« Vecteur sémantique compact » : différence entre les versions


Aucun résumé des modifications
Aucun résumé des modifications
Ligne 1 : Ligne 1 :
==Définition==
==Définition==
Représentation résultant de l'opération mathématique qui permet de passer d'une représentation catégorielle et de son contexte à une représentation vectorielle contextuelle dense (i.e. de plus faible dimension) et continue (i.e. des nombres réels).  
Représentation résultant de l'opération mathématique qui permet de passer d'une représentation catégorielle et de son contexte à une représentation vectorielle contextuelle dense (c.-à-d. de plus faible dimension) et continue (c.-à-d. des nombres réels).  


Il en découle que des objets similaires possèdent des vecteurs correspondants qui sont proches dans l'espace vectoriel où sont définis ces vecteurs.  
Il en découle que des objets similaires possèdent des vecteurs correspondants qui sont proches dans l'espace vectoriel où sont définis ces vecteurs.  
Ligne 10 : Ligne 10 :
==Compléments==
==Compléments==


L'algorithme de création d'une représentation par un vecteur contextuel dense procède par approximation pour passer d'une représentation discrete qui prend en compte un objet et son contexte (statique, dynamique, plus ou moins étendu) vers une représentation contextuelle dense (i.e. de plus faible dimension) et continue (i.e. vecteur de nombres réels). D'où la proposition du terme « vecteur contextuel dense » ou encore « plongement neuronal » puisque ce sont souvent des algorithmes à base de réseaux de neurones.
L'algorithme de création d'une représentation par un vecteur contextuel dense procède par approximation pour passer d'une représentation discrete qui prend en compte un objet et son contexte (statique ou dynamique, plus ou moins étendu) vers une représentation contextuelle dense (c.-à-d. de plus faible dimension) et continue (c.-à-d. vecteur de nombres réels). D'où la proposition du terme « vecteur contextuel dense » ou encore « plongement neuronal » puisque ce sont souvent des algorithmes à base de réseaux de neurones.
 
<hr/>
Attention! La notion mathématique de plongement, bien que proche, ne couvre pas l'ensemble des concepts comme la notion de contexte ou voisinage. Aussi le plongement s'apparente davantage à une opération de sous-ensemble qu'à un résultat obtenu par approximation. À discuter... 
<hr/>
<hr/>
La modélisation par vecteur contextuel dense, bien que souvent appliquée aux mots, [[vecteur-mot]] (word embedding), ne se limite pas à ces derniers et peut être appliquée à des phrases, des documents, des paragraphes, etc. La représentation vectorielle contextuelle dense peut également s'appliquer à d'autres représentations catégorielles comme les différentes marchandises dans un magasin.   
La modélisation par vecteur contextuel dense, bien que souvent appliquée aux mots, [[vecteur-mot]] (word embedding), ne se limite pas à ces derniers et peut être appliquée à des phrases, des documents, des paragraphes, etc. La représentation vectorielle contextuelle dense peut également s'appliquer à d'autres représentations catégorielles comme les différentes marchandises dans un magasin.   
<hr/>
<hr/>
Une représentation vectorielle contextuelle dense peut également être vue comme une représentation latente.  
Une représentation vectorielle contextuelle dense peut également être « utilisée » comme représentation latente.  
<hr/>
<hr/>
On distingue trois principaux usages des vecteurs contextuels denses:
On distingue trois principaux usages des vecteurs contextuels denses:

Version du 17 mai 2023 à 14:23

Définition

Représentation résultant de l'opération mathématique qui permet de passer d'une représentation catégorielle et de son contexte à une représentation vectorielle contextuelle dense (c.-à-d. de plus faible dimension) et continue (c.-à-d. des nombres réels).

Il en découle que des objets similaires possèdent des vecteurs correspondants qui sont proches dans l'espace vectoriel où sont définis ces vecteurs.

Il s'agit d'une représentation distribuée qui tente de décrire le sens d'un objet en considérant ses relations avec d'autres objets de son contexte.

Typiquement, on crée un vecteur contextuel dense avec un algorithme qui réduit la dimension de la représentation afin de rapprocher les objets similaires et d'éloigner les objets différents.

Compléments

L'algorithme de création d'une représentation par un vecteur contextuel dense procède par approximation pour passer d'une représentation discrete qui prend en compte un objet et son contexte (statique ou dynamique, plus ou moins étendu) vers une représentation contextuelle dense (c.-à-d. de plus faible dimension) et continue (c.-à-d. vecteur de nombres réels). D'où la proposition du terme « vecteur contextuel dense » ou encore « plongement neuronal » puisque ce sont souvent des algorithmes à base de réseaux de neurones.


Attention! La notion mathématique de plongement, bien que proche, ne couvre pas l'ensemble des concepts comme la notion de contexte ou voisinage. Aussi le plongement s'apparente davantage à une opération de sous-ensemble qu'à un résultat obtenu par approximation. À discuter...


La modélisation par vecteur contextuel dense, bien que souvent appliquée aux mots, vecteur-mot (word embedding), ne se limite pas à ces derniers et peut être appliquée à des phrases, des documents, des paragraphes, etc. La représentation vectorielle contextuelle dense peut également s'appliquer à d'autres représentations catégorielles comme les différentes marchandises dans un magasin.


Une représentation vectorielle contextuelle dense peut également être « utilisée » comme représentation latente.


On distingue trois principaux usages des vecteurs contextuels denses:

  • identifier les plus proches voisins d'un objet ou d'un concept;
  • enrichir l'entrée de données d'un algorithme;
  • visualiser des objets ou des concepts et leurs relations.

Français

vecteur contextuel dense

vecteur contextuel

représentation vectorielle dense

plongement vectoriel

plongement neuronal

Anglais

embedding

neural embedding

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.

Source: Google, Glossaire du machine learning.