【自然语言处理】（1） --语言转换方法

语言转换方法

在自然语言处理中，语言转换方法由两个模型：

1. 统计语言模型
2. 神经语言模型

一、统计语言模型

在自然语言处理（NLP, Natural Language Processing）中，统计语言模型（Statistical Language Model, SM）是一种基于统计学的方法，用于描述和预测自然语言文本中的词汇或句子出现的概率。这种方法通过分析大量文本数据，学习词汇和句子的概率分布，从而能够预测给定上下文的下一个词或子词。

1. 词向量转换

具体体现在机器学习中的词向量转换方法：

from sklearn.feature_extraction.text import CountVectorizertexts = ['dog cat fish','dog cat cat','fish bird','bird']
cont = []
cv = CountVectorizer(ngram_range=(1,3)) # 表示文本中连续出现的n个词，有哪些连续组合。
cv_fit = cv.fit_transform(texts) # 表示每个字符串中，是否有cv中的词，有标记为1，反之为。print(cv.get_feature_names_out())
print(cv_fit.toarray()) #参数

输出结果：

['bird' 'cat' 'cat cat' 'cat fish' 'dog' 'dog cat' 'dog cat cat''dog cat fish' 'fish' 'fish bird']
[[0 1 0 1 1 1 0 1 1 0][0 2 1 0 1 1 1 0 0 0][1 0 0 0 0 0 0 0 1 1][1 0 0 0 0 0 0 0 0 0]]

接着将词向量传进贝叶斯模型，计算概率，用以预测给定上下文的下一个词或子词。

2. 统计模型问题

1. 由于参数空间的爆炸式增长，它无法处理【N（ngram_range）>3】的数据:

以上方的词向量转换方法为例，我们发现，若是我们的文本数量很多时，同时连续词的组合没有上限时，它的参数空间会很大很大，模型没有能力再处理了。

2. 没有考虑词与词之间内在的联系性。

例如，考虑"the cat is walking in the bedroom"这句话。如果我们在训练语料中看到了很多类似“the dog is walking in the bedroom”或是“the cat is running in the bedroom”这样的句子；那么，哪怕我们此前没有见过这句话"the cat is walking in the bedroom"，也可以从“cat”和“dog”（“walking”和“running”）之间的相似性，推测出这句话的概率。

于是为了解决这些问题，我们提出了神经语言模型。

二、神经语言模型

1. 词向量化

在处理自然语言时，通常将词语或者字做向量化，例如one-hot编码，例如我们有一句话为：“我爱北京天安门”，我们分词后对其进行one-hot编码，结果可以是：

2. 维度灾难

如果需要对语料库中的每个字进行one-hot编码如何实现？

1. 统计语料库中所有的词的个数，例如4960个词。
2. 按顺序依次给每个词进行one-hot编码，例如第1个词为：[0,0,0,0,0,0,0,….,1]，最后1个词为： [1,0,0,0,0,0,0,….,0]

这时，假使还是有句话“我爱北京天安门”，他们的编码就会变成：

如此编码的话，它的编码维度会非常的高，矩阵为非常稀疏，出现维度灾难。训练时维度堆积，随着维度的增加，计算复杂度也显著增加。

维度灾难（Curse of Dimensionality）是一个在数据分析、机器学习和统计学中广泛讨论的概念。它描述的是当数据集的维度（即特征或变量的数量）增加时，数据分析和模型的复杂性急剧上升，导致一系列问题和挑战。

3. 解决维度灾难

• 通过神经网络训练，将每个词都映射到一个较短的词向量上来。将高维映射到低维。

比如一个西瓜，它包含的特征有：可以吃的、圆的、绿色的、红色果肉等等；

再比如一个篮球，他办函的特征有：不能吃、圆的、褐色的、运动等等；

我们将它们的特征（假设300个），300个特征是可以能够描述出一个物体的，都放进神经网络训练，经过归一化的处理，维度中的数字就变成浮点数了。我们用这些浮点数来代表该物体，将维度变为300。

具体再比如之前的“我爱北京天安门”，放进神经网络模型训练后数据为：

与之前的维度对比，从4960到300，大大减小了特征维度，从而解决唯独灾难问题。

4. embedding词嵌入

Embedding（嵌入）是一种将高维空间中的对象（如单词、短语、句子等）映射到低维、稠密、连续的向量空间中的技术。在NLP中，Word Embedding（词嵌入）是最常见的嵌入类型，它将词汇表中的每个单词映射到一个固定大小的向量。

