NLP自然语言处理

NLP

应用例子

• 垃圾邮件过滤 Spam Filtering
• 机器翻译 Machine Translation
• 信息检索 Information Retrieval
• 问答系统 Question Answering
• 信息提取 Information Extraction
• 内容摘要 Summarization
• 情感分析 Sentiment Analysis
• 命名实体识别 Entity Recognition

核心技术

• 语言模型 Language modelling

• 分词 Segmentation

  它|是|一只|老虎
  

• 词性标注 Part-of-speech tagging

   DT  VBX   DT   JJ      NN
  This  is   a   simple question.
  

• 句法分析 Syntactic parsing

• 命名实体识别 Name-entity recognition

• 语义角色标注 Word sanseis ambiguation

例子

自然语言处理技术历史

基于逻辑（集合论）的模型

例子

所有人都会死
苏格拉底是人
=》
苏格拉底会死

基本法则

• a is b && b is c => a is c
• a = not (not a)
• a is b => not b is not a
• P->Q => not P || Q =》not (P && not Q)

模糊集合论

集合论的缺陷

罗素悖论：由所有不包含自身的集合构成的集合

例子：理发师称只给那些不给自己理发的人理发。

基于集合论，理发师无论给自己理发还是不给自己理发都是矛盾的。

因此集合论不是完备的。即使后面冯罗伊德等科学家提出了各种假定条件。

为什么集合论不能适用于自然语言

• 自然语言不是严格的逻辑
• 句子的组成规则松散
• 日常用语常常有语法错误，但人依然可以正确的交流
• 即使自然语言用规则来描述，但是规则的数量非常庞大，无法完全适用逻辑编程把所有的场景都覆盖
• 语言的二义性
  • apple => computer/phone/fruit
  • host => n or v
  • I saw a man with a telescope
• 同一个意思可以有很多种表达

基于概率的模型

由于上述的原因，集合率无法很好的描述自然语言，科学家发现通过概率模型可以更好的描述自然语言。

前一百个单词适用的频率和排名的曲线

深度学习

深度学习来处理自然语言属于概率模型

涉及数学的知识

函数

• y=x^2

• y=2x^3-14x2+24*x

• y=sin(x)

• 高维函数

• y=e^x

• y=log(x)

• y=1/(1+e^(-z))

• y=max(0, x)

• L1: ||x|| = |x1| + |x2|

• L1正则化解析

证明最小点位于坐标轴上

h = f+c|x|

由于在x = 0处不可导

h-left'(0)*h-right'(0) = (f'+c)*(f'-c)

那么如果c>|f'(0)|可得，h在0处左右导数异号

0是最值。

那么在损失函数加入L1正则化后，可以得到某些维度容易为0，从而得到稀疏解

• L2: |x||2 = (|x1|^2 + |x2|²⁾(1/2)

• L2正则化，类似于L1的证明，容易得到比较平均的w，各个w都比较靠近0，从而得到更光滑的曲线

矩阵

• SVD

• Jacobian矩阵

  矩阵的一阶导数

• Hessian矩阵

  矩阵的二阶导数

凸包和凸函数

几乎所有的最优化手段，都将适用凸优化算法来解决

概率

条件概率

P(A|B) = P(A and B) / P(B)

if A and B 独立

=》P(A and B| C) = P(A|C)*P(B|C)

也可以推出

=>A(A|B and C) = P(A|C) (B交C不为空)

二项分布

抛9次硬币，硬币出现正面的概率是0.5，出现k次的概率分布如下如

服从正态分布

期望

x的平均值

E = x*p(x) + ...

方差

x相对于期望的偏离

var = (x-E(x))^2

协方差

conv = (x - E(x))*(m - E(m))

描述x,m是否有同分布

按理协方差为0，并不代表x和m没有关系

例如下图

如果点的分布对称的分布，会得到协方差为0，但是其实他们是有关系的。

联合概率

把每个相关的概率累加，得到联合概率

多项式分布

P(x1=m1,x2=m2...) = n!*P1^m1/m1!*P2m2/m2!

伽马函数

T(n) = (n-1)!

T(x)用一条曲线逼近n!，进而可以求得非整数的阶乘

beta分布

由二项式分布推出

P = T(a+b)*x^(a-1)*(1-x)(b-1)/(T(a)*T(b))

泊松分布

高斯分布

则正态分布

对数正态分布

指数分布

语言

信息嫡

p分布越平均，H越大，代表越不确定

交叉嫡

y为0时，不考虑y‘。y为1时，y'越接近1，越小，越靠近0，越大

把D最小化，迫使y'逼近y

auto-encoder

语言概率模型

对于一个句子，有若干单词组成。例如

C1: The dog laughs.

