序列预处理

    • maxlen：None或整数，为序列的最大长度。大于此长度的序列将被截短，小于此长度的序列将在后部填0.

    • dtype：返回的numpy array的数据类型

    • padding：‘pre’或‘post’，确定当需要补0时，在序列的起始还是结尾补

    • truncating：‘pre’或‘post’，确定当需要截断序列时，从起始还是结尾截断

    • value：浮点数，此值将在填充时代替默认的填充值0

    返回形如(nb_samples,nb_timesteps)的2D张量

    skipgrams将一个词向量下标的序列转化为下面的一对tuple：

    • 对于正样本，转化为（word，word in the same window）

    【Tips】根据维基百科，n-gram代表在给定序列中产生连续的n项，当序列句子时，每项就是单词，此时n-gram也称为shingles。而skip-gram的推广，skip-gram产生的n项子序列中，各个项在原序列中不连续，而是跳了k个字。例如，对于句子：

    “the rain in Spain falls mainly on the plain”

    其 2-grams为子序列集合：

    the rain，rain in，in Spain，Spain falls，falls mainly，mainly on，on the，the plain

    其 1-skip-2-grams为子序列集合：

    the in, rain Spain, in falls, Spain mainly, falls on, mainly the, on plain.

    更多详情请参考Efficient Estimation of Word Representations in Vector Space

    • sequence：下标的列表，如果使用sampling_tabel，则某个词的下标应该为它在数据库中的顺序。（从1开始）

    • negative_samples：大于0的浮点数，等于0代表没有负样本，等于1代表负样本与正样本数目相同，以此类推（即负样本的数目是正样本的倍）

    • shuffle：布尔值，确定是否随机打乱样本

    • categorical：布尔值，确定是否要使得返回的标签具有确定类别

    • sampling_table：形如(vocabulary_size,)的numpy array，其中sampling_table[i]代表没有负样本或随机负样本。等于1为与正样本的数目相同采样到该下标为i的单词的概率（假定该单词是数据库中第i常见的单词）

    函数的输出是一个(couples,labels)的元组，其中：

    • couples是一个长为2的整数列表：[word_index,other_word_index]

    • labels是一个仅由0和1构成的列表，1代表other_word_index在的窗口，0代表other_word_index是词典里的随机单词。

    • 如果设置categorical为True，则标签将以one-hot的方式给出，即1变为[0,1]，0变为[1,0]

    该函数用以产生skipgrams中所需要的参数sampling_table。这是一个长为size的向量，sampling_table[i]代表采样到数据集中第i常见的词的概率（为平衡期起见，对于越经常出现的词，要以越低的概率采到它）

    • sampling_factor：此值越低，则代表采样时更缓慢的概率衰减（即常用的词会被以更低的概率被采到），如果设置为1，则代表不进行下采样，即所有样本被采样到的概率都是1。