词嵌入通过训练神经网络模型（如Word2Vec、GloVe、FastText等）在大量文本数据上学习得到每个单词的向量表示。这些向量能够捕捉单词之间的语义关系，使得在向量空间中相似的单词（如“猫”和“狗”）具有相近的表示，而不相关的单词则具有较远的距离。

tText等）在大量文本数据上学习得到每个单词的向量表示。这些向量能够捕捉单词之间的语义关系，使得在向量空间中相似的单词（如“猫”和“狗”）具有相近的表示，而不相关的单词则具有较远的距离。

5. Word2Vec技术

Word2Vec是一种用于自然语言处理（NLP）的技术，特别是在将词汇或短语从词汇表映射到向量的实数空间方面表现出色。这种映射使得相似的词在向量空间中具有较近的距离，从而捕捉到了词汇之间的语义和句法关系。Word2Vec技术是由Google的研究人员Tomas Mikolov等人在2013年提出的，它主要包括两种训练模型：连续词袋模型（CBOW）和跳字模型（Skip-gram）。

5.1 连续词袋模型（CBOW）

• 模型结构：

• 模型训练过程：

1. 当前词的上下文词语的one-hot编码输入到输入层。
2. 这些词分别乘以同一个矩阵WVN后分别得到各自的1N 向量。
3. 将多个这些1 * N 向量取平均为一个1 * N 向量。
4. 将这个1 * N 向量乘矩阵 W’V * N ,变成一个1 * V 向量。
5. 将1 * V 向量softmax归一化后输出取每个词的概率向量1 * V。
6. 将概率值最大的数对应的词作为预测词。
7. 将预测的结果1 * V 向量和真实标签1 * V 向量（真实标签中的V个值中有一个是1，其他是0）计算误差。
8. 在每次前向传播之后反向传播误差，不断调整 WV * N和 W’V * N矩阵的值。

那么，低维度的词是在哪里体现的呢？

假定语料库中一共有4960个词，则词编码为4960个01组合现在压缩为300维：

如此，便将它特征压缩了，从而将词汇或短语从词汇表映射到向量的实数空间。

5.2 跳字模型（Skip-gram）

Skip-gram模型的核心思想是从一个给定的中心单词出发，预测它周围的上下文单词。

• 模型结构：

• 训练过程：

1. 数据预处理：将原始文本转换为序列数据，其中每个词用其对应的整数索引代替。
2. 生成训练样本：通过滑动窗口在文本数据上滑动，每次滑动都会生成一个训练样本，包括一个中心词和一系列上下文单词。假设给定一个窗口大小为k，对于每个中心词，可以将其前后各k个词作为上下文。
3. 前向传播：在每次训练中，Skip-gram模型计算中心词的词向量与隐藏层权重的乘积，得到隐藏层的输出。然后，将隐藏层的输出与输出层的权重矩阵相乘，再通过softmax函数，得到与上下文词对应的概率分布，即预测结果。
4. 损失函数与优化：模型的优化目标是最大化预测结果的概率。训练过程中，Skip-gram模型通过反向传播和梯度下降算法来更新词向量和神经网络的参数。在每次迭代更新中，通过最小化损失函数来优化模型的参数。常用的损失函数包括交叉熵（cross-entropy）和负对数似然（negative log-likelihood）。这些损失函数用于比较预测结果与实际输出之间的差异，将差异通过梯度下降反向传播到网络的所有层，以优化各个参数。

• 应用：

Skip-gram模型生成的词向量在自然语言处理任务中有着广泛的应用，如词义相似度计算、情感分析、文本分类、命名实体识别等。通过将单词表示为连续的向量空间中的点，Skip-gram模型为这些任务提供了一个更加有效和灵活的输入表示方式。

总结

本篇介绍了自然语言处理中，语言转换方法的两个模型：

1. 统计语言模型：用于描述和预测自然语言文本中的词汇或句子出现的概率，但是没办法考虑词与词之间内在的联系且参数空间会出现爆炸式增长的问题。
2. 神经语言模型：通过神经网络训练，将每个词都映射到一个较短的词向量上来。将高维映射到低维。通过embedding词嵌入技术捕捉词句之间的语义。
3. embedding词嵌入技术，有两个模型连续词袋模型（CBOW）和跳字模型（Skip-gram），用来捕捉到了词汇之间的语义和句法关系。