Représentation sémantique distributionnelle compacte
Définition
En apprentissage profond, une représentation sémantique distributionnelle compacte (en anglais, embedding) fait référence à une représentation sémantique vectorielle dense et de faible dimension d’un objet de dimension supérieure. Elle est basée sur l’hypothèse distributionnelle de Harris et Firth qui postule que le sens d'un mot est déterminé par son contexte d'utilisation.
Cette représentation résulte de l'application d'un algorithme qui permet de passer d'une représentation en haute dimension et habituellement de son contexte, à une représentation vectorielle compacte, soit de plus faible dimension et continue, soit des nombres réels.
Il en découle que des objets similaires possèdent des vecteurs correspondants qui sont proches selon une distance ou une métrique dans l'espace vectoriel où sont définis ces objets. Il s'agit donc d'une représentation distribuée qui décrit la « sémantique » d'un objet en considérant ses relations avec d'autres objets de son contexte.
Typiquement, on crée une représentation sémantique distributionnelle compacte avec un algorithme qui réduit la dimension de la représentation afin de rapprocher les objets similaires et d'éloigner les objets différents.
Voir aussi vecteur contextuel
Compléments
La représentation sémantique distributionnelle compacte est basée sur l’hypothèse distributionnelle de [Harris 1954], [Firth 1957]. Elle repose sur l'idée que le sens d'un mot est déterminé par son contexte d'utilisation. En d'autres termes, la signification d'un mot est intrinsèquement liée aux autres mots avec lesquels il a tendance à apparaître dans un corpus linguistique. Plus la distribution statistique des contextes de deux mots est différente, plus leur sens tend à différer. Réciproquement les mots sémantiquement proches partagent un plus grand nombre de contextes.
L'algorithme de création d'une représentation sémantique distributionnelle compacte procède par approximation pour passer d'une représentation discrète qui prend en compte un objet et son contexte (statique ou dynamique, plus ou moins étendu) vers une représentation contextuelle compacte (c.-à-d. de plus faible dimension) et continue (c.-à-d. vecteur de nombres réels). D'où la proposition du terme équivalent « vecteur sémantique distributionnel compact » ou encore « vecteur sémantique contextuel compacte ». À discuter...
Attention! En français, on retrouve souvent le terme « plongement neuronal ». La notion mathématique de plongement, bien que proche, car elle implique une réduction de la dimension de la représentation, ne couvre pas l'ensemble des concepts sous-jacents. Par exemple, la notion de contexte ou voisinage. Aussi le plongement est davantage assimilée à une opération de création d'un sous-ensemble qu'à une opération de réduction de la dimension obtenue par approximation. À discuter...
La modélisation par vecteur sémantique distributionnel compact, bien que souvent appliquée aux mots, vecteur-mot (word embedding), ne se limite pas à des mots et peut être appliquée à des phrases, des documents, des paragraphes, etc. La représentation par vecteur sémantique contextuel compact peut également s'appliquer à d'autres représentations catégorielles comme les différentes marchandises dans un magasin.
Un vecteur sémantique distributionnel compact peut également être « utilisée » comme représentation latente. À discuter...
On distingue trois principaux usages des vecteurs sémantiques distributionnels:
- identifier les plus proches voisins d'un objet ou d'un concept;
- enrichir l'entrée de données d'un algorithme d'apprentissage;
- visualiser des objets ou des concepts et leurs relations.
Français
représentation sémantique distributionnelle compacte
représentation sémantique distributionnelle
représentation sémantique contextuelle compacte
représentation sémantique contextuelle
vecteur sémantique distributionnel compact
vecteur sémantique distributionnel
vecteur sémantique contextuel compact
plongement neuronal
plongement
vecteur sémantique
vecteur contextuel
Anglais
embedding
neural embedding
compact distributional semantic representation
compact distributional semantic vector
compact contextual semantic vector
Sources
Source: Géron, Aurélien (2017) Machine Learning avec Scikit-Learn - Mise en oeuvre et cas concrets, Paris, Dunod, 256 pages.
Source: Goodfellow, Ian; Bengio, Yoshua et Aaron Courville (2018), Apprentissage profond, Paris, Massot éditions, 800 pages.
Contributeurs: Arianne , Claude Coulombe, Jacques Barolet, Patrick Drouin, wiki
