處理入門

同義詞查找

h2o.findSynonyms(w2v.model, "animal")
    synonym     score
1     drink 0.8209088
2       age 0.7952490
3   alcohol 0.7867004
4       act 0.7710537
5      hero 0.7658424
h2o.findSynonyms(w2v.model, "jones")
      synonym     score
1      battle 0.7996588
2  discovered 0.7944554
3     cowshed 0.7823287
4     enemies 0.7766532
5       yards 0.7679787
R 的自然語言處理入門

其他用途

  • 分類建模
  • 情緒分析
  • 主題建模
R 的自然語言處理入門

套用 word2vec

R 的自然語言處理入門

Preparing Video For Download...