策略产品经理--NLP技术基础与算法模型

前言：BERT模型的出现，使NLP技术进入新的时代。由此机会窥探NLP技术全貌,学习了解NLP相关技术与算法模型。

一、基本概念

词向量（Word Embedding）：

  词向量主要用于将自然语言中的词符号数学化，这样才能作为机器学习问题的输入。

  数学化表示词的方式很多，最简单的有独热编码，即“足球”=[0,0,1,0,0,0,0,…]，“篮球”=[0,0,0,0,0,1,0,…]，向量的长度为总词数。显然，独热编码有以下缺点：1.可能导致维数过大，对深度学习来说复杂度过高。2.两个词的相似程度无法表示。

  词向量与独热编码不同，一般是以下形式：[0.2333,0.4324,0.6666,-0.9527,….]，维数以50维和100维比较常见。词向量解决了维度过大的问题，且两个词的相似度可以用欧几里得距离，余弦相似度等方法求得。

语言模型：

  语言模型形式化的描述就是，给定一个字符串，看它是自然语言的概率P(w1,w2,…,wt)，其中wi表示这句话中的各个词。有个很简单的推论，（语言模型就是用来计算一个句子的概率的模型）：

   P(w1,w2,…,wt)=P(w1)×P(w2|w1)×P(w3|w1,w2)×…×P(wt|w1,w2,…,wt−1)（条件概率公式）

  而事实上，常用的语言模型都是在近似地求P(wt|w1,w2,…,wt-1)，语言模型后续介绍，谷歌的BERT模型也属于语言模型（预训练类）。

分类衡量指标:

以信息检索为例，总共50篇文献，其中20篇是我感兴趣的目标文献。输入特定检索条件返回10篇文献，其中5篇是我要的文献。则

  精确率(Precision) = 查出的文章中有多少是正确目标 = 5/10

  召回率(Recall) = 总共正确的文章中有多少被正确查出 = 5/20

  两种值都是我们想要提高的，但不能两全其美：想要精确率为1，最好的结果就是一篇文献也没搜到，返回的结果肯定没有分类错误，但这样也没有意义；想要召回率为1，最好的情况就是50篇 返回，这样搜索本身也失去了意义。

  定义F1分数为精确率与召回率的调和平均数：

                                                             

  这样可以避免出现精确率和召回率一个为1一个为0的极端情况出现
  还可以根据对精确率/召回率的不同偏好设置F_beta分数

                                                             
  另一个角度来看这个问题。假设我们现在要判断一个用户是好人还是坏人，定义：TP（True Positive）为预测正确的好人的个数，FP（False Positive）为预测错误的好人的个数，FN（False Negative）为预测错误的坏人的个数，TN（True Negative）为预测正确的坏人的个数。可以写出混淆矩阵（Confusion matrix）如下：
                                          

（返回的预测正确的与预测错误的目标的总数）

（召回率的分母是总的正确的符合目标的数目，TP是返回的正确的符合目标的，FN是未返回的符合目标    的数目，即未返回的预测正确的好人的数目，也即预测错误的坏人的个数的另一种解释），注意与准确率和错误率（包含了预测正确的负向的那部分）相区别开。

（参考原文：https://blog.csdn.net/qq547276542/article/details/78274459?utm_source=copy ）

二、NLP的两个关键问题

       选择什么样的语言模型？   不同语言模型的区别，也就是对文本提取特征的不同。

       选择什么样的分类算法？   后续介绍

 2.1 常用的语言模型及算法介绍

语言模型的演化图

这里只讲几个简单的模型原理，LSA等都是对基于BOW,利用TF,IDF等

A、Bag-of-words模型（BOW，词袋模型）类

1，BOW模型

        最初应用于文本处理领域，用来对文档进行分类和识别。BoW 模型因为其简单有效的优点而得到了广泛的                 用。其基本原理可以用以下例子来给予描述。给定两句简单的文档：

