Skip to content

Latest commit

 

History

History
336 lines (272 loc) · 18 KB

A-自然语言处理基础.md

File metadata and controls

336 lines (272 loc) · 18 KB
Raw

NLP-NLP基础

Index

NLP 概述

自然语言处理之序列模型 - 小象学院

解决 NLP 问题的一般思路

这个问题人类可以做好么？
  - 可以 -> 记录自己的思路 -> 设计流程让机器完成你的思路
  - 很难 -> 尝试从计算机的角度来思考问题

NLP 的历史进程

  • 规则系统

    • 正则表达式/自动机
    • 规则是固定的
    • 搜索引擎 
      “豆瓣酱用英语怎么说？”
规则：“xx用英语怎么说？” => translate(XX, English)

“我饿了”
规则：“我饿（死）了” => recommend(饭店，地点)

  • 概率系统

    • 规则从数据中抽取

    • 规则是有概率的

    • 概率系统的一般工作方式

      流程设计
收集训练数据
    预处理
    特征工程
        分类器（机器学习算法）
        预测
            评价
      • 最重要的部分：数据收集、预处理、特征工程

    • 示例

      任务：
“豆瓣酱用英语怎么说” => translate(豆瓣酱，Eng)

流程设计（序列标注）：
子任务1： 找出目标语言 “豆瓣酱用 **英语** 怎么说”
子任务2： 找出翻译目标 “ **豆瓣酱** 用英语怎么说”

收集训练数据：
（子任务1）
“豆瓣酱用英语怎么说”
“茄子用英语怎么说”
“黄瓜怎么翻译成英语”

预处理：
分词：“豆瓣酱 用 英语 怎么说”

抽取特征：
（前后各一个词）
0 茄子：    < _ 用
0 用：      豆瓣酱 _ 英语
1 英语：    用 _ 怎么说
0 怎么说：  英语 _ >

分类器：
SVM/CRF/HMM/RNN

预测：
0.1 茄子：    < _ 用
0.1 用：      豆瓣酱 _ 英语
0.7 英语：    用 _ 怎么说
0.1 怎么说：  英语 _ >

评价：
准确率

  • 概率系统的优/缺点

    • + 规则更加贴近于真实事件中的规则，因而效果往往比较好
    • - 特征是由专家/人指定的；
    • - 流程是由专家/人设计的；
    • - 存在独立的子任务

  • 深度学习

    • 深度学习相对概率模型的优势
      • 特征是由专家指定的 -> 特征是由深度学习自己提取的
      • 流程是由专家设计的 -> 模型结构是由专家设计的
      • 存在独立的子任务 -> End-to-End Training

Seq2Seq 模型

  • 大部分自然语言问题都可以使用 Seq2Seq 模型解决

  • “万物”皆 Seq2Seq

评价机制

困惑度 (Perplexity, PPX)

Perplexity - Wikipedia

  • 在信息论中，perplexity 用于度量一个概率分布或概率模型预测样本的好坏程度

    ../机器学习/信息论

基本公式

  • 概率分布（离散）的困惑度

    其中 H(p) 即信息熵

  • 概率模型的困惑度

    通常 b=2

  • 指数部分也可以是交叉熵的形式，此时困惑度相当于交叉熵的指数形式

    其中 p~ 为测试集中的经验分布——p~(x) = n/N，其中 n 为 x 的出现次数，N 为测试集的大小

语言模型中的 PPX

  • 在 NLP 中，困惑度常作为语言模型的评价指标

  • 直观来说，就是下一个候选词数目的期望值——

    如果不使用任何模型，那么下一个候选词的数量就是整个词表的数量；通过使用 bi-gram语言模型，可以将整个数量限制到 200 左右

BLEU

一种机器翻译的评价准则——BLEU - CSDN博客

  • 机器翻译评价准则

  • 计算公式

    其中

    c 为生成句子的长度；r 为参考句子的长度——目的是惩罚长度过短的候选句子

  • 为了计算方便，会加一层 log

    通常 N=4, w_n=1/4

ROUGE

自动文摘评测方法：Rouge-1、Rouge-2、Rouge-L、Rouge-S - CSDN博客

  • 一种机器翻译/自动摘要的评价准则

BLEU，ROUGE，METEOR，ROUGE-浅述自然语言处理机器翻译常用评价度量 - CSDN博客

语言模型

XX 模型的含义

  • 如果能使用某个方法对 XX 打分（Score），那么就可以把这个方法称为 “XX 模型”
    • 篮球明星模型: Score(库里)、Score(詹姆斯)
    • 话题模型——对一段话是否在谈论某一话题的打分 
      Score( NLP | "什么 是 语言 模型？" ) --> 0.8
Score( ACM | "什么 是 语言 模型？" ) --> 0.05

概率/统计语言模型 (PLM, SLM)

  • 语言模型是一种对语言打分的方法；而概率语言模型把语言的“得分”通过概率来体现

  • 具体来说，概率语言模型计算的是一个序列作为一句话可能的概率

    Score("什么 是 语言 模型") --> 0.05   # 比较常见的说法，得分比较高
Score("什么 有 语言 模型") --> 0.01   # 不太常见的说法，得分比较低

  • 以上过程可以形式化为：

    根据贝叶斯公式，有

  • 其中每个条件概率就是模型的参数；如果这个参数都是已知的，那么就能得到整个序列的概率了

参数的规模

  • 设词表的大小为 N，考虑长度为 T 的句子，理论上有 N^T 种可能的句子，每个句子中有 T 个参数，那么参数的数量将达到 O(T*N^T)

