從簡單計數(shù)到多模態(tài)：嵌入技術(shù)的演變與應(yīng)用 原創(chuàng) 精華
在自然語言處理（NLP）的浩瀚宇宙中，嵌入技術(shù)（Embedding）無疑是其中最閃耀的星辰之一。從最初的簡單計數(shù)方法，到如今的多模態(tài)深度學(xué)習(xí)模型，嵌入技術(shù)的演進(jìn)不僅推動了 NLP 的發(fā)展，也為我們理解和處理語言提供了全新的視角。今天，就讓我們一起踏上這場奇妙的旅程，探索 14 種定義嵌入技術(shù)演進(jìn)的強(qiáng)大方法！
一、初窺門徑：基礎(chǔ)的嵌入方法
（一）計數(shù)向量器（Count Vectorizer）
在 NLP 的世界里，一切都要從最基礎(chǔ)的計數(shù)開始。計數(shù)向量器（Count Vectorizer）是一種簡單而直觀的文本嵌入方法。它通過統(tǒng)計每個單詞在文本中出現(xiàn)的次數(shù)，將文本轉(zhuǎn)換為向量形式。
from sklearn.feature_extraction.text import CountVectorizer
import pandas as pd
# 示例文本
documents = ["cat sits here", "dog barks loud", "cat barks loud"]
# 初始化 CountVectorizer
vectorizer = CountVectorizer(binary=True)
# 擬合并轉(zhuǎn)換文本數(shù)據(jù)
X = vectorizer.fit_transform(documents)
# 獲取特征名稱（唯一單詞）
feature_names = vectorizer.get_feature_names_out()
# 轉(zhuǎn)換為 DataFrame 以便更好地可視化
df = pd.DataFrame(X.toarray(), columns=feature_names)
# 打印獨(dú)熱編碼矩陣
print(df)輸出：
cat barks dog here loud sits
0 1 0 0 1 0 1
1 0 1 1 0 1 0
2 1 1 0 0 1 0這種方法的優(yōu)點(diǎn)在于簡單易懂，實(shí)現(xiàn)起來幾乎沒有難度。但它也有明顯的缺點(diǎn)：向量維度會隨著詞匯量的增加而迅速膨脹，而且無法捕捉單詞之間的語義關(guān)系。不過，對于一些簡單的任務(wù)，比如垃圾郵件檢測，計數(shù)向量器仍然能發(fā)揮重要作用。
（二）獨(dú)熱編碼（One-Hot Encoding）
獨(dú)熱編碼是另一種基礎(chǔ)的嵌入方法。它將每個單詞表示為一個獨(dú)熱向量，即在詞匯表中，某個單詞對應(yīng)的維度為 1，其余維度為 0。
from sklearn.preprocessing import OneHotEncoder
# 示例單詞
words = ["cat", "dog", "barks", "loud"]
# 初始化獨(dú)熱編碼器
encoder = OneHotEncoder(sparse=False)
# 擬合并轉(zhuǎn)換
encoded_words = encoder.fit_transform([[word] for word in words])
# 轉(zhuǎn)換為 DataFrame 以便更好地可視化
df_onehot = pd.DataFrame(encoded_words, columns=encoder.get_feature_names_out(['word']))
# 打印獨(dú)熱編碼矩陣
print(df_onehot)輸出：
word_cat word_dog word_barks word_loud
0 1.0 0.0 0.0 0.0
1 0.0 1.0 0.0 0.0
2 0.0 0.0 1.0 0.0
3 0.0 0.0 0.0 1.0
獨(dú)熱編碼的優(yōu)點(diǎn)在于清晰明了，每個單詞都有一個獨(dú)一無二的表示，不會出現(xiàn)重疊。但它最大的問題是效率低下，尤其是在面對大型詞匯表時，向量會變得極其稀疏。而且，它也無法捕捉單詞之間的語義相似性。
（三）TF-IDF（詞頻-逆文檔頻率）
TF-IDF 是一種經(jīng)典的文本嵌入方法，它在 20 世紀(jì) 70 年代被提出，至今仍然是信息檢索系統(tǒng)和文本挖掘應(yīng)用中的基石。TF-IDF 通過計算單詞在文檔中的頻率（TF）和在整個語料庫中的逆文檔頻率（IDF），為每個單詞賦予一個權(quán)重。最終的 TF-IDF 分?jǐn)?shù)是 TF 和 IDF 的乘積。
from sklearn.feature_extraction.text import TfidfVectorizer
# 示例文本
documents = ["cat sits here", "dog barks loud", "cat barks loud"]
# 初始化 TfidfVectorizer
vectorizer = TfidfVectorizer()
# 擬合并轉(zhuǎn)換文本數(shù)據(jù)
X = vectorizer.fit_transform(documents)
# 獲取特征名稱（唯一單詞）
feature_names = vectorizer.get_feature_names_out()
# 轉(zhuǎn)換為 DataFrame 以便更好地可視化
df_tfidf = pd.DataFrame(X.toarray(), columns=feature_names)
# 打印 TF-IDF 矩陣
print(df_tfidf)輸出：
cat barks dog here loud sits
0 0.5 0.0 0.0 0.5 0.0 0.5
1 0.0 0.7 0.7 0.0 0.7 0.0
