自然语言处理(四)神经网络语言模型及词向量
神经网络语言模型
用句子 S S S的概率 p ( S ) p(S) p(S)来定量刻画句子。
统计语言模型是利用概率统计方法来学习参数 p ( w i ∣ w 1 … w i − 1 ) p(w_i|w_1\dots w_{i-1}) p(wi∣w1…wi−1)，神经网络语言模型则通过神经网络学习参数.
统计语言模型的缺点
- 平滑技术错综复杂且需要回退至低阶，使得该模型无法面向更大的n元文法获取更多的词信息.
- 基于最大似然估计的语言模型缺少对上下文的泛化，如观察到蓝汽车和红汽车不会影响出现黑汽车的概率.
神经网络语言模型
根据所用的神经网络不同，可以分为
- NNLM模型(DNN)
- RNNLM模型(RNN)
NNLM
输入： X : w i − 1 X:w_{i-1} X:wi−1
输出： p ( w i ∣ w i − 1 ) p(w_i|w_{i-1}) p(wi∣wi−1)
参数： θ = H , U , b 1 , b 2 \theta = {H,U,b^1,b^2} θ=H,U,b1,b2
运算关系：
p ( w i ∣ w i − 1 ) = exp ( y ( w i ) ) ∑ k = 1 ∣ V ∣ exp ( y ( v k ) ) y ( w i ) = b 2 + U ( tanh ( X H + b 1 ) ) p(w_i|w_{i-1}) = \frac{\exp(y(w_i))}{\sum_{k=1}^{|V|}\exp(y(v_k))}\\ y(w_i) = b^2 + U(\tanh(XH+b^1)) p(wi∣wi−1)=∑k=1∣V∣exp(y(vk))exp(y(wi))y(wi)=b2+U(tanh(XH+b1))
目标函数：
采用log损失 L ( Y , P ( Y ∣ X ) ) = − log P ( Y ∣ X ) L(Y,P(Y|X)) = - \log P(Y|X) L(Y,P(Y∣X))=−logP(Y∣X)
参数训练：
随机梯度下降优化训练目标，每次迭代，随机从语料D选取一段文本 w i − ( n − 1 ) … w i w_{i-(n-1)}\dots w_i wi−(n−1)…wi作为训练样本进行一次梯度迭代.
θ ← θ − α ∂ log P ( w i ∣ w i − ( n − 1 ) … w i − 1 ) ∂ θ \theta\leftarrow \theta - \alpha\frac{\partial \log P(w_i|w_{i-(n-1)\dots w_{i-1}})}{\partial \theta} θ←θ−α∂θ∂logP(wi∣wi−(n−1)…wi−1)
其中， α \alpha α为学习率， θ = { H , U , b 1 , b 2 } \theta = \{H,U,b^1,b^2\} θ={H,U,b1,b2}
RNNLM
输入： X : w i − 1 X:w_{i-1} X:wi−1和 h ( t − 1 ) h(t-1) h(t−1)
输出： p ( w i ∣ w i − 1 ) p(w_i|w_{i-1}) p(wi∣wi−1)和 h ( t ) h(t) h(t)
参数： θ = H , U , M , b 1 , b 2 \theta = {H,U,M,b^1,b^2} θ=H,U,M,b1,b2
运算关系：
p ( w i ∣ w i − 1 ) = exp ( y ( w i ) ) ∑ k = 1 ∣ V ∣ exp ( y ( v k ) ) y ( w i ) = b 2 + U ( tanh ( X H + M h ( t − 1 ) + b 1 ) ) h ( t ) = tanh ( X H + M h ( t − 1 ) + b 1 ) p(w_i|w_{i-1}) = \frac{\exp(y(w_i))}{\sum_{k=1}^{|V|}\exp(y(v_k))}\\ y(w_i) = b^2 + U(\tanh(XH+Mh(t-1)+b^1))\\ h(t) = \tanh(XH + Mh(t-1) +b^1) p(wi∣wi−1)=∑k=1∣V∣exp(y(vk))exp(y(wi))y(wi)=b2+U(tanh(XH+Mh(t−1)+b1))h(t)=tanh(XH+Mh(t−1)+b1)
目标函数：
采用log损失 L ( Y , P ( Y ∣ X ) ) = − log P ( Y ∣ X ) L(Y,P(Y|X)) = - \log P(Y|X) L(Y,P(Y∣X))=−logP(Y∣X)
参数训练：
采用随机梯度下降优化训练目标.
θ ← θ − α ∂ log P ( w i ∣ w i − ( n − 1 ) … w i − 1 ) ∂ θ \theta\leftarrow \theta - \alpha\frac{\partial \log P(w_i|w_{i-(n-1)\dots w_{i-1}})}{\partial \theta} θ←θ−α∂θ∂logP(wi∣wi−(n−1)…wi−1)
神经网络词向量
词的表示问题.
离散表示
One-hot
优势：稀疏方式存储非常简洁
不足：词汇鸿沟，维度灾难
词袋模型
每个数表示该词在文档中出现的次数.
TF_IDF
每个数代表该词在整个文档中的占比.
分布式表示
核心思想：用一个词的上下文来表示该词.
NNLM模型-词向量
将输入词向量作为参数在NNLM模型中进行训练
- 优点：
降维，消除词汇鸿沟，自带平滑 - 应用：
同义词检测、单词类比
RNNLM模型-词向量
将输入词向量作为参数在RNNLM模型中进行训练
C&W模型
采用直接对n元短语打分的方式替代语言模型中求解条件概率的方法：对于语料中出现过的短语，打高分；对于未出现的随机短语打低分.
特点：
C&W模型的目标函数是求目标词W与其上下文C的联合打分，而其他模型均是根据上下文C，来预测目标词W.
输入：
目标词 w i w_i wi与其上下文 x = [ e ( w i − ( n − 1 ) ) , … , e ( w i ) , … , e ( w i + ( n − 1 ) ) ] x=[e(w_{i-(n-1)}),\dots,e(w_i),\dots,e(w_{i+(n-1)})] x=[e(wi−(n−1)),…,e(wi),…,e(wi+(n−1))]
隐藏层：
上下文和目标词的联合表示.
输出：
对输入序列打分
优化目标：
对于整个语料最小化
∑ ( w , c ) ∈ D ∑ w ′ ∈ V max ( 0 , 1 − s c o r e ( w , c ) + s c o r e ( w ′ , c ) ) \sum_{(w,c)\in D}\sum_{w'\in V}\max(0,1-score(w,c) + score(w',c)) (w,c)∈D∑w′∈V∑max(0,1−score(w,c)+score(w′,c))
其中，c表示目标词w的上下文
- 正样本来自语料
- 负样本则是将正样本序列中的中间词替换成其他词.
对比：
C&W模型在运算速度上优于NNLM模型，但在许多语言学任务上，效果不如其他模型.
CBOW
(Continuous Bag-of Words)，Mikolov等人在2013年提出了CBOW和Skip-gram模型，主要针对NNLM训练复杂度过高的问题进行改进.
