NLP——李宏毅课程笔记

课程主页：Hung-yi Lee (ntu.edu.tw)

 任务类型：

1、Speech Recognition

2、Text-to-Speech Synthesis

3、Speech Separation

4、Speaker Recognition

 5、多种任务类型情况（NLP Tasks）：

1、语音识别（Speech Recognition）

token

        token是在模型输出时选择的如何处理文本或语言的最小单位

1、Phoneme：

发音的基本单位，和语音关系较大（eg音标，需要语音学家进行提取和转换）

之后将Phoneme再转成对应的文字（eg ）

2、Grapheme：

书写的基本单位，比较容易

英文：26个英文字母+空格+标点符号

中文：大约4000个字

3、Word token：

对于某些语言来说，其词汇数量巨大，且没有空格区分

4、Morpheme：

最小的意思单元，长度小于word，大于grapheme。由语言学家提取or统计大量重复出现部分

5、Bytes：

输出编码，例如 UTF-8

声学特征（Acoustic Feature）：

1、帧向量

分帧：

每25ms作为一帧（frame），要是频率为16KHz的话，有400个采样点，即400维的向量。

转换：

使用滤波器（filter bank）转换为80维，使用MFCC转换为39维。

加窗：

右移10ms，获得下一个窗口，抽出下一帧，即1s声音讯号可以获得100帧，即100个400/39/80维的向量。

声波经过 离散傅立叶变换 得到 声谱图 经过 滤波器组 取对数经过 离散余弦变换 获得 Mel频率倒谱系数。

不同音频处理方式在论文中的使用占比：

 重要论文（seq-seq）

 • Listen, Attend, and Spell (LAS)

• Connectionist Temporal Classification (CTC)

• RNN Transducer (RNN-T)

• Neural Transducer

• Monotonic Chunkwise Attention (MoChA)

Hidden Markov Model(HMM)：

概念：输入通过一个隐藏的马尔科夫链随机生成不可观测的状态随机序列，再由一个状态生成一个观测，从而产生观测随机序列的过程，在这个过程中，需要一个状态转移概率矩阵A，一个观测概率矩阵B，一个初始状态概率向量α。

States s：比phoneme还小的发音单位

 将根据sequence Y产生X的概率计算转化为根据States产生X的概率

Transition Probability：从一个state转到另一个state的概率

Emission Probability：给一个state，产生vector的概率

 Subspace GMM：所有的state共用同一个GMM

5、NLP Tasks

 前处理方法：

1、Part-of-Speech (POS) Tagging

        用词性注释句子中的每个单词（例如动词、形容词、名词）

 2、Word Segmentation

        分割单词

3、Parsing

 4、Coreference Resolution（指代消除）

        输入一段文本，让模型判断文中意思相同的内容

 5、Summarization

        Extractive summarization

            输入一些句子，让model选择其中的一些作为摘要

        Abstractive summarization

                输入一段文本，让model自己概括一段简短的文字作为摘要

 具体应用：

1、Machine Translation

        翻译任务

2、Grammar Error Correction

        文法识别

3、Sentiment Classification

        情感判断/正向负向判断

4、Stance Detection

        输入文本，从Support, Denying, Querying, Commenting (SDQC)四类中给出判断

5、Veracity Prediction

        文本内容真实性判断

 6、Natural Language Inference (NLI)

        通过输入的premise，推断hypothesis

 7、Search Engine

        搜索引擎

8、Question Answering (QA)

        问答机器人

传统问答系统：

 基于深度学习的问答系统：

 简洁版：（Extractive QA）将概括后的答案作为回答输入，而不是在大量文本中自己识别有用的回答

9、Chattin

        聊天机器人

10、Task-oriented 

        任务导向的对话机器人

分模块实现：

Natural Language Understanding(NLU)  --> