浅谈nlp知识点

       深度学习主要在自然语言处理以及计算机视觉发挥着重大的作用，今天主要结合工作谈一下对于自然语言处理方面的理解，同时也对于自己的学习总结有一个很好的梳理作用。

       自然语言处理包括但不仅限于文本分类，情感分析，实体识别和抽取,词性标注等等。

1.分词

jieba（结巴）是一个强大的分词库，完美支持中文分词。可以自己导入分词词典，也可以做词性标注，对于未登录词，使用HMM隐马尔科夫模型处理。

当然还有其他的分词，比如清华的分词等等。。。

2.预训练语言模型

• 2.1 word2vec

       word2vec是google在2013年推出的一个NLP工具，它的特点是将所有的词向量化，这样词与词之间就可以定量的去度量他们之间的关系，挖掘词之间的联系。word2vec也叫word embeddings，中文名“词向量”，作用就是将自然语言中的字词转为计算机可以理解的稠密向量（Dense Vector）。在word2vec出现之前，自然语言处理经常把字词转为离散的单独的符号，也就是One-Hot Encoder。

关于词向量的原理可以参考以下网站：

word2vec原理(一) CBOW与Skip-Gram模型基础

word2vec原理(二) 基于Hierarchical Softmax的模型

word2vec原理(三) 基于Negative Sampling的模型

关于word2vec可以直接安装gensim库使用

• 2.2 elmo

       

       word2vec是静态词向量，在word2vec模型中固定的词拥有固定的词向量，而无法解决一词多义的情况，例如：苹果可以在文中有水果的含义，也可以在文中有手机电脑的含义，而elmo是使用bilstm基于上下文实现动态词向量。

具体使用可参考以下链接：

http://www.linzehui.me/2018/08/12/%E7%A2%8E%E7%89%87%E7%9F%A5%E8%AF%86/%E5%A6%82%E4%BD%95%E5%B0%86ELMo%E8%AF%8D%E5%90%91%E9%87%8F%E7%94%A8%E4%BA%8E%E4%B8%AD%E6%96%87/

https://github.com/allenai/bilm-tf

• 2.3 BERT和OpenAI GPT

ELMO 在迁移到下游任务时，会将不同层的特征采用加权求和的方式来获得每个词的最终表示。事实证明， ELMO 的确解决了多义性问题， 词性也能对应起来了。但， ELMO 的缺点也十分明显：

• LSTM 特征抽取能力远弱于 Transformer ， 并行性差
• 拼接方式双向融合特征融合能力偏弱

在了解BERT和OpenAI GPT之前，需要先了解Transformer的结构，编码器和解码器，具体可参考我的博客：

一文详解transformer（Attention Is All You Need）原理

GPT 虽然不是第一个预训练语言模型，但它的出现更具开创意义，基于Transformer的解码器堆栈组成，其特点很明显：

• 采用单向 Transformer 作为特征抽取器
• 采用二阶段：预训练 + 微调 来适配下游任务

GPT 1.0 与 GPT 2.0 的出现说明了以下几点：

• 高质量，大规模的预训练数据集是提升性能的根本
• 深层的 Transformer 模型具有更强的表示能力

训练前模型架构的差异。BERT使用双向Transformer。OpenAI GPT使用从左到右的Transformer。ELMo使用独立训练的从左到右和从右到左LSTM的连接来为下游任务生成特性。在这三个层次中，只有BERT表示在所有层中同时受左右上下文的制约。

BERT是基于Transformer的编码器堆栈组成的，同时找到正确的任务来训练编码器的Transformer堆栈是一个复杂的障碍，BERT采用了来自早期文献的“屏蔽语言模型”概念(在那里它被称为完形填空任务)来解决这个问题。

除了屏蔽15%的输入，BERT还混合了一些东西，以改进模型后来的微调方式。有时它会随机地将一个单词替换成另一个单词，并要求模型预测在那个位置上的正确单词。

Figure：BERT input representation. The input embeddings is the sum of the token embeddings, the segmentation embeddings and the position embeddings.

有关BERT的中文翻译：https://github.com/yuanxiaosc/BERT_Paper_Chinese_Translation

更多内容可参考：https://blog.csdn.net/hufei_neo/article/details/94739500

• 2.4 百度的ERNIE 2.0

ERNIE 2.0 是基于持续学习的语义理解预训练框架，使用多任务学习增量式构建预训练任务。ERNIE 2.0 中，新构建的预训练任务类型可以无缝的加入训练框架，持续的进行语义理解学习。 通过新增的实体预测、句子因果关系判断、文章句子结构重建等语义任务，ERNIE 2.0 语义理解预训练模型从训练数据中获取了词法、句法、语义等多个维度的自然语言信息，极大地增强了通用语义表示能力。

有关更详细的介绍在：https://github.com/PaddlePaddle/ERNIE

3. CRF，HMM(隐马模型)，MEMM(最大熵隐马模型)

CRF，HMM(隐马模型)，MEMM(最大熵隐马模型)都常用来做序列标注的建模，像分词、词性标注，以及命名实体标注。。但是其各自有自身的特点，HMM模型是对转移概率和表现概率直接建模，统计共现概率。而MEMM模型是对转移 概率和表现概率建立联合概率，统计时统计的是条件概率。MEMM容易陷入局部最优，是因为MEMM只在局部做归一化，而CRF模型中，统计了全局概率，在 做归一化时，考虑了数据在全局的分布，而不是仅仅在局部归一化，这样就解决了MEMM中的标记偏置的问题。

更多有关内容可参考：https://www.cnblogs.com/hellochennan/p/6624509.html