输入层：x:词 w i w_i wi的上下文词向量平均值，不包括 w i w_i wi
x = 1 n − 1 ∑ w j ∈ c e ( w j ) x=\frac{1}{n-1}\sum_{w_j\in c}e(w_j) x=n−11wj∈c∑e(wj)
输出层：
p ( w i ∣ c ) = exp ( e ′ ( w i ) T x ) ∑ w ′ ∈ V exp ( e ′ ( w ′ ) T x ) p(w_i|c) = \frac{\exp(e'(w_i)^Tx)}{\sum_{w'\in V}\exp(e'(w')^Tx)} p(wi∣c)=∑w′∈Vexp(e′(w′)Tx)exp(e′(wi)Tx)
优化目标：
最大化 ∑ ( w , c ) ∈ D log P ( w ∣ c ) \sum_{(w,c)\in D}\log P(w|c) ∑(w,c)∈DlogP(w∣c)
参数训练：梯度下降法
Skip-gram
输入层：x:词 w i w_i wi的词向量
输出层：
p ( w j ∣ w i ) = exp ( e ′ ( w j ) T x ) ∑ w ′ ∈ V exp ( e ′ ( w ′ ) T x ) p(w_j|w_i) = \frac{\exp(e'(w_j)^Tx)}{\sum_{w'\in V \exp(e'(w')^Tx)}} p(wj∣wi)=∑w′∈Vexp(e′(w′)Tx)exp(e′(wj)Tx)
优化目标：
最大化 ∑ ( w , c ) ∈ D ∑ w j ∈ c log P ( w j ∣ w ) \sum_{(w,c)\in D}\sum_{w_j\in c}\log P(w_j|w) ∑(w,c)∈D∑wj∈clogP(wj∣w)
Hierachical softmax思想
对于词典中的任意词w，哈夫曼树中必然存在一条从根节点到该词所在的叶子节点的路径，将路径上存在的所有分支视为一次二分类，将每次分类的概率乘起来，就得到了最终 p ( w ∣ c o n t e x t ( w ) ) p(w|context(w)) p(w∣context(w))
词向量工具
word2vec是google开源的将词表征为实数值向量的高校工具，其利用深度学习的思想，可以通过训练，把对词的处理简化为K维向量空间中的向量运算.
word2vec训练得到的词向量可用于机器翻译、相似词查找、关系挖掘、中文聚类等任务中.
word2vec共有两种类型，每种类型都有两个策略.
| 模型 | CBOW | CBOW | Skip-gram | Skip-gram |
|---|---|---|---|---|
| 方法 | Hierarchical Softmax | Negative Sampling | Hierarchical Softmax | Negative Sampling |
模型特点
| 模型 | 目标词与上下文位置 | 模型输入 | 模型输出 | 目标词与上下文词之间的关系 |
|---|---|---|---|---|
| NNLM | (上文)(目标词) | 上文词向量拼接 | 目标词概率 | 上文在输入层、目标词在输出层，优化预测关系 |
| C&W | (上文)(目标词)(下文) | 上下文及目标词词向量拼接 | 上下文及目标词联合打分 | 上下文和目标词都在输入层，优化组合关系 |
| CBOW | (上文)(目标词)(下文) | 上下文各词词向量平均值 | 目标词概率 | 上下文在输入层、目标词都在输入层，优化预测关系 |
| Skip-gram | (上文)(目标词)(下文) | 目标词词向量 | 上下文词概率 | 目标词在输入层、上下文在输出层，优化预测关系 |
不同模型对比
| 指标 | – |
|---|---|
| 模型复杂度 | NNLM>C&W>CBOW>Skip-gram |
| 参数个数 | NNLM>(CBOW=Skip-gram)>C&W |
| 时间复杂度 | NNLM>(CBOW=Skip-gram)>C&W |
构建词向量建议
- 当语料较小时，应当选用模型结构最简单的Skip-gram模型，当语料较大时，选用CBOW模型会有更好的效果.
- 预测目标词的模型比目标词与上下文呈组合关系的模型(C&W)在多个任务中有更好的性能.
- 训练时迭代优化的终止条件最好根据具体任务的验证集来判断，或近似地选取其它类似的任务作为指标.
- 词向量的维度一般要在50维以上，特别是当衡量词向量的语言学特性时，词向量的维度越大，效果越好.
词向量的用途
- 利用词向量的语言学特性完成任务. 利用词向量语义相似的词，其磁向量空间距离相近的特征可完成语义相关性任务，如同义词检测、单词类比.
- 将词向量作为静态特征输入. 使用词向量作为模型输入，在训练过程中，只调整模型参数，不调整词向量，如基于平均词向量的文本分类、命名实体识别等.
- 将词向量作为动态初值输入. 使用词向量作为神经网络的初始值，模型训练过程中调整词向量的初值，从而提升神经网络模型的优化效果.如基于卷积神经网络的文本分类、词性标注等.
参考资料
中国科学院大学-NLP课程课件(IIE胡玥老师主讲)