字嵌入

字嵌入（粵拼：zi6 ham3 jap6；英文：word embedding）係自然語言處理上嘅一個重要概念，指用多維實數向量表示一隻字嘅意思。

齋靠日常觀察經已可知，人能夠由字嗰度理解啲字嘅意思，但電腦冇呢樣能力，淨係能夠處理一大拃嘅數字；於是自然語言處理上就出咗一個諗頭－攞一段字做 input，同段字入面每隻字都俾若干隻數佢（而呢若干隻數結合成一個向量），用呢啲數嚟表示隻字嘅意思^[1]。

概論[編輯]

睇埋：語義同埋向量

家陣攞段字俾個 AI 分析，段嘢入面每隻字都有件字嵌入，每件字嵌入係個以實數表示嘅 $n$ 維向量，啲實數會表示隻字嘅意思，所以啲數值相近嘅字嵌入會係表示緊意思上相近嘅字^[2]。

想像每隻字嘅字嵌入有 30 個實數（ $n=30$ ^{[註 1]}），當中第一個實數表示嗰隻字同「貓科」有幾強嘅語義關聯，第二個實數表示嗰隻字同「人類」有幾強嘅語義關聯，第三個實數表示嗰隻字同「昆蟲」有幾強嘅語義關聯... 等等，數值愈正就表示語義關聯愈勁，即係

Cat（貓）呢隻字嘅字嵌入係 [0.9, 0.1, -0.8...]；
Tiger（老虎）呢隻字嘅字嵌入係 [0.7, -0.6, -0.75...]；
Nebula（星雲）呢隻字嘅字嵌入係 [-0.9, -0.95, -0.95...]；

姑且唔好諗「點樣知一隻字嘅字嵌入數值係乜」嘅問題住。假想而家每隻字都有咗件字嵌入，一件字嵌入係個向量，所以可以當做空間入面嘅一點噉嚟睇－好似附圖噉；當咗兩隻字係空間入面嘅兩點，分析者就有得計兩點之間嘅歐幾里得距離（Euclidean distance），得出個數值嚟反映「嗰兩隻字喺意思上爭幾遠」^{[註 2]}。

註釋[編輯]

↑ 喺實際應用上， $n$ 嘅數值閒閒哋會係幾百。
↑ 技術性啲講，實際應用上通常會同呢個距離值做標準化。

睇埋[編輯]

參攷[編輯]

↑ Lebret, Rémi; Collobert, Ronan (2013). "Word Emdeddings through Hellinger PCA". Conference of the European Chapter of the Association for Computational Linguistics (EACL). Vol. 2014.
↑ Jurafsky, Daniel; H. James, Martin (2000). Speech and language processing : an introduction to natural language processing, computational linguistics, and speech recognition. Upper Saddle River, N.J.: Prentice Hall.

[3] 喺實際應用上， $n$ 嘅數值閒閒哋會係幾百。

[4] 技術性啲講，實際應用上通常會同呢個距離值做標準化。

[1] Lebret, Rémi; Collobert, Ronan (2013). "Word Emdeddings through Hellinger PCA". Conference of the European Chapter of the Association for Computational Linguistics (EACL). Vol. 2014.

[2] Jurafsky, Daniel; H. James, Martin (2000). Speech and language processing : an introduction to natural language processing, computational linguistics, and speech recognition. Upper Saddle River, N.J.: Prentice Hall.

[1]

[2]

[註 1]

[註 2]