DL4NLP---第一讲

第一讲：引言-自然语言处理与深度学习简介(Intro to NLP and Deep Learning)

推荐阅读材料：

1. 线性代数相关知识点回顾：[Linear Algebra Review]
2. 概率相关知识点回顾：[Probability Review]
3. 凸优化相关知识点回顾: [Convex Optimization Review]
4. 优化相关的另一篇介绍（来自于斯坦福CS231课程资料），随机梯度下降相关[More Optimization (SGD) Review]
5. 语义向量空间模型的一篇综述[From Frequency to Meaning: Vector Space Models of Semantics]
6. 课程第一部分的Notes，涉及第一讲和第二讲[Lecture Notes 1]
7. python及numpy简介[python tutorial]
8. 第一讲Slides[slides]
9. 第一讲视频[video]

以下是第一讲的相关笔记，主要参考自课程的slides，视频和其他相关资料。

什么是自然语言处理（NLP）

• 自然语言处理是一门交叉学科，包括计算机科学，人工智能和语言学
• 目标：让计算机去处理或“理解”自然语言, 完成一些有用的任务例如问答系统，机器翻译
• 完全理解或者表示语言的意义（甚至去定义它）都是一个虚幻的目标
• 完美的理解语言是一个“AI-complete”的问题

自然语言处理的层次

自然语言处理的应用

• 应用范围从简单到复杂
• 拼写检查, 关键词提取&搜索，同义词查找&替换
• 从网页中提取有用的信息例如产品价格，日期，地址，人名或公司名等
• 分类，例如对教科书的文本进行分级，对长文本进行正负情绪判断
• 机器翻译
• 口语对话系统
• 复杂的问答系统

工业届里的NLP应用

• 搜索引擎
• 在线广告
• 自动的或辅助的翻译技术
• 市场营销或者金融交易领域的情感分析
• 语音识别

NLP为什么这么难

• 语言在表达上就很复杂，使用的时候要综合考虑使用情境
• Jane hit June and then she [fell/ran].
• 歧义问题：“I made her duck”

什么是深度学习（DL）

• 深度学习是机器学习的一个分支
• 大多数机器学习方法很有效主要依靠人工精心设计的特征，例如下表是一个命名实体识别任务中设计的特征模板(Finkel, 2010)
• 最终这些机器学习问题会变成优化问题：优化这些特征权重以达到最好的预测效果

机器学习 vs 深度学习

什么是深度学习（DL）续

• 表示学习 or 表达学习（Representation Learning）尝试自动的学习合适的特征及其表征
• 深度学习（Deep Learning) 算法尝试学习（多层次）的表征以及输出
• 从一个“原生”的输入x(例如“单词”）

深度学习的历史

• 这门课主要关注至今为止在解决NLP问题上有效果的深度学习技术
• 关于深度学习模型的相关历史，推荐参考《Deep Learning in Neural Networks: An Overview》

探索深度学习的原因

• 人工设计的特征常常定义过多，不完整并且需要花费大量的时间去设计和验证
• 自动学习的特征容易自适应，并且可以很快的学习
• 深度学习提供了一个弹性的，通用的学习框架用来表征自然的，视觉的和语言的信息。
• 深度学习可以用来学习非监督的（来自于生文本）和有监督的（带有特别标记的文本，例如正向和负向标记）
• 在2006年深度学习技术开始在一些任务中表现出众，为什么现在才热起来？
• 深度学习技术受益于越来越多的数据
• 更快的机器与更多核CPU/GPU对深度学习的普及起了很大的促进作用
• 新的模型，算法和idea层出不穷
• 通过深度学习技术提升效果首先发生在语音识别和机器视觉领域，然后开始过渡到NLP领域

面向语音识别的深度学习

• “深度学习”在大数据集上的第一个突破性进展发生在语音识别领域
• Paper：Context-Dependent Pre-trained Deep Neural Networks for Large Vocabulary Speech Recognition Dahl et al. (2010)

面向计算机视觉的深度学习

• 很多深度学习研究小组把大量的精力放在计算机视觉上（直到现在也是）
• 突破性的Paper: ImageNet Classification with Deep Convolutional Neural Networks by Krizhevsky et al. 2012

Deep Learning + NLP = Deep NLP

• 综合使用一些深度学习的方法来解决NLP的相关问题
• 近几年在NLP的一些应用领域效果有了较大的提升
• 层次：语音，词形，句法，语义
• 应用：机器翻译，情感分析，问答系统

音位学层次的表示

• 传统的方法：音素
• 深度学习：通过声音特征并将这些特征表示为向量直接来预测音素（或词语）

形态学层次的表示

• 传统的方法：语素，例如前缀，词干，后缀等
• 深度学习：
• 每个语素都用向量表示
• 神经网络用于向量的两两合并
• Thang et al. 2013

句法层次的表示

• 传统的方法：将一个短语或句子划分到多个句法标记，例如NP，VP等
• 深度学习
• 每个单词或者短语都是一个向量
• 神经网络用于向量的两两合并
• Socher et al. 2011

语义层次的表示

• 传统的方法： Lambda算子 or Lambda演算(Lambda calculus)
• 非常精细的函数设计
• 需要指定其他函数的输入
• 没有相似性的概念或者模糊语言

• 深度学习
• 每个单词或者短语或者逻辑表达式都是一个向量
• 神经网络用于向量的两两合并
• Bowman et al. 2014

NLP应用：情感分析

• 传统的方法：精选的情感词典+词袋模型（忽略词序）+人工设计的特征（很难覆盖所有的信息）
• 深度学习：和上述词素，句法和语义相似的深度学习模型–>RNN
• Demo: http://nlp.stanford.edu/sentiment/

NLP应用：问答系统

• 传统的方法：用了非常多的特征工程去获取相关的知识，例如正则表达式，Berant et al. (2014)
• 深度学习：和上述词素，句法，语义，情感分析相似的深度学习模型
• 知识可以储备在向量中

NLP应用：机器翻译

• 过去尝试过很多层次的机器翻译方法
• 传统的机器翻译系统是一个非常大的复杂系统
• 可以思考一下在深度学习中中间语（interlingua）对于翻译系统是如何起作用的？
• 深度学习：
• 源句子首先映射为向量，然后在输出的时候进行句子生成
• Sequence to Sequence Learning with Neural Networks by Sutskever et al. 2014
• 方法很新但是可以替换传统非常复杂的机器翻译架构

可以发现所有NLP层次的表示都涉及到向量（Vectors), 下一讲将讲到如何来学习词向量以及这些向量表示了什么？

注：原创文章，转载请注明出处“我爱自然语言处理”：http://www.52nlp.cn

本文链接地址：斯坦福大学深度学习与自然语言处理第一讲：引言