可用的概率模型

  • 统计语言模型实际上是一个概率模型，所以常见的概率模型都可以用于求解这些参数
  • 常见的概率模型有：N-gram 模型、决策树、最大熵模型、隐马尔可夫模型、条件随机场、神经网络等
  • 目前常用于语言模型的是 N-gram 模型和神经语言模型（下面介绍）

N-gram 语言模型

  • 马尔可夫(Markov)假设——未来的事件，只取决于有限的历史

  • 基于马尔可夫假设，N-gram 语言模型认为一个词出现的概率只与它前面的 n-1 个词相关

  • 根据条件概率公式与大数定律，当语料的规模足够大时，有

  • 以 n=2 即 bi-gram 为例，有

  • 假设词表的规模 N=200000（汉语的词汇量），模型参数与 `n· 的关系表

可靠性与可区别性

  • 假设没有计算和存储限制，n 是不是越大越好？
  • 早期因为计算性能的限制，一般最大取到 n=4；如今，即使 n>10 也没有问题，
  • 但是，随着 n 的增大，模型的性能增大却不显著，这里涉及了可靠性与可区别性的问题
  • 参数越多，模型的可区别性越好，但是可靠性却在下降——因为语料的规模是有限的，导致 count(W) 的实例数量不够，从而降低了可靠性

OOV 问题

  • OOV 即 Out Of Vocabulary，也就是序列中出现了词表外词，或称为未登录词
  • 或者说在测试集和验证集上出现了训练集中没有过的词
  • 一般解决方案：
    • 设置一个词频阈值，只有高于该阈值的词才会加入词表
    • 所有低于阈值的词替换为 UNK（一个特殊符号）
  • 无论是统计语言模型还是神经语言模型都是类似的处理方式

    NPLM 中的 OOV 问题

平滑处理 TODO

  • count(W) = 0 是怎么办？
  • 平滑方法（层层递进）：
    • Add-one Smoothing (Laplace)
    • Add-k Smoothing (k<1)
    • Back-off （回退）
    • Interpolation （插值法）
    • Absolute Discounting （绝对折扣法）
    • Kneser-Ney Smoothing （KN）
    • Modified Kneser-Ney

    自然语言处理中N-Gram模型的Smoothing算法 - CSDN博客

神经概率语言模型 (NPLM)

专题-词向量

  • 神经概率语言模型依然是一个概率语言模型，它通过神经网络来计算概率语言模型中每个参数

    • 其中 g 表示神经网络，i_w 为 w 在词表中的序号，context(w) 为 w 的上下文，V_context 为上下文构成的特征向量。
    • V_context 由上下文的词向量进一步组合而成

N-gram 神经语言模型

A Neural Probabilistic Language Model (Bengio, et al., 2003)

  • 这是一个经典的神经概率语言模型，它沿用了 N-gram 模型中的思路，将 w 的前 n-1 个词作为 w 的上下文 context(w)，而 V_context 由这 n-1 个词的词向量拼接而成，即

    • 其中 c(w) 表示 w 的词向量
    • 不同的神经语言模型中 context(w) 可能不同，比如 Word2Vec 中的 CBOW 模型

  • 每个训练样本是形如 (context(w), w) 的二元对，其中 context(w) 取 w 的前 n-1 个词；当不足 n-1，用特殊符号填充

    • 同一个网络只能训练特定的 n，不同的 n 需要训练不同的神经网络

N-gram 神经语言模型的网络结构

  • 【输入层】首先，将 context(w) 中的每个词映射为一个长为 m 的词向量，词向量在训练开始时是随机的，并参与训练；
  • 【投影层】将所有上下文词向量拼接为一个长向量，作为 w 的特征向量，该向量的维度为 m(n-1)
  • 【隐藏层】拼接后的向量会经过一个规模为 h 隐藏层，该隐层使用的激活函数为 tanh
  • 【输出层】最后会经过一个规模为 N 的 Softmax 输出层，从而得到词表中每个词作为下一个词的概率分布

其中 m, n, h 为超参数，N 为词表大小，视训练集规模而定，也可以人为设置阈值

  • 训练时，使用交叉熵作为损失函数

  • 当训练完成时，就得到了 N-gram 神经语言模型，以及副产品词向量

  • 整个模型可以概括为如下公式：


    原文的模型还考虑了投影层与输出层有有边相连的情形，因而会多一个权重矩阵，但本质上是一致的：


模型参数的规模与运算量

  • 模型的超参数：m, n, h, N
    • m 为词向量的维度，通常在 10^1 ~ 10^2
    • n 为 n-gram 的规模，一般小于 5
    • h 为隐藏的单元数，一般在 10^2
    • N 位词表的数量，一般在 10^4 ~ 10^5，甚至 10^6
  • 网络参数包括两部分
    • 词向量 C: 一个 N * m 的矩阵——其中 N 为词表大小，m 为词向量的维度
    • 网络参数 W, U, p, q： 
      - W: h * m(n-1) 的矩阵
- p: h * 1      的矩阵
- U: N * h    的矩阵
- q: N * 1    的矩阵
  • 模型的运算量
    • 主要集中在隐藏层和输出层的矩阵运算以及 SoftMax 的归一化计算
    • 此后的相关研究中，主要是针对这一部分进行优化，其中就包括 Word2Vec 的工作

相比 N-gram 模型，NPLM 的优势

  • 单词之间的相似性可以通过词向量来体现

    相比神经语言模型本身，作为其副产品的词向量反而是更大的惊喜

    词向量的理解

  • 自带平滑处理

NPLM 中的 OOV 问题