[自然语言处理入门]六、文本匹配基础

六、文本匹配基础

学习路线参考：

https://blog.51cto.com/u_15298598/3121189

https://github.com/Ailln/nlp-roadmap

https://juejin.cn/post/7113066539053482021

https://zhuanlan.zhihu.com/p/100567371

https://cloud.tencent.com/developer/article/1884740

本节学习使用工具&阅读文章：

https://zhuanlan.zhihu.com/p/393929685

https://blog.csdn.net/qq_38587650/article/details/123724353

https://blog.csdn.net/laobai1015/article/details/120143102

https://zhuanlan.zhihu.com/p/79202151

1. 文本匹配简介

文本匹配，是一个很宽泛的概念，广义上来看，只要目的是研究两段文本之间的关系，基本都可以视作是文本匹配问题。由于在不同的场景下对”匹配“的定义可能非常不同，因此文本匹配并不是一个完整独立的研究方向。不过，有相当多的NLP任务可以建模成文本匹配问题，这其中的模型结构、训练方法等也是高度相似的。

  1. 应用场景

    • 文本语义相似度 & 复述识别：判断两段文本是否表达了同样的语义，即是否构成复述关系

    • 问答匹配：给定问题和该问题的答案候选池，从候选池中找出可以准确回答问题的最佳答案候选

    • 对话匹配：在问答匹配的基础上引入了历史session（multi-turn），可看作进阶版的问答匹配

    • 自然语言推理/文本蕴含识别：给定一个句子A作为前提（premise），另一个句子B作为假设（hypothesis），若A能推理出B，则A、B为蕴含关系（entailment），若A与B矛盾，则A、B为矛盾关系（contradiction），否则A、B独立（neutral），可以看做一个三分类问题

    • 信息检索（Information Retrieval）：信息检索场景下，一般先通过检索方法召回相关项，再对相关项进行rerank，文本匹配的方法同样可以套用在这个场景

  2. 无监督文本匹配

    对于无监督的文本匹配，我们需要实时把握两个重点：文本表征和相似函数的度量。文本表征指的是我们将文本表示为计算机可以处理的形式，更准确了来说是数字化文本。而这个数字化文本，必须能够表征文本信息，这样才说的通。相似函数的度量就是你选择何种函数对文本相似度进行一个判定，比如欧氏距离，余弦距离，Jacard相似度，海明距离等等。

    1. 有监督文本相似度：SiamGRU和ESIM模型

      ​

2. BM25

用来评价搜索词和文档之间相关性的算法，它是一种基于概率检索模型提出的算法。

算法描述：我们有一个query和一批文档\(D=\{d_1,d_2,……,d_n\}\)，现在要计算query和每篇文档d之间的相关性分数，我们的做法是，先对query进行切分，得到单词\(q_i\)。单词的分数由3部分组成：

  • query中每个单词和文档d之间的相关性
  • 单词和query之间的相关性
  • 每个单词的权重

query和文档之间的分数等于所有单词分数之和。

  1. 单词权重

    单词的权重最简单的就是用idf值：\(IDF(q_i)=log{N-df_i+0.5\over df_i+0.5}\)

    其中N表示索引中全部文档数，\(df_i\)为包括了\(q_i\)的文档的个数。根据IDF的作用，对于某个\(q_i\)，包含\(q_i\)的文档数越多，说明\(q_i\)重要性越小，或者区分度越低。因此IDF可以用来刻画\(q_i\)与文档的相似性。

  2. 单词和文档的相关性

    在TF-IDF中，这个信息直接就用“词频”：出现的次数越多越相关。

    但是实际上词频和相关性之间的关系是非线性的。具体来说，每一个词对于文档相关性的分数不会超过一个特定的阈值，当词出现的次数达到一个阈值后，其影响不再线性增长，而这个阈值会跟文档本身有关。

    在具体操作上，我们对于词频做了标准化处理，具体公式如下：

    \(S(q_i,d)={(k_1+1)tf_{td}\over K+tf_{td}}\)，\(K=k_1(1-b+b*{L_d\over L_{ave}})\)

    其中，\(tf_{td}\)是单词t在文档d中的词频，\(L_d\)是文档d的长度，\(L_{ave}\)是所有文档的平均长度。变量\(k_1\)是一个正参数，用来标准化文章词频的范围。b是另一个可调参数（0<b<1），决定使用文档长度来表示信息量的范围：当b为1，完全使用文档长度来权衡词的权重，当b为0表示不使用文档长度。

  3. 单词和权重的相关性

    当query很长时，我们还需要刻画单词与query的之间的权重。对于短的query，这一项不是必须的：\(S(q_i, Q)={(k_3+1)tf_{tq}\over k_3+tf_{tq}}\)

    这里\(tf_{tq}\)表示单词t在query中的词频，\(k_3\)是一个可调正参数，用于矫正query中的词频范围。

  4. 最终公式

    \(RSV_d=\sum_{t∈q}[log{N\over df_t}]·{(k_1+1)tf_{tf}\over k_1((1-b)+b×(L_d/L_{ave}))+tf_{td}}·{(k_3+1)tf_{tq}\over k_3+tf_{tq}}\)

