ZH奶酪：【阅读笔记】Deep Learning, NLP, and Representations

中文译文：深度学习、自然语言处理和表征方法

http://blog.jobbole.com/77709/

英文原文：Deep Learning, NLP, and Representations

http://colah.github.io/posts/2014-07-NLP-RNNs-Representations/

总结：

这篇文章中主要提到了单层神经网络，单词嵌入（word embeddings），表征这几个概念，结合具体的实例，写的是通俗易懂，在引用参考文献的位置都给出了对应的链接，一些参考文献中的工作还是挺有意思的。

关于单层神经网络，介绍的浅显易懂，把神经网络比作查询表，很直观。

关于单词嵌入，文中介绍的意思是把一个词转换为一个多维向量，还用t-SNE工具直观的给出了单词嵌入空间的图，加上表格中的例子，更加易懂了。比较有意思的就是相同的词在单词嵌入空间中的距离是很近的，这个特点很有利用价值，利用这一点，提到了一些具体的应用场景，例如语法错误检查，性别类中不同代词（男-女，叔叔-阿姨，国王-王后等）之间的距离也是很相似的。关于这些应用，原文的作者的评价是，这些都是在研究方法的过程中所得的副产品。

关于表征representation，单词嵌入应该就算是一种吧，文中重点介绍了共同表征/共享嵌入（shared representation），将多个不同空间的嵌入信息映射到同一个空间，并介绍了两个很好的应用场景——双语单词嵌入和图像-文字嵌入。

双语单词嵌入，把两个语言中的单词嵌入空间用图像直观的看的话，形状是相似的，相似的词在图像中所处的位置是临近的。

图像-文字嵌入，也是相同概念的信息比较接近，例如猫的图像距离文字“猫”就很近，汽车的图像距离“汽车”就很近。这里引用了斯坦福一个小组和谷歌一个小组的工作，感觉挺有意思。

最后介绍了递归神经网络以及为什么适用于NLP。

整体来看，这篇文章更像是一篇不错的科普文章，个人认为读完之后还是有收获的，尤其是Word Embedding这个概念。

昨天搜了一下关于深度学习的相关博客，感觉很有难度。

感觉自己还是只知其一不知其二，不知道怎么在NLP中使用DL。

下面是英文原文中一些个人认为不错的概念和句子。

1：It’s true, essentially, because the hidden layer can be used as a lookup table.

2：word embeddings；

3：It seems natural for a network to make words with similar meanings have similar vectors.

4：You’ve seen all the words that you understand before, but you haven’t seen all the sentences that you understand before. So too with neural networks.

5：Word embeddings exhibit an even more remarkable property: analogies between words seem to be encoded in the difference vectors between words.

6：This general tactic – learning a good representation on a task A and then using it on a task B – is one of the major tricks in the Deep Learning toolbox. It goes by different names depending on the details: pretraining, transfer learning, and multi-task learning. One of the great strengths of this approach is that it allows the representation to learn from more than one kind of data.

There’s a counterpart to this trick. Instead of learning a way to represent one kind of data and using it to perform multiple kinds of tasks, we can learn a way to map multiple kinds of data into a single representation!

7：Shared Representations

（1）Bilingual Word Embeddings；

（2）Embed images and words in a single representation；

8：By merging sequences of words, A takes us from representing words to representing phrases or even representing whole sentences! And because we can merge together different numbers of words, we don’t have to have a fixed number of inputs.