Content Tree Word Embedding for document representation
一 简介
该篇论文是对文本向量进行建模,不过采取的是比较简单的方法,就是将文本中所有词的向量求平均作为该文本的向量表示。不过词向量并不是简单的用word2vec或其他词向量模型生成,而是借助了content tree,在预训练好的词向量的基础上对词向量进行进一步的更新,在更新后的词向量的基础上求平均以表示文本。
二 content tree的创建
content tree就是以树形结构去表示一个文本。其假设文本的第一个词作文树的root,第二个词作为root的子节点。随后将计算文本中出现的词与树中的词的皮尔逊系数,将系数最大的词作为新词的parent节点。算法如下图所示。
通过上述算法得到content tree后,下一步要做的就是对词向量的更新。
词向量更新
其初始词向量是由其他词向量模型,如word2vec和Glove等训练而成。不过为了得到高质量的文本向量,虽然只是平均运算,但是对词向量进行了基于content tree的更新。词向量的更新利用的是当前词向量与parent向量的加权平均值,计算方式如下
由上式可知,词向量的更新是一个迭代的过程,如下所示
在得到新的词向量后,去平均值作为文本向量。如下所示
整个的算法流程如下图所示