词表示
把自然语言中最基本的语言单元——词转换为机器能够理解的
词表示能完成以下两个能力
词相似度计算
词与词之间语义的关系
近义词&上位词
使用近义词或上位词表示的问题
遗漏差异
遗漏新的释义
带有主观性
数据吸收
需要大量人工构建
One-Hot Representation
常用的，把每个词表示成一个独立的符号
One-Hot Representation的问题
假设词与词之间的向量是正交的，所以任意两个词进行相似的计算都等于零
represent word by context
为了解决上面的问题，所谓的contextual representation 上下文表示
利用这个词的上下文来表示这个词，例如：要表示下图中的star，从上下文中找出一些词shining\cold\night
Co-Occurrence Counts
使用向量，表示的是这个词的上下文到底出现了多少次
得到上下文（词）的稠密的向量，在这个空间里，利用稠密的向量计算词之间的相似度
Co-Occurrence Counts的问题
词表变得越来越大，存储的需求也就变得特别大
对于出现频度特别少的词，它的上下文或者语境的词变得很稀疏，影响对词的表示效果
Word Embedding
分布式表示
建立起一个低维的稠密的向量空间，把每个词都学到这个空间里面，用这个空间里面的某一个位置所对应的向量来表示词。在这个空间里，就可以自动得学习出来一些国家和首都存在一些相对稳定的关系（见下图）。这种低维向量，可以利用大规模的数据自动去学习的。
代表性工作：Word2Vec
NLP Basic Language Modeling
语言模型：能有能力根据前文去预测下一个词到底是什么
机器能够学习语言模型，就能更好理解词的意思，也能更好地做出回复
语言模型的能力：
1.去计算一个序列的词成为一句话的概率是多大（联合概率）
2.根据前面的句子，预测下面要说的话
如何达到上面的能力：
假设：未来的词只会受到前面词的影响
一个句子的联合概率等于前面已经出现的词的条件概率之积
如何进行语言模型的构建？
N-gram Model
对 language model一个具体的建模
统计前面出现了几个词之后，后面出现的那个词的频度
N-gram背后大致遵守markov的假设：
一个联合概率，只考虑前面有限的几个词
N-gram的问题
1.在实际使用中，一般只使用N等于1或2，没有考虑更长的上下文
2.没有办法误理解这些词之间的相似度
Neural Languge Model
分布式表示，来建构这种前文和当前词的预测条件概率