C2: He laughs.

那么计算P(C1) = P(The, Dog, laughs)的概率和P(C2) = P(He, laughs)的概率。

根据历史文本的统计学习。

可以得到P(C1)<<P(C2)

词袋模型

P('I love the game') = P('I')*P('love')*P('the')*P('game')

其中P() = 频率/总单词数

情感分析

计算一篇文章是积极的还是消极的。

P(y|x) = sigmod(wx)

x是文章内每个单词的频率

y表示积极和消极情感

n-gram模型

P(x1, x2, x3 ... ) 
= P(x1)*P(x2|x1)*P(x3|x1, x2)....*P(xn|x1, x2,...xn-1)

其中P(xk|x1, x2,..xk-1) = frequence(x1, x2 ,, xk)/frequence(x1, x2..xk-1)

n一般不能太大，因为n太大，会导致全文无法找到一摸一样的单词组合，导致概率为0

2-gram模型例子

P('The dog sleeps')
= P(The)*P(dog|the)*P(sleeps|dog)

Interpolation

把多个gram的模型进行线性整合

语言模型评价

交叉嫡

H越小，Pxn越接近1，模型越好

Perplexity

贝叶斯进行邮件分类

P(y|x1, x2, .. xn) = P(y)*P(x1, x2, ... xn|y) / P(x1, x2, ... xn)

y代表是否是垃圾邮件

x代表单词

分词

广州市长寿路 -》 广州市长|寿路

广州市长寿路 -》 广州市|长寿路

匹配词袋：广州市，广州市长，长寿路

使用最大匹配发，第二个分词更优

使用N-gram模型计算分词

P(结合成分子)
option1: = P(分子|成)P(成|结合)P(结合)
option2: = P(分子|合成)P(合成|结)P(结)
optionn ....

通过统计P(A|B)，得出各个option的概率，取最大的概率，则为最后的分词

词表示

one-hot encoding

word => [0, 0 , ... 1, ... 0]

附近词encoding

word => [0, 1, 0, 1, 0, ...]

可以解决词相似性问题

附近词带权重encoding

计算附近词的频率

word => [0, 3, 0, 1, 0, ...]

C&W

w是附近词的one-hot encoding

score是词的one-hot encoding

最后一层通过softmax，取拟合文本

最终中间层则为词向量

skip-gram

输入为词one-hot encoding

输出为附近此的one-hot encoding

最后通过softmax预测附近词

最后中间层则为结果词向量

词性标注

混合模型

混合模型是一种统计模型，问题中包含若干个子问题，每个子问题是一个概率分布，那么总问题就是若干个子问题的组合，也就是若干个子分部的组合，这样就形成了混合模型。

例子

有红黑两种硬币，把它们放在盒子里，从盒子里随机抽取一个硬币并投币，抽到红色的概率是p，红色硬币正面的概率是q，黑色硬币正面的概率是m，假设我们没办法看到抽取出的硬币的颜色，只能看到最终是正面或者反面的结果，例如HTTHTTTTHHH (H:正面 T: 反面)。需要估计p,q,m三个参数。

此时可以计算出

w	红	黑
正	pq = a	(1-p)m = b
反	p(1-q) = c	(1-p)(1-m) = d

通过EM算法迭代如下：

随机p q m

迭代以下过程：

计算上面table

p = (aC(正)+cC(反))/total

q = aC(正)/(aC正+cC正)

m = bC(正)/(bC正 + dC正)

高斯混合模型

假设有上述数据，需要用混合模型来逼近，通过分析，红色和蓝色数据分别为高斯正态分布，N(u, v)

此时可以得到如下表

	红	蓝
x	pN红(u, v)	(1-p)N蓝(u, v)

p = pN红x/(pN红x+(1-p)N蓝x)

u = pN红x/n

v = pN红(x-u)^2/n

隐马尔可夫模型

词性转换概率

	V	N
V	P(V|V)	P(N|V)
N	P(V|N)	P(N|N)

词性到单词的转换概率

	go	home
V	P(go|V)	P(home|V)
N	P(go|N)	P(home|N)

通过EM递归算法，训练以上参数，得到隐马尔可夫模型

PLSA主题模型

主题模型

作用

• 通过抽象出文档的主题，可以通过比较主题向量的相似性，得到不同文档之间的相似性
• 得到主题向量，相当于把文档去掉了噪声干扰
• 得到文档向量，可以进行其他模型的输入，进而对文档进行分类，回归等操作，得到更丰富的结果

