Transformer 通关秘籍9:词向量的数值实际上是特征

在前面的文章中,大概花费了几节的篇幅,详细介绍了 token 以及词嵌入向量的概念。到这里,你应该可以理解了:在计算机的眼里,所有的文本首先都要经过分词转换为 token ,然后再使用词嵌入算法将 token 转换为词向量。

如果还有不理解的相关内容,可以返回前述几节再详细阅读一下,或者在本节下留言。

本节将通过一个例子,来帮你更加通俗的理解词嵌入向量代表的含义:实际上,词向量中的数值,代表的是单词的语义在各个维度上的特征。

这里有一个全程一站式的 Transformer 讲解和实战辅导,带你从零手写一个可对话的大模型,点击链接查看详情从零手写大模型实战

一个例子来理解特征

本例子来源于 Jay Alammar 的博客,我在原文基础上进行了精简和提炼。

不知道你是否做过性格测试。

在很多类似的测试中,都会有许多道题来让你回答,然后从多个维度、多个方面衡量你的潜力或特质,然后给出分值,最后综合来评判你是一个什么样的人。

假设一个叫 Jay 的人做完性格测试,在"你是属于内向还是外向?"这项测试中得到了 38 分。这里满分为 100,分数越高,说明人越外向,分数越低,说明人越内向,38 分的得分结果如下。

为了抹平多项测试间的分值差异,这里将所有得分的数据归一化到 [-1,1] 之间。归一化后内外向得分为 -0.4 分,越靠近负1说明越内向,越靠近正1说明越外向。

此时很明显,说明 Jay 这个人偏内向。但也仅此而已,我们从 -0.4 这个分数看不出 Jay 有其他什么品质,仅仅知道他偏内向而已。

这个时候,如果再增加一个测试项目的得分,假设 Jay 在另一个测试项目中得分为 0.8 分。

此时,根据这两个测试项目的数据,我们知道 Jay 这个人在第一个性格(性格#1: 内外向)中得分 -0.4,他偏内向。在第二个性格中得分0.8。

虽然这里没指明第二个性格具体代表的是什么(比如你可以理解为"是否任劳任怨加班?",0.8 分说明他是一个加班狂),但至少我们对 Jay 的认识又增加了一些。

假设,现在 Jay 在上班途中被车撞了,公司需要一个人来顶替他的工作内容,有两个候选人(Person #1 和 Person #2),他们在这两项测试中的得分如下:

根据这两个人的得分,你更倾向于让谁来代替 Jay 呢?

你可能会说,看样子 Person#1 和 Jay 在两项上的得分更相近,两人具有更类似的特质,可以让 Person#1来代替 Jay 。

是的,在数学模型上,衡量两个人的性格数据(这里是向量)是否相似,可以使用余弦相似度(见8、词向量如何表示近义词?)的方法,这个在上一节介绍过了。

通过计算,可以的得到余弦相似度数值为:

很明显,Person #1 获选,因为他和 Jay 的余弦相似度更高。

上述每一项(Trait #1, Trait #2)的得分都代表了这个人在某一项测试中的特质或潜力,或者说是这个人在某性格维度上的特征值。

但是 2 个特征还不足以完全代表一个人,因此我们可以将特征数量继续增加:

继续计算余弦相似度

通过计算,仍然得到 Person #1 与 Jay 更相似的结论。

至此,Person #1 获选,说明Person #1 和 Jay 更相似,更容易获得这份工作。

如果把上述例子中的得分组成的向量看做是词嵌入向量的话,那么其中的数值,便是代表一个单词在各个维度特征的得分值。

比如在上一节中提到的,猫(cat)可以是以下特征的集合:

cat = [会跑(1)、会爬树(0.9)、会叫(1.0)、粘人(0.6)、会抓老鼠(0.6),会游泳(-0.9),会喷火(-1.0)...]

足够多的维度,便可以更加精确的表示猫(cat)这个单词。

所以,词嵌入向量代表的就是单词语义的特征集合,这一点很重要,在后面介绍 Encoder-Decoder 模型时,你会发现中间的 Context 也可以这么理解。本节理解到这层意思就可以了。

我创建了一个《小而精的AI学习圈》知识星球,星球上有几十万字原创高质量的技术专栏分享,同时你也可以在星球向我提问。 点击这里,我们星球见! >>>
点击这里查看所有 AI 技术专栏

相关推荐
想跑步的小弱鸡4 小时前
Leetcode hot 100(day 3)
算法·leetcode·职场和发展
xyliiiiiL5 小时前
ZGC初步了解
java·jvm·算法
爱的叹息6 小时前
RedisTemplate 的 6 个可配置序列化器属性对比
算法·哈希算法
独好紫罗兰6 小时前
洛谷题单2-P5713 【深基3.例5】洛谷团队系统-python-流程图重构
开发语言·python·算法
每次的天空7 小时前
Android学习总结之算法篇四(字符串)
android·学习·算法
请来次降维打击!!!8 小时前
优选算法系列(5.位运算)
java·前端·c++·算法
qystca8 小时前
蓝桥云客 刷题统计
算法·模拟
别NULL8 小时前
机试题——统计最少媒体包发送源个数
c++·算法·媒体
weisian1518 小时前
Java常用工具算法-3--加密算法2--非对称加密算法(RSA常用,ECC,DSA)
java·开发语言·算法
程序员黄同学10 小时前
贪心算法,其优缺点是什么?
算法·贪心算法