130
个编辑
更改
→FastText
·支持线性类比关系，类似 Word2Vec（如“king - man + woman ≈ queen”）
·支持线性类比关系，类似 Word2Vec（如“king - man + woman ≈ queen”）
==== FastText ====
==== 5.2 FastText ====
===== 背景： =====
FastText 是由 Facebook AI Research 的 Armand Joulin、Tomas Mikolov 等人于 2016 年提出，旨在解决 Word2Vec 模型在处理罕见词、词形变化（如复数、时态）等方面的能力不足。其核心理念是在训练过程中引入子词信息，以增强词向量对形态的建模能力。
===== 技术原理： =====
FastText 的核心思想是：'''将词视为子词（subword）n-gram 的组合体'''，而不是独立的原子单位。这一设计增强了模型对罕见词、形态变化词以及未登录词（OOV）的表示能力。
====== ·子词建模（Subword Embedding）： ======
每个单词 <math>w</math> 被划分为若干个字符 n-gram，例如设置 n = 3~6 时：
对于词 “where”，首先在其两端添加边界符号（如 < 和 >），构成：<where>，然后提取字符 n-gram 得到： <wh, whe, her, ere, re>，包括完整词本身 "where"，最终表示为一个 n-gram 集合 <math>G_w</math>。
词向量的表示为其所有 n-gram 向量的平均或和：
<math>v_w = \sum_{g \in G} w_g z_g
</math>
其中：
<math>z_g</math> 是 n-gram <math>g</math> 的嵌入向量；
<math>G_w</math> 是词 <math>w</math> 的所有子词集合。
这种表示方式让模型在遇到未登录词时，也可以通过其组成子词获取合理向量。
====== ·模型结构与训练： ======
FastText 延续了 Word2Vec 的 Skip-gram 架构，但输入词不再是 one-hot 编码的词本身，而是其所有 n-gram 的组合。训练目标为：给定中心词（子词组合向量），预测其上下文词。即最大化如下目标函数：
<math>L_{\text{Skip-gram}} = \sum_{(w_t, w_o) \in D} \left[ \log \sigma\left( \mathbf{v}_{w_o}^\top \mathbf{v}_{w_t} \right) + \sum_{i=1}^{k} \mathbb{E}_{w_i' \sim P_n(w)} \log \sigma\left( -\mathbf{v}_{w_i'}^\top \mathbf{v}_{w_t} \right) \right]
</math>
其中：
<math>w</math> 是由子词构成的中心词向量；
<math>v_{wo}</math> 是上下文词向量；
负采样 <math>P_n(w)</math> 用于高效近似 softmax。
FastText 的训练过程本质上是'''端到端地联合优化所有子词的向量表示'''，以提升整体语义建模能力。
===== 总结与对比： =====
'''子词增强表示能力'''：FastText 通过引入 n-gram，有效表示未登录词与形态变化词；
'''面向多语言与拼写多样化语言'''（如芬兰语、德语）效果显著优于 Word2Vec；
'''与 Word2Vec 相比'''：Word2Vec 只能对词表中出现过的词进行建模，FastText 可泛化到未出现的新词，具备更强的鲁棒性与泛化能力；
'''与 GloVe 相比'''：GloVe 基于全局共现信息构建稠密表示，适合静态建模，FastText 基于局部上下文与子词结构，适合细粒度语义与动态扩展；
'''应用场景广泛'''：在文本分类、命名实体识别、搜索排序、拼写纠错、推荐系统中广泛使用；
==== BERT 和 Transformer 模型 ====
==== BERT 和 Transformer 模型 ====