昨天在审核资讯翻译的时候遇到这两个单词，文章里讲的也不清楚，感觉翻译的也不到位。今天就单独拿出来比较一下吧。尽管这两个单词相似，它们的具体实现方法还是有很大区别的。

Distributional word representation主要是基于Distributional假说："linguistic items with similar distributions have similar meanings" ，翻译过来差不多是“语言项若有像是的分布，则他们的语义也接近”。它一般是根据文档中包含的词以及词频来表示这篇文档，一篇文档可以用一个矩阵w*d的矩阵M来表示，其中w是词典里词的个数，d表示文档个数。若词wi在文档dj中出现k次，则相应的Mij=k。然后根据列向量距离来计算文本相似度，或者更进一步的研究。它常被用于以下一些方法中：

  1. Latent semantic analysis
  2. Latent Dirichlet allocation
  3. Self-organizing map
  4. HAL
  5. Independent component analysis
  6. Random indexing

 

Distributed representation是另一种表示形式。相对而言，这种表达形式更浓缩，维度更低，但足以表示空间里的元素了。它的浓缩是相对于另一种称作local representation的。这么说有点抽象，下图给了一个例子。图中有三条直线切分平面，如果用local representation表示，就会需要2^3=8bits，每个bit表示该一个区域（其实有点类似one-hot的方式）。而用distributed representation只需要log2(8)=3bits。因此说distributed representation节省资源。但是计算这种表达方式，或者说找到这种编码方式却要消耗大量计算资源。通常是用神经网络来计算，转换后的结果也能降低下一步用深度学习训练的复杂度。

 

常见的distributed representation有

  1. Collobert and Weston embeddings
  2. HLBL embeddings

参考资料

Word representations
Word representations for NLP
Yoshua Bengio's Research

http://www.quora.com/Whats-the-difference-between-distributed-and-distributional-semantic-representations