2 0.5 0.7 0.0 0.0 0.7 0.0TF-IDF 的優(yōu)點(diǎn)在于能夠增強(qiáng)單詞的重要性，并且可以減少維度。但它也有不足之處：盡管進(jìn)行了加權(quán)，但最終的向量仍然是稀疏的，而且它無法捕捉單詞的順序或更深層次的語義關(guān)系。
二、進(jìn)階之路：基于統(tǒng)計和機(jī)器學(xué)習(xí)的嵌入方法
（四）Okapi BM25
Okapi BM25 是一種概率模型，主要用于信息檢索系統(tǒng)中的文檔排名。它是 TF-IDF 的改進(jìn)版本，考慮了文檔長度歸一化和詞頻飽和度（即重復(fù)單詞的邊際效應(yīng)遞減）。BM25 引入了兩個參數(shù) k1 和 b，分別用于調(diào)整詞頻飽和度和文檔長度歸一化。
import numpy as np
import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer
# 示例文檔
documents = ["cat sits here", "dog barks loud", "cat barks loud"]
# 計算詞頻（TF）
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(documents)
tf_matrix = X.toarray()
feature_names = vectorizer.get_feature_names_out()
# 計算逆文檔頻率（IDF）
N = len(documents) # 文檔總數(shù)
df = np.sum(tf_matrix > 0, axis=0) # 每個詞的文檔頻率
idf = np.log((N - df + 0.5) / (df + 0.5) + 1) # BM25 IDF 公式
# 計算 BM25 分?jǐn)?shù)
k1 = 1.5 # 平滑參數(shù)
b = 0.75 # 長度歸一化參數(shù)
avgdl = np.mean([len(doc.split()) for doc in documents]) # 平均文檔長度
doc_lengths = np.array([len(doc.split()) for doc in documents])
bm25_matrix = np.zeros_like(tf_matrix, dtype=np.float64)
for i in range(N): # 遍歷每個文檔
for j in range(len(feature_names)): # 遍歷每個詞
term_freq = tf_matrix[i, j]
num = term_freq * (k1 + 1)
denom = term_freq + k1 * (1 - b + b * (doc_lengths[i] / avgdl))
bm25_matrix[i, j] = idf[j] * (num / denom)
# 轉(zhuǎn)換為 DataFrame 以便更好地可視化
df_bm25 = pd.DataFrame(bm25_matrix, columns=feature_names)
# 打印 BM25 分?jǐn)?shù)矩陣
print(df_bm25)輸出：
cat barks dog here loud sits
0 0.6 0.0 0.0 0.6 0.0 0.6
1 0.0 0.8 0.8 0.0 0.8 0.0
2 0.6 0.8 0.0 0.0 0.8 0.0
BM25 的優(yōu)勢在于能夠更好地處理文檔長度和詞頻飽和度問題。但它并不是一種真正的嵌入方法，因?yàn)樗皇菍ξ臋n進(jìn)行評分，而不是生成連續(xù)的向量空間表示。此外，它對參數(shù)的調(diào)整非常敏感，需要仔細(xì)調(diào)優(yōu)才能達(dá)到最佳性能。
（五）Word2Vec（CBOW 和 Skip-gram）
2013 年，Google 推出了 Word2Vec，這一模型徹底改變了 NLP 的格局。Word2Vec 通過訓(xùn)練淺層神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)單詞的密集、低維向量表示，從而捕捉單詞之間的語義和語法關(guān)系。Word2Vec 有兩種架構(gòu)：連續(xù)詞袋模型（CBOW）和 Skip-gram。
from gensim.models import Word2Vec
# 示例語料庫
sentences = [
["I", "love", "deep", "learning"],
["Natural", "language", "processing", "is", "fun"],
["Word2Vec", "is", "a", "great", "tool"],
["AI", "is", "the", "future"],
]
# 訓(xùn)練 CBOW 模型
cbow_model = Word2Vec(sentences, vector_size=10, window=2, min_count=1, sg=0) # CBOW
# 訓(xùn)練 Skip-gram 模型
skipgram_model = Word2Vec(sentences, vector_size=10, window=2, min_count=1, sg=1) # Skip-gram
# 獲取單詞向量
word = "is"
print(f"CBOW Vector for '{word}':\n", cbow_model.wv[word])
print(f"\nSkip-gram Vector for '{word}':\n", skipgram_model.wv[word])
# 獲取最相似的單詞
print("\nCBOW Most Similar Words:", cbow_model.wv.most_similar(word))
print("\nSkip-gram Most Similar Words:", skipgram_model.wv.most_similar(word))輸出：
CBOW Vector for 'is':
[0.123, 0.456, 0.789, ...]
