我正在学习 NLP，尝试在语料库上进行关系提取。我发现these幻灯片并尝试解析高维特征向量的符号(如下所示)。
哪里
如何将最上面的方程变成英文句子？对于每个输入文本单元，x ;对于每个可能的特征，y——特征x是-a y可以用特征向量表示吗？我习惯于看到笛卡尔积符号，我习惯于看到函数符号，我习惯于看到集合构建器符号。但这句话里有太多不熟悉的事情，我无法理解它所说的内容。冒号是什么意思？箭头是什么意思？
最佳答案
这意味着 f 是一个接受输入和输出并生成向量的函数。在这种情况下，输入通常是单词序列，输出是该单词序列的候选标签 - 例如词性标记序列或解析树。问题中链接的 Ryan McDonald 幻灯片的第 8 幻灯片上有一些示例。
麦当劳也提出了这一点，但我会在这里重复一遍:在某些情况下，我们可以纯粹从输入序列(不引用输出)生成特征向量。例如，如果我们标记句子“F is a function”的单词 2，并且我们的特征映射仅包括当前单词和前一个单词，我们会将“F”合并为前一个单词，将“is”合并为当前词。但在某些情况下(特别是“结构化预测”)，我们还希望包含取决于候选标签的特征 - 也许是整个输入上的标签序列(请注意，这通常会导致巨大 特征空间)。
另外一点:麦当劳的映射是到一个实值向量(R^n)，但是在NLP中，我们经常发现指标特征就足够了，所以很多系统使用位向量来代替(仍然是很高维的)空间)。形式主义没有改变(只有映射函数 f)，但简化的假设通常会提高权重向量存储和点积实现的效率。
关于machine-learning - 这个 NLP 符号的含义是什么？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/23341858/