知识卡片
SVD压缩词向量
共现或 PPMI 向量的维数随词汇量增大,且多为零。奇异值分解将矩阵表示为 UΣVᵀ,其中奇异值反映对应基轴的重要性;保留较重要的部分可构造低维表示;降维是近似,会丢失部分原始信息。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 自然语言和单词的分布式表示 · 查看原书依据
所谓降维(dimensionality reduction),顾名思义,就是减少向量维度。但是,并不是简单地减少,而是在尽量保留“重要信息”的基础上减少。
参考来源
- 位置:《深度学习进阶:自然语言处理》第2章《自然语言和单词的分布式表示》(来源项目 book-source:extracted/深度学习进阶:自然语言处理/_epub-src/text/part0007_split_004.html)
- 结论依据:原文给出相关定义、方法或示例。
- 原始内容:所谓 降维 (dimensionality reduction),顾名思义,就是减少向量维度。但是,并不是简单地减少,而是在尽量保留“重要信息”的基础上减少。