word2vec 在非自然语言处理 (NLP) 领域的应用

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

word2vec 本来就是用来解决自然语言处理问题的，它在 NLP 中的应用是显然的。

比如，你可以直接用它来寻找相关词、发现新词、命名实体识别、信息索引、情感分析等；你也可以将词向量作为其他模型的输入，用于诸如文本分类、聚类等各种自然语言处理问题。

事实上，word2vec 的思想和工具，还可以应用于自然语言处理之外的其他领域。一个词，无非就是个符号；句子是词的序列，无非也就是个符号序列。如果我们能够在其他的应用场景中，构造出一些符号，还有这些符号形成的序列，那我们就可以试一把 word2vec。

下面是，根据网络上的资料，整理的 word2vec 在自然语言处理领域之外的一些应用。

【社交网络】

应用场景：在社交网络中，给当前用户推荐他/她可能关注的大V

映射关系：每一个大V 就是一个词；将每个用户关注的大V，按照关注的顺序排列，形成文章

【App 商店】

应用场景：App 商店中，向用户推荐感兴趣的 App

映射关系：每个 App 就是一个词；将每个用户下载的 App，按照下载的顺序排列，形成文章

【广告系统】

应用场景：广告主在媒体网站上打广告，媒体网站提供一个后台管理系统，可以让广告主自行决定要将广告推荐给哪些目标人群。

映射关系：每一个页面就是一个词；将每个用户浏览的页面，按照浏览的顺序排列，形成文章。

这样，根据训练后的词向量，就可以计算出页面之间的相关程度。

那目标用户怎么计算呢？浏览与广告主的广告页相关的页面的用户就是广告主潜在的目标用户。把这些用户推荐给广告主就可以了。

应用场景：广告系统中广告主上线了一支新广告，如何估算用户对新广告的 CTR（Click-Through-Rate），即点击通过率。

映射关系：和上面给广告主推荐目标用户一样的做法，可以计算出每个广告页对应的向量

然后，对这些广告页做一个聚类，把相似的广告页聚在一个簇中。用新广告所在簇的 CTR 来近似新广告的 CTR。

【向量快速检索】

综合以上各种应用，将各种文档转换成向量之后，常见一个基本操作就是输入一个文档（对应的向量），寻找和它最相关的 top k
个文档（对应的向量）。如果要所有文档都比对一遍的话，那时间复杂度就是 O(n)。这在实际的工程应用中就太慢了。因此，需要借助
redis，或者引入 kd-tree, simhash, 聚类等算法来加速检索。

【原文链接】http://www.ipaomi.com/2017/09/22/word2vec-在-非-自然语言处理-nlp-领域的应用/

参考：