基本信息
| 作者 | Jeffrey Pennington | doi | 10.3115/v1/D14-1162 |
|---|---|---|---|
| 发表时间 | 2014 | 期刊 | EMNLP |
| 网址 | https://aclanthology.org/D14-1162.pdf |
研究背景
1. What’s known 既往研究已证实
全局矩阵分解方法：LSA，考虑整个语料库词频的统计信息得到共现矩阵，通过矩阵分解得到潜在语义信息。【有效地利用了统计信息，但它们在单词类比任务上做得相对较差，这表明向量空间结构不是最优的。】
局部上下文窗口方法：skip-gram (以及cbow)。【在类比任务上做得更好，但它们很少利用语料库的统计数据，因为它们在单独的局部上下文窗口上训练，而不是在全局共出现计数上训练。】
2. What’s new 创新点
Glove模型：融合了当时最新的全局矩阵分解方法和局部文本框捕捉方法，即全局词向量表达，利用了全局词词共现矩阵中的非0数据来训练。
3. What’s are the implications 意义
这种新的词向量表达方法提高了很多NLP基础任务的准确率。
研究方法
1. GloVe
α 取值为0.75能得到最好的模型效果。
结果与讨论
- 该模型训练的高效性，且在语料库较小时，也能取得不错的效果。
- 窗口大小逐渐变大，GloVe词向量在语义任务表现最佳。
- 同时使用对称上下文对GloVe词向量在各个任务的表现有益处。
个人思考与启发
拓展学习：论文阅读 - Distributed Representations of Words
用来表示 word 的向量被称为 Embedding，因为这个词被嵌入到（embedded）了向量空间中。
重要图
文献中重要的图记录下来
展示了三个不同超参数对最终结果的影响。
第一个是保持窗口对称，且窗口大小固定的情况下，向量维度对最终模型表现的影响。可以看到最初随着维度增加，模型表现也愈佳，但是当维度增加到300以上后，模型表现没有很明显的变化。虽然semantic评估有略微增长，但是维度增加，对资源的消耗也会增加，所以考虑到成本，一般会选择300作为最终的维度。
第二个是指保持窗口对称，维度固定的情况下，窗口大小对模型的影响。
第三个是指窗口不对称，也就是说只考虑前面或者后面的单词，维度固定的情况下，窗口大小对模型的影响。
迭代次数越多越小，效果很稳定。
补充内容： 复习word2vec的核心思路