文档 1：“我喜欢跳舞，小明也喜欢。”

文档 2：“我也喜欢唱歌。”

基于以上这两个文档，便可以构造一个由文档中的关键词组成的词典：

词典={1:“我”，2:“喜欢”，3:“跳舞”，4:“小明”，5:“也”，6:“唱歌”}

这个词典一共包含6个不同的词语，利用词典的索引号，上面两个文档每一个都可以用一个6维向量表示（用整数数字0~n（n为正整数）表示某个单词在文档中出现的次数。这样，根据各个文档中关键词出现的次数，便可以将上述两个文档分别表示成词向量的形式：

文档 1：[1, 2, 1, 1, 1, 0]

文档 2：[1, 1, 0, 0, 1, 1]

从上述的表示中，可以很清楚地看出来，在文档表示过程中并没有考虑关键词的顺序，而是仅仅将文档看成是一些关键词出现的概率的集合(这是Bag-of-words模型的缺点之一)，每个关键词之间是相互独立的，这样每个文档可以表示成关键词出现频率的统计集合。

2、基于Term frequency(TF) , Inverse document frequency(IDF), 以及TF-IDF的统计特征的模型

        这种语言模型主要是用词汇的统计特征来作为特征集，每个特征都能够说得出物理意义，看起来会比bag-of-words效果好，但实际效果也差不多。其实也属于基于BOW模型的一种。

词频 (term frequency, TF)  指的是某一个给定的词语在该文件中出现的次数。这个数字通常会被归一化(一般是词频除以文章总词数), 以防止它偏向长的文件。

                                                       (N1为在某一类中词条w出现的次数，N为该类中所有的词条数目)

逆向文件频率 (inverse document frequency, IDF)  IDF的主要思想是：如果包含词条t的文档越少, IDF越大，则说明词条具有很好的类别区分能力。某一特定词语的IDF，可以由总文件数目除以包含该词语之文件的数目，再将得到的商取对数得到。

                                                   (N3为语料库的文档总数，NW为相应的包含词条w的文档总数，+1是是为了防止分母为0，即一种最原始的平滑算法，拉普拉斯平滑)

                                                  

                                     

（参考：http://www.ruanyifeng.com/blog/2013/03/tf-idf.html）

3. LSA潜在语义分析–文本稀疏表示–>文本相似度度量、主题模型

        了解了TF-IDF模型，我们得到了文本的基本向量化表示，即得到了文本的(特征)向量，向量具有一定语义表达的能力。LSA正是在此基础上挖掘文本的潜在语义，建构主题模型等。 

        遍历语料库，得到全部文本-单词的权重矩阵，权重即上文所求TF-IDF值。建立文本-单词权重矩阵X后，可以通过SVD奇异值矩阵分解的方式将矩阵X转换为它的低秩逼近矩阵。可以去前k维作为主要特征，实现数据降维（原矩阵X维度为N*M,M为语料词汇总数）

       其他BOW模型算法如PLSA，可以参考https://blog.csdn.net/tiffanyrabbit/article/details/72650606

B、N-gram模型类

           一种考虑了词汇顺序的模型，每个样本转移成了转移概率矩阵。用来根据前(n-1)个item来预测第n个item。在应用层面，这些item可以是音素（语音识别应用）、字符（输入法应用）、词（分词应用）或碱基对（基因信息）。一般来讲，可以从大规模文本或音频语料库生成n-gram模型。 习惯上，1-gram叫unigram，2-gram称为bigram，3-gram是trigram。还有four-gram、five-gram等，不过大于n>5的应用很少见。
        理论依据例子：给定一串字母，如”for ex”，下一个最大可能性出现的字母是什么。从训练语料数据中，我们可以通过极大似然估计的方法，得到N个概率分布：是a的概率是0.4，是b的概率是0.0001，是c的概率是。。。。