词袋模型

只统计词的频率，不计算词的相对位置

LSA模型

计算文档和单词频率的矩阵

	w1	...	wn
doc1	3	...	0
doc2	1	...	5
...	...	...	...
docn	0	...	0

进行奇异矩阵分解

得到A矩阵的压缩U，U中的k则为k个主题

PLSA模型

通过分析，LSA得到的主题是跟现实无法关联，它只是一个量，而没有明显的意义。

PLSA为了解决此问题，引入概率模型，先确定主题个数

然后通过构建Doc->topic的概率table，和topic->word的概率table。

然后通过EM模型，得到这两个table的所有概率值。

进而得到文档的主题表示

LDA模型

PLSA的缺陷是，对于预测未知的doc，无法计算此文档的相关概率。随着doc数量的增加，PLSA模型的参数会线性增加，从而会造成过拟合。

LDA通过引入先验概率来克服PLSA的问题。

上下文无关句法

CFG

S -> NP VP

VP -> Vi
VP -> Vt NP
VP -> VP PP

NP -> DT NN
NP -> NP PP

类似于编译原理的上下文无法句法分析，一颗语法树

PCFG

通过对CFG引入概率参数

S -> NP VP	1
VP -> Vi	P1
VP -> Vt NP	P2
VP -> VP PP	P3
NP -> DT NN	P4
NP -> NP PP	P5

评估句子

有了概率，可以计算每颗语法树的极大似然概率，并取最大概率的树为最终输出

RNN

上一个状态中间层的输出作为下一隐层的输入

类似于HMM的2-gram模型。t状态受到t-1时刻输出的影响，受t-k的输出的k越大，影响越小

LSTM

由于RNN几乎只受到上一时刻的影响，而忽略了久远信息的影响。从而造成了一定的局限性。

LSTM通过引入长短记忆方法，来维持长记忆的信息。

• 遗忘门：上一刻的输出，会乘以一个sigmod的输出，sigmod的输出，决定了上一时刻的输出会保留多少到下一时刻。
• 输入门：通过对xt进行tanh处理，并进行输出，通过一个sigmod函数，决定t时刻有保留多少流向下一时刻
• 输出门：把遗忘门的输出和输入门的输出进行累加并进行tanh处理，并对输出进行sigmod处理，得到下一时刻的输入
• 遗忘门和输入们的输出累加后，会直接透传到下一时刻

通过训练核内的sigmod函数，使得LSTM可以根据不同的句子，有条件的保留和过滤历史信息，从而达到长记忆的功能。

GRU

GRU是LSTM的简化版，它只需要处理两个sigmod函数的训练，而LSTM需要三个sigmod函数的训练，减少了训练的参数，加快了训练的速度，但也损失了一部分模型的复杂，在处理较复杂问题时，没有LSTM那么好。

Encoder-Decoder

auto-encoder-decoder

Seq2Seq

auto-encoder-decoder的特点是输出的单元数是固定的。对于一般自然语言处理，例如机器翻译，输入的单元个数跟输出单元的个数并不是一一对应的，此时就需要动态的生成输出单元。Seq2Seq通过动态的输出结束符，代表是否输出完成，达到可以动态的根据输入输出不同的单元个数。

Attention Mechanism

seq2seq的缺点是，所有的输入序列都转化为单一的单元c，导致很多信息都将消失，对于不同的输出yi，它可能依赖的输入xj有可能不一样，此时通过加入注意力模型，通过对xi进行softmax处理，并加入到y权重的训练中，可以让不同的y，有不同的x对它进行影响

softmax的输入为输入单元x，和上一个输出单元y，联合产生softmax的权重，进而对不同的序列，对于同一个x，会有不同的注意力到输出

Memory Network 记忆网络

Transformaer

self attention

参数说明

q = Wq(x)

k = Wk(x)

v = Wv(x)

x为词向量

原理

通过训练，得到权重w，从而学习到这一层的softmax注意力参数

multi-head-self-attention

R是前一次encoder的输出

通过增加w的数量，产生多个z，并进行堆叠，通过前馈网络，最后产生z

位置编码

在使用self attention处理句子时，是没有考虑单词在句子中的位置信息的。为了让模型可以加入考虑单词的位置信息，加入了位置编码的向量

计算如下：

pos为单词在句子中的位置

i为词向量的位置

d为句子的长度

位置编码加上词向量形成tranformer的输入

transformer总体架构

编码器的内部结构

加入了归一化和残差网络

最终通过softmax，输出每个单词的概率，并最终输出单词

transformer内部结构