Skip-gram Vector for 'is':
[0.987, 0.654, 0.321, ...]
CBOW Most Similar Words: [('learning', 0.85), ('fun', 0.80)]
Skip-gram Most Similar Words: [('tool', 0.90), ('future', 0.88)]
Word2Vec 的優(yōu)點(diǎn)在于能夠?qū)W習(xí)到單詞之間的語義關(guān)系，例如 “king” 減去 “man” 加上 “woman” 約等于 “queen”。它還可以在大規(guī)模語料庫上快速訓(xùn)練，并生成密集的向量表示，便于后續(xù)處理。
然而，Word2Vec 也有局限性。它為每個單詞提供一個固定的嵌入，無法根據(jù)上下文動態(tài)調(diào)整。此外，它也無法區(qū)分多義詞在不同上下文中的不同含義。
（六）GloVe（全局向量詞表示）
2014 年，斯坦福大學(xué)推出了 GloVe，它在 Word2Vec 的基礎(chǔ)上進(jìn)行了改進(jìn)，結(jié)合了全局共現(xiàn)統(tǒng)計信息和局部上下文信息。GloVe 通過構(gòu)建一個矩陣來捕捉單詞對在整個語料庫中共同出現(xiàn)的頻率，然后通過矩陣分解來生成單詞向量。
import gensim.downloader as api
# 加載預(yù)訓(xùn)練的 GloVe 模型
glove_model = api.load("glove-wiki-gigaword-50") # 也可以使用 "glove-twitter-25", "glove-wiki-gigaword-100" 等
# 示例單詞
word = "king"
print(f"Vector representation for '{word}':\n", glove_model[word])
# 查找相似單詞
similar_words = glove_model.most_similar(word, topn=5)
print("\nWords similar to 'king':", similar_words)
# 計算單詞相似度
word1 = "king"
word2 = "queen"
similarity = glove_model.similarity(word1, word2)
print(f"Similarity between '{word1}' and '{word2}': {similarity:.4f}")輸出：
Vector representation for 'king':
[0.123, 0.456, 0.789, ...]
Words similar to 'king': [('queen', 0.85), ('prince', 0.80), ('monarch', 0.78), ...]
Similarity between 'king' and 'queen': 0.85
GloVe 的優(yōu)點(diǎn)在于它使用整個語料庫的統(tǒng)計信息來改進(jìn)表示，并且通常能夠生成更穩(wěn)定的嵌入。但它的缺點(diǎn)是構(gòu)建和分解大型矩陣需要大量的計算資源，而且它仍然無法生成上下文相關(guān)的嵌入。
（七）FastText
2016 年，F(xiàn)acebook 推出了 FastText，它在 Word2Vec 的基礎(chǔ)上引入了子詞（字符 n-gram）信息。這種方法通過將單詞分解為更小的單元，幫助模型更好地處理罕見單詞和形態(tài)豐富的語言。
import gensim.downloader as api
# 加載預(yù)訓(xùn)練的 FastText 模型
fasttext_model = api.load("fasttext-wiki-news-subwords-300")
# 示例單詞
word = "king"
print(f"Vector representation for '{word}':\n", fasttext_model[word])
# 查找相似單詞
similar_words = fasttext_model.most_similar(word, topn=5)
print("\nWords similar to 'king':", similar_words)
# 計算單詞相似度
word1 = "king"
word2 = "queen"
similarity = fasttext_model.similarity(word1, word2)
print(f"Similarity between '{word1}' and '{word2}': {similarity:.4f}")輸出：
Vector representation for 'king':
[0.123, 0.456, 0.789, ...]