        n-gram模型概率公式推导，根据条件概率和乘法公式：

                                                                         
 得到 
                                                         
拿一个应用来讲，假设T是由词序列A1,A2,A3,…An组成的，那么P(T)=P(A1A2A3…An)=P(A1)P(A2|A1)P(A3|A1A2)…P(An|A1A2…An-1) 如果直接这么计算，是有很大困难的，需要引用马尔科夫链的假设，即当前这个词仅仅跟前面几个有限的词相关，因此也就不必追溯到最开始的那个词，这样便可以大幅缩减上诉算式的长度，即：一个item的出现概率，只与其前m个items有关，当m=0时，就是unigram，m=1时，是bigram模型（n元表示相邻的n个词之间是有关系的）。
            因此，P(T)可以求得，例如，当利用bigram模型时，P(T)=P(A1)P(A2|A1)P(A3|A2)…P(An|An-1) 而P(An|An-1)条件概率可以通过极大似然估计求得，等于Count(An-1,An)/Count(An-1)。
          n-gram的应用：文化研究（不了解）、分词算法、语音识别、输入法、垃圾邮件识别。输入法中例如搜狗输入法如下，根据拼音判断合理的句子，其实底层原理是根据概率算出最优的一些算法。其实这个思想可以用在一些推荐策略上，根据概率算出。

                                               

N-gram计算原理：根据已有的（历史）语料库的词句统计的概率或者次数来预测新的语句的概率，然后输出概率最高的语句结果。

其应用例如搜索引擎的提示答案（输入一个关键词，自动输出几个结果提示）。

NNLM等都是对N-gram模型进行训练后延伸出的一些神经网络模型。

C、word embeding、Word2vec、 GloVe 、CBOW、skip-gram，one-hot，N-gram关系

word embedding 是一个将词向量化的概念，词嵌入。

Word2vec、 GloVe是 执行word embedding的具体算法，是一种训练算法。

CBOW、skip-gram是Word2vec训练算法中用到的语言模型（通过神经网络训练得到最后的词向量矩阵）

one-hot是最初的得到词向量的方法，n-gram是语言模型，这种语言模型和word2vec算法中模型是并列的关系，只不过n-gram自己可以利用概率计算得到相关的应用结果，我认为也可以说n-gram是一种算法。

上述这些都是围绕着“词向量”的概念的NLP算法模型技术，都属于浅层的方法，“效率换表达力”。            

D、语言模型的迁移学习（预训练语言模型）

       预训练的语言表征经过精调后可以在众多NLP任务中达到更好的表现，所以新出的这些预训练算法与模型是最新的技术发展概念，以及最新的BERT预训练模型。通过迁移学习与特定的任务相结合的方式有2种

feature-based：训练出的representation作为feature用于任务，也就是利用预训练的语言模型获得特征向量，将其用于具体任务。新的ELMo也属于这类，但迁移后需要重新计算出输入的表征。

fine-tuning：在预训练的语言模型基础上稍作改变，根据具体任务引入新的结构和参数，再次进行训练。通过与预训练语言模型的结合，许多原有的模型在任务上的效果进步提升。以阅读理解为例，人类在做道阅读理解题目时，并不仅仅从这篇文章，以及类似的阅读理解任务（训练集）中学习，而是会使用在此之前积累的各项知识。大规模语料预训练的语言模型正是这种知识的积累。这个主要借鉴于CV，就是在预训练好的模型上加些针对任务的层，再对后几层进行精调。新的ULMFit和OpenAI GPT属于这一类。

关于谷歌最新推出的BERT，全称是Bidirectional Encoder Representation from Transformers，即双向Transformer的Encoder，因为decoder是不能获要预测的信息的。模型的主要创新点都在pre-train方法上，即用了Masked LM和Next Sentence Prediction两种方法分别捕捉词语和句子级别的representation。关于BERT的模型介绍可参考：https://zhuanlan.zhihu.com/p/46652512