训练集中短语的原型向量是什么？

Question

我正在尝试实现一种遵循一篇论文的方法来消除实体的歧义。该过程由两个步骤组成，即训练阶段和消歧阶段。我想问一下关于培训阶段，我不太明白如何获得原型向量，如这一段所解释的：

在训练阶段，我们计算每个单词或短语，这些词或短语至少与一个特定的实体相连10次，我们称之为原型向量:这是一个tf.idf加权的、标准化的列表，列出了在相关链接的一个邻域(我们考虑左、右10个单词)中出现的所有术语。注意，一个和同一个单词或短语可以有几个这样的原型向量，每个实体都有一个，它们是从集合中的某个单词或短语中链接而来的。

他们使用了维基百科的方法，并使用维基百科的链接作为培训集。

有谁能帮我举个例子，说明一下这里的原型向量吗？我是这个领域的新手。

Answer 1

下面是原型向量的草图：

首先要注意的是，维基百科中的一个单词可以是指向维基百科页面(我们称之为实体)的超链接。这个http://en.wikipedia.org/wiki/Entity_class在某种程度上与单词相关，但是同一个词可以链接到不同的实体。

“对于与某一特定实体至少链接10次的每个单词或短语”

在整个维基百科中，我们计算word_A链接到entity_B的次数，如果超过10次，我们继续(写下它们链接的实体的位置)：

[(wordA, entityA1), (wordA, entityA2),...]

在这里，wordA发生在entityA1中，它链接到entityB__等。

“在有关链接的某一街区发生的所有术语清单”

在entityA1中，wordA向左和右各有10个单词(我们只显示了其中的4个)：

are developed and the entity relationships between these data
                      wordA
                      link # (to entityB)

['are', 'developed, 'and', 'the', 'relationships', 'between', 'these', 'data'] 

每一对(wordA, entityAi)都给我们这样一个列表，并将它们连接起来。

“tf.idf加权规范化列表”

从根本上说，tf.idf意味着你应该给普通单词更少的“权重”，而不是不那么普通的单词。例如，'and'和'the'是非常常见的词，因此我们给它们的意义(它们在'entity'旁边)比'relationships'或'between'更少。

规范化，意味着我们应该(本质上)计算一个单词发生的次数(它发生的越多，我们认为它与wordA的关联就越多)。然后把这个计数乘以权重，得到一些分数来对列表进行排序.把最频繁、最不常见的词放在最上面。

请注意，同一个词或短语可以有几个这样的原型向量

这不仅依赖于wordA，而且还依赖于entityB，您可以将其视为映射。

(wordA, entityB) -> tf.idf-weighted, normalized list (as described above)
(wordA, entityB2) -> a different tf.idf-weighted, normalized list

这说明了从单词http://en.wikipedia.org/wiki/Cats到'cat'的链接不太可能有邻居'batman'__，而不是指向http://en.wikipedia.org/wiki/Cat_woman的链接。