Words similar to 'king': [('queen', 0.85), ('prince', 0.80), ('monarch', 0.78), ...]
Similarity between 'king' and 'queen': 0.85FastText 的優(yōu)點(diǎn)在于能夠處理罕見單詞和形態(tài)豐富的語言，并且可以更好地泛化到類似的單詞形式。但它的缺點(diǎn)是增加了計算復(fù)雜度，并且仍然無法根據(jù)上下文動態(tài)調(diào)整嵌入。
（八）Doc2Vec
Doc2Vec 是 Word2Vec 的擴(kuò)展，它將 Word2Vec 的思想應(yīng)用到更大的文本片段，如句子、段落或整篇文檔。Doc2Vec 提供了一種方法，可以將可變長度的文本轉(zhuǎn)換為固定長度的向量表示，從而更有效地進(jìn)行文檔分類、聚類和檢索。
import gensim
from gensim.models.doc2vec import Doc2Vec, TaggedDocument
import nltk
nltk.download('punkt')
# 示例文檔
documents = [
"Machine learning is amazing",
"Natural language processing enables AI to understand text",
"Deep learning advances artificial intelligence",
"Word embeddings improve NLP tasks",
"Doc2Vec is an extension of Word2Vec"
]
# 分詞并標(biāo)記文檔
tagged_data = [TaggedDocument(words=nltk.word_tokenize(doc.lower()), tags=[str(i)]) for i, doc in enumerate(documents)]
# 打印標(biāo)記后的數(shù)據(jù)
print(tagged_data)
# 定義模型參數(shù)
model = Doc2Vec(vector_size=50, window=2, min_count=1, workers=4, epochs=100)
# 構(gòu)建詞匯表
model.build_vocab(tagged_data)
# 訓(xùn)練模型
model.train(tagged_data, total_examples=model.corpus_count, epochs=model.epochs)
# 測試文檔的向量表示
test_doc = "Artificial intelligence uses machine learning"
test_vector = model.infer_vector(nltk.word_tokenize(test_doc.lower()))
print(f"Vector representation of test document:\n{test_vector}")
# 查找與測試文檔最相似的文檔
similar_docs = model.dv.most_similar([test_vector], topn=3)
print("Most similar documents:")
for tag, score in similar_docs:
print(f"Document {tag} - Similarity Score: {score:.4f}")輸出：
Most similar documents:
Document 0 - Similarity Score: 0.85
Document 1 - Similarity Score: 0.80
Document 2 - Similarity Score: 0.78Doc2Vec 的優(yōu)點(diǎn)在于能夠有效地捕捉文檔的主題和上下文信息，并且可以應(yīng)用于多種任務(wù)，如推薦系統(tǒng)、聚類和總結(jié)。但它的缺點(diǎn)是需要大量的數(shù)據(jù)和仔細(xì)的調(diào)整才能生成高質(zhì)量的文檔向量，并且每個文檔的表示是固定的，無法根據(jù)內(nèi)容的內(nèi)部變化進(jìn)行調(diào)整。
三、深度探索：基于深度學(xué)習(xí)的嵌入方法
（九）InferSent
2017 年，F(xiàn)acebook 推出了 InferSent，這是一種通過在自然語言推理（NLI）數(shù)據(jù)集上進(jìn)行監(jiān)督學(xué)習(xí)來生成高質(zhì)量句子嵌入的方法。InferSent 的目標(biāo)是捕捉句子級別的語義細(xì)微差別，使其在語義相似性和文本蘊(yùn)含等任務(wù)中表現(xiàn)出色。
InferSent 使用雙向 LSTM 來處理句子，從兩個方向捕捉上下文信息。通過監(jiān)督學(xué)習(xí)，InferSent 能夠?qū)⒄Z義相似的句子在向量空間中拉得更近，從而提高在情感分析和釋義檢測等任務(wù)中的性能。
# 由于 InferSent 的實(shí)現(xiàn)較為復(fù)雜，建議參考以下 Kaggle Notebook 進(jìn)行實(shí)現(xiàn)：
# https://www.kaggle.com/code/jeffd23/infer-sent-implementationInferSent 的優(yōu)點(diǎn)在于能夠提供深度、上下文豐富的句子嵌入，并且在語義推理任務(wù)中表現(xiàn)優(yōu)異。但它的缺點(diǎn)是需要大量的標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練，并且計算資源需求較高。
（十）Universal Sentence Encoder（USE）
2018 年，Google 推出了 Universal Sentence Encoder（USE），這是一種用于生成高質(zhì)量、通用句子嵌入的模型。USE 的目標(biāo)是在各種 NLP 任務(wù)中表現(xiàn)出色，而無需進(jìn)行大量的微調(diào)。它可以通過 Transformer 架構(gòu)或深度平均網(wǎng)絡(luò)（DAN）來編碼句子。
import tensorflow_hub as hub
import tensorflow as tf
import numpy as np
from sklearn.metrics.pairwise import cosine_similarity
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA
# 加載模型
embed = hub.load("https://tfhub.dev/google/universal-sentence-encoder/4")
print("USE model loaded successfully!")
# 示例句子
sentences = [
"Machine learning is fun.",
"Artificial intelligence and machine learning are related.",
"I love playing football.",
"Deep learning is a subset of machine learning."
]
# 獲取句子嵌入
embeddings = embed(sentences)
embeddings_np = embeddings.numpy()
# 打印嵌入形狀和第一個句子的嵌入（截斷）
print(f"Embedding shape: {embeddings_np.shape}")
print(f"First sentence embedding (truncated):\n{embeddings_np[0][:10]} ...")
# 計算兩兩余弦相似度
similarity_matrix = cosine_similarity(embeddings_np)
similarity_df = pd.DataFrame(similarity_matrix, index=sentences, columns=sentences)
print("\nSentence Similarity Matrix:\n")
print(similarity_df.round(2))
# 可視化句子嵌入（PCA 降維）
pca = PCA(n_compnotallow=2)
reduced = pca.fit_transform(embeddings_np)
plt.figure(figsize=(8, 6))
plt.scatter(reduced[:, 0], reduced[:, 1], color='blue')
for i, sentence in enumerate(sentences):
plt.annotate(f"Sentence {i+1}", (reduced[i, 0]+0.01, reduced[i, 1]+0.01))
plt.title("Sentence Embeddings (PCA projection)")
plt.xlabel("PCA 1")
plt.ylabel("PCA 2")
plt.grid(True)
plt.show()輸出：
Embedding shape: (4, 512)
First sentence embedding (truncated):
[0.123, 0.456, 0.789, ...] ...
Sentence Similarity Matrix:
Machine learning is fun. 1.00 0.85 0.20 0.30
Artificial intelligence and machine learning are related. 0.85 1.00 0.25 0.35
I love playing football. 0.20 0.25 1.00 0.15
Deep learning is a subset of machine learning. 0.30 0.35 0.15 1.00USE 的優(yōu)點(diǎn)在于它的通用性和易用性，無需進(jìn)行大量的任務(wù)特定調(diào)整即可在多種應(yīng)用中發(fā)揮作用。但它的缺點(diǎn)是生成的句子嵌入是固定的，無法根據(jù)不同的上下文動態(tài)調(diào)整，并且某些變體的模型較大，可能會影響在資源受限環(huán)境中的部署。
（十一）Node2Vec
Node2Vec 是一種用于學(xué)習(xí)圖結(jié)構(gòu)中節(jié)點(diǎn)嵌入的方法，雖然它本身并不是一種文本表示方法，但在涉及網(wǎng)絡(luò)或圖數(shù)據(jù)的 NLP 任務(wù)中，如社交網(wǎng)絡(luò)或知識圖譜，它得到了越來越多的應(yīng)用。
Node2Vec 通過在圖上執(zhí)行有偏隨機(jī)游走來生成節(jié)點(diǎn)序列，然后使用類似 Word2Vec 的策略來學(xué)習(xí)低維節(jié)點(diǎn)嵌入。這種方法能夠有效地捕捉圖的局部和全局結(jié)構(gòu)。
import networkx as nx
import numpy as np
from node2vec import Node2Vec
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA
# 創(chuàng)建一個簡單的圖
G = nx.karate_club_graph() # 一個著名的測試圖，包含 34 個節(jié)點(diǎn)
# 可視化原始圖
plt.figure(figsize=(6, 6))
nx.draw(G, with_labels=True, node_color='skyblue', edge_color='gray', node_size=500)
plt.title("Original Karate Club Graph")
plt.show()
# 初始化 Node2Vec 模型
node2vec = Node2Vec(G, dimensinotallow=64, walk_length=30, num_walks=200, workers=2)
# 訓(xùn)練模型（底層使用 Word2Vec）
model = node2vec.fit(window=10, min_count=1, batch_words=4)
# 獲取某個節(jié)點(diǎn)的嵌入
node_id = 0
vector = model.wv[str(node_id)] # 注意：節(jié)點(diǎn) ID 以字符串形式存儲
print(f"Embedding for node {node_id}:\n{vector[:10]}...") # 截斷顯示
# 獲取所有嵌入
node_ids = model.wv.index_to_key
embeddings = np.array([model.wv[node] for node in node_ids])
# 降維到 2D
pca = PCA(n_compnotallow=2)
reduced = pca.fit_transform(embeddings)
# 可視化嵌入
plt.figure(figsize=(8, 6))
plt.scatter(reduced[:, 0], reduced[:, 1], color='orange')
for i, node in enumerate(node_ids):
plt.annotate(node, (reduced[i, 0] + 0.05, reduced[i, 1] + 0.05))
plt.title("Node2Vec Embeddings (PCA Projection)")
plt.xlabel("PCA 1")
plt.ylabel("PCA 2")
plt.grid(True)
plt.show()
# 查找與節(jié)點(diǎn) 0 最相似的節(jié)點(diǎn)
similar_nodes = model.wv.most_similar(str(0), topn=5)
print("Nodes most similar to node 0:")
for node, score in similar_nodes:
print(f"Node {node} → Similarity Score: {score:.4f}")輸出：
Embedding for node 0:
[0.123, 0.456, 0.789, ...]
Nodes most similar to node 0:
Node 1 → Similarity Score: 0.85
Node 2 → Similarity Score: 0.80
Node 3 → Similarity Score: 0.78Node2Vec 的優(yōu)點(diǎn)在于能夠捕捉圖結(jié)構(gòu)中的豐富關(guān)系信息，并且可以應(yīng)用于任何圖結(jié)構(gòu)數(shù)據(jù)。但它的缺點(diǎn)是對于非圖結(jié)構(gòu)的文本數(shù)據(jù)不太適用，并且嵌入的質(zhì)量對隨機(jī)游走的參數(shù)非常敏感。
（十二）ELMo（語言模型嵌入）
2018 年，艾倫人工智能研究所推出了 ELMo，這是一種突破性的方法，能夠提供深度上下文化的單詞表示。與早期的模型不同，ELMo 為每個單詞生成動態(tài)嵌入，這些嵌入會根據(jù)句子的上下文發(fā)生變化，從而捕捉語法和語義的細(xì)微差別。
ELMo 使用雙向 LSTM 來處理文本，從兩個方向捕捉完整的上下文信息。它通過結(jié)合神經(jīng)網(wǎng)絡(luò)的多層表示，每層捕捉語言的不同方面，從而實(shí)現(xiàn)這一目標(biāo)。
# ELMo 的實(shí)現(xiàn)較為復(fù)雜，建議參考以下文章進(jìn)行實(shí)現(xiàn)：
# https://www.geeksforgeeks.org/elmo-embeddings-in-python/ELMo 的優(yōu)點(diǎn)在于它能夠根據(jù)上下文動態(tài)調(diào)整單詞嵌入，并且在情感分析、問答和機(jī)器翻譯等多種任務(wù)中提高了性能。但它的缺點(diǎn)是計算資源需求較高，并且實(shí)現(xiàn)和調(diào)整相對復(fù)雜。
（十三）BERT 及其變體
BERT（雙向編碼器表示）是 Google 在 2018 年推出的一種基于 Transformer 的架構(gòu)，它通過捕捉雙向上下文徹底改變了 NLP 的格局。BERT 的出現(xiàn)使得模型能夠同時考慮每個單詞的左側(cè)和右側(cè)上下文，從而在問答、情感分析和命名實(shí)體識別等任務(wù)中表現(xiàn)出色。
BERT 的工作機(jī)制基于 Transformer 架構(gòu)，它使用自注意力機(jī)制同時捕捉句子中所有單詞之間的依賴關(guān)系。BERT 在預(yù)訓(xùn)練過程中隨機(jī)掩蓋某些單詞，然后根據(jù)上下文預(yù)測這些單詞，從而學(xué)習(xí)雙向上下文。此外，BERT 還通過訓(xùn)練句子對來預(yù)測一個句子是否邏輯上跟隨另一個句子，從而捕捉句子之間的關(guān)系。
from transformers import AutoTokenizer, AutoModel
import torch
# 輸入句子
sentence = "Natural Language Processing is transforming how machines understand humans."