    经过试验，上面三个可调参数， \(k_1\) 和 \(k_3\) 可取1.2~2，b取0.75

    ​

3. DSSM双塔模型

微软公司提出的一种基于深度神经网络的语义模型，其核心思想是将query和doc映射到到共同维度的语义空间中，通过最大化query和doc语义向量之间的余弦相似度，从而训练得到隐含语义模型，达到检索的目的。

通过一个非线性投影将query和documents映射到一个共同的语义空间。其次，对于给定query和每个documents的相关性，通过语义空间下向量间的一个余弦相似度计算出。神经网络模型使用点击数据进行训练，因此给定query的点击documents的条件概率能够最大化。不同于之前的一些无监督方式学习的潜在语义模型，DSSM直接针对网络文档排序进行优化，因此得到了不错的表现。而且在处理大规模词汇表时，DSSM采用了一种词哈希的方法，在没有任何损失的情况下，将高维的queries和documents向量映射到低维letter-n-gram向量。在语义模型中增加了这一层，词哈希方法能够支持大规模词汇表，这在网络检索中尤为重要。

  1. 结构

    img

    img

    • Term Vector：表示文本的embedding向量。
    • Word Hashing：为解决term vector太大问题，对bag-of-word向量降维。
    • Multi-layer nonlinear projection：表示深度学习网络的隐层。
    • Semantic feature：表示query和document最终的embedding向量。
    • Relevance measured by cosine similarity：表示query与document之间的余弦相似度。
    • Posterior probability computed by softmax：表示通过softmax函数把query与正样本document的语义相似性转化为一个后验概率。

    DSSM使用一个DNN模型将语义空间中的高维稀疏文本特征映射到低维稠密特征。第一个隐藏层包含30k个神经元，用于词哈希操作。词哈希特征经过多层非线性映射，最后一层的神经元生成了DNN模型的语义空间特征。

  2. Word Hashing

    word hashing

    word hashing方法：给定一个词，以单词good为例，首先在该单词上添加开始和结束标记：#good#。然后将其转换成字母n-gram的形式： #go, goo, ood, od#。最后，这个词将通过一个字母n-gram向量表示。

    这样做的好处有两个：首先是压缩空间，50 万个词的 one-hot 向量空间可以通过 letter-trigram 压缩为一个 3 万维的向量空间。其次是增强范化能力，三个字母的表达往往能代表英文中的前缀和后缀，而前缀后缀往往具有通用的语义。

    这样的方法可能存在两个不同的词语有着相同的字母n-gram向量表示的问题，也就是冲突问题。

    如果处理的是中文文本，所以这里我们不分词，而是仿照英文的处理方式，对应到中文的最小粒度就是单字了。由于常用的单字为 1.5 万左右，因此输入层采用字向量（one-hot）作为输入，向量空间约为1.5 万维。

  3. 表示层

    DSSM 的表示层采用 BOW 的方式，相当于把字向量的位置信息抛弃了，整个句子里的词都放在一个袋子里了，不分先后顺序。 紧接着是一个含有多个隐层的 DNN。用 tanh 作为隐层和输出层的激活函数，最终输出一个128维的低纬语义向量。

  4. 匹配层

    Query 和 Doc 的语义相似性可以用这两个语义向量(128 维) 的 cosine 距离来表示：\(R(Q,D)=cosine(y_Q,y_D)={y^T_Qy_D\over ||y_Q||||y_D||}\)

    通过softmax函数可以把这个语义相似性转化为后验概率：\(P(D^+|Q)={exp(\gamma R(Q, D^+))\over \sum _{D'∈D}exp(\gamma R(Q, D'))}\)

    其中\(\gamma\)为softmax的平滑因子，\(D^+\)为Query下的正样本，\(D'\) 为 Query 下的负样本（采取随机负采样），D 为 Query 下的整个样本空间。

    在训练阶段，通过极大似然估计，我们最小化损失函数：\(L=-log \prod_{Q,D^+}P(D^+|Q)\)

  5. 实施细节

    为了确定训练参数并防止过拟合，实验将点击数据分成不重叠的两部分：训练集和验证集。实验过程中，模型在训练集上训练，训练参数在验证集上进行优化。在训练阶段，模型的训练采用的是基于SGD的mini-batch方法，每个mini-batch包含1024个训练样本。实验表明，DNN模型通常在整个数据集上迭代20轮之内达到收敛。

  6. 优缺点

    优点：DSSM 用字向量作为输入既可以减少切词的依赖，又可以提高模型的泛化能力，因为每个汉字所能表达的语义是可以复用的。另一方面，传统的输入层是用 Embedding 的方式（如 Word2Vec 的词向量）或者主题模型的方式（如 LDA 的主题向量）来直接做词的映射，再把各个词的向量累加或者拼接起来，由于 Word2Vec 和 LDA 都是无监督的训练，这样会给整个模型引入误差，DSSM 采用统一的有监督训练，不需要在中间过程做无监督模型的映射，因此精准度会比较高。

    缺点：上文提到 DSSM 采用词袋模型（BOW），因此丧失了语序信息和上下文信息。另一方面，DSSM 采用弱监督、端到端的模型，预测结果不可控。

posted @ 2023-03-07 22:02  无机呱子  阅读(88)  评论(0)  编辑  收藏  举报