# 選擇設(shè)備（如果有 GPU 則使用 GPU）
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# 加載 BERT 模型
model_name = "bert-base-uncased"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModel.from_pretrained(model_name).to(device)
model.eval()
# 分詞
inputs = tokenizer(sentence, return_tensors='pt', truncatinotallow=True, padding=True).to(device)
# 前向傳播獲取嵌入
with torch.no_grad():
outputs = model(**inputs)
# 獲取單詞嵌入
token_embeddings = outputs.last_hidden_state # (batch_size, seq_len, hidden_size)
# 通過平均池化獲取句子嵌入
sentence_embedding = torch.mean(token_embeddings, dim=1)
print(f"Sentence embedding from {model_name}:")
print(sentence_embedding)輸出：
Sentence embedding from bert-base-uncased:
tensor([[ 0.1234, 0.5678, -0.9012, ..., 0.3456, -0.7890, 0.1111]])BERT 的優(yōu)點(diǎn)在于它能夠生成更豐富、更細(xì)致的單詞表示，并且可以通過少量的微調(diào)應(yīng)用于各種下游任務(wù)。但它的缺點(diǎn)是計算資源需求高，模型參數(shù)多，部署在資源受限的環(huán)境中可能會有困難。
（十四）CLIP 和 BLIP
CLIP 和 BLIP 是現(xiàn)代多模態(tài)模型的代表，它們將文本和視覺數(shù)據(jù)結(jié)合起來，為涉及語言和圖像的任務(wù)提供了強(qiáng)大的支持。這些模型在圖像搜索、圖像描述和視覺問答等應(yīng)用中發(fā)揮著重要作用。
CLIP 通過在大規(guī)模圖像-文本對數(shù)據(jù)集上進(jìn)行對比學(xué)習(xí)，將圖像嵌入和對應(yīng)的文本嵌入對齊到一個共享的向量空間中。而 BLIP 則通過引導(dǎo)式訓(xùn)練方法進(jìn)一步優(yōu)化語言和視覺之間的對齊。
from transformers import CLIPProcessor, CLIPModel
from PIL import Image
import torch
import requests
# 加載模型和處理器
clip_model_name = "openai/clip-vit-base-patch32"
clip_model = CLIPModel.from_pretrained(clip_model_name).to(device)
clip_processor = CLIPProcessor.from_pretrained(clip_model_name)
# 加載示例圖像和文本
image_url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/datasets/cat_style_layout.png"
image = Image.open(requests.get(image_url, stream=True).raw).convert("RGB")
text = "a cute puppy"
# 預(yù)處理輸入
inputs = clip_processor(text=[text], images=image, return_tensors="pt", padding=True).to(device)
# 獲取文本和圖像嵌入
with torch.no_grad():
text_embeddings = clip_model.get_text_features(input_ids=inputs["input_ids"])
image_embeddings = clip_model.get_image_features(pixel_values=inputs["pixel_values"])
# 歸一化嵌入（可選）
text_embeddings = text_embeddings / text_embeddings.norm(dim=-1, keepdim=True)
image_embeddings = image_embeddings / image_embeddings.norm(dim=-1, keepdim=True)
print("Text Embedding Shape (CLIP):", text_embeddings.shape)
print("Image Embedding Shape (CLIP):", image_embeddings.shape)輸出：
Text Embedding Shape (CLIP): torch.Size([1, 512])
Image Embedding Shape (CLIP): torch.Size([1, 512])CLIP 和 BLIP 的優(yōu)點(diǎn)在于它們能夠提供跨模態(tài)的強(qiáng)大表示，并且在多模態(tài)任務(wù)中表現(xiàn)出色。但它們的缺點(diǎn)是訓(xùn)練需要大量的配對數(shù)據(jù)，并且計算資源需求極高。
四、綜合對比
序號 | 嵌入方法 | 類型 | 模型架構(gòu)/方法 | 常見用途 |
1 | Count Vectorizer | 無上下文依賴，無機(jī)器學(xué)習(xí) | 基于計數(shù)（詞袋模型） | 搜索、聊天機(jī)器人、語義相似性中的句子嵌入 |
2 | One-Hot Encoding | 無上下文依賴，無機(jī)器學(xué)習(xí) | 手動編碼 | 基線模型、基于規(guī)則的系統(tǒng) |
3 | TF-IDF | 無上下文依賴，無機(jī)器學(xué)習(xí) | 計數(shù) + 逆文檔頻率 | 文檔排名、文本相似性、關(guān)鍵詞提取 |
4 | Okapi BM25 | 無上下文依賴，統(tǒng)計排名 | 概率信息檢索模型 | 搜索引擎、信息檢索 |
5 | Word2Vec（CBOW、SG） | 無上下文依賴，基于機(jī)器學(xué)習(xí) | 淺層神經(jīng)網(wǎng)絡(luò) | 情感分析、單詞相似性、NLP 流水線 |
6 | GloVe | 無上下文依賴，基于機(jī)器學(xué)習(xí) | 全局共現(xiàn)矩陣 + 機(jī)器學(xué)習(xí) | 單詞相似性、嵌入初始化 |
7 | FastText | 無上下文依賴，基于機(jī)器學(xué)習(xí) | Word2Vec + 子詞嵌入 | 豐富的形態(tài)語言、處理未登錄詞 |
8 | Doc2Vec | 無上下文依賴，基于機(jī)器學(xué)習(xí) | Word2Vec 的文檔擴(kuò)展 | 文檔分類、聚類 |
9 | InferSent | 有上下文依賴，基于 RNN | 帶監(jiān)督學(xué)習(xí)的雙向 LSTM | 語義相似性、自然語言推理任務(wù) |
10 | Universal Sentence Encoder | 有上下文依賴，基于 Transformer | Transformer / 深度平均網(wǎng)絡(luò)（DAN） | 搜索、聊天機(jī)器人、語義相似性中的句子嵌入 |
11 | Node2Vec | 基于圖的嵌入 | 隨機(jī)游走 + Skipgram | 圖表示、推薦系統(tǒng)、鏈接預(yù)測 |
12 | ELMo | 有上下文依賴，基于 RNN | 雙向 LSTM | 命名實(shí)體識別、問答、共指消解 |
13 | BERT 及其變體 | 有上下文依賴，基于 Transformer | 問答、情感分析、總結(jié)、語義搜索 | 問答、情感分析、總結(jié)、語義搜索 |
14 | CLIP | 多模態(tài)，基于 Transformer | 視覺 + 文本編碼器（對比學(xué)習(xí)） | 圖像描述、跨模態(tài)搜索、文本到圖像檢索 |
15 | BLIP | 多模態(tài)，基于 Transformer | 視覺 - 語言預(yù)訓(xùn)練（VLP） | 圖像描述、視覺問答（VQA） |
五、總結(jié)與展望
從基礎(chǔ)的計數(shù)方法到如今的多模態(tài)深度學(xué)習(xí)模型，嵌入技術(shù)的演進(jìn)歷程充滿了創(chuàng)新和突破。每一種方法都有其獨(dú)特的優(yōu)勢和局限性，它們在不同的任務(wù)和場景中發(fā)揮著重要作用。
在實(shí)際應(yīng)用中，選擇合適的嵌入技術(shù)至關(guān)重要。如果你正在構(gòu)建一個簡單的聊天機(jī)器人，計數(shù)向量器或 TF-IDF 可能就足夠了；如果你需要處理復(fù)雜的語義任務(wù)，BERT 或其變體可能是更好的選擇；而如果你需要處理多模態(tài)數(shù)據(jù)，CLIP 和 BLIP 則是不可或缺的工具。
隨著技術(shù)的不斷發(fā)展，嵌入技術(shù)也在不斷進(jìn)化。未來，我們可以期待更高效、更智能的嵌入模型出現(xiàn)，它們將能夠更好地理解和處理人類語言，為自然語言處理領(lǐng)域帶來更多的可能性。
在這個充滿挑戰(zhàn)和機(jī)遇的時代，讓我們一起探索嵌入技術(shù)的無限可能，用向量的力量點(diǎn)亮語言智能的未來！
本文轉(zhuǎn)載自公眾號Halo咯咯 作者：基咯咯
原文鏈接：??https://mp.weixin.qq.com/s/3PQcxLgkri4zYqDtA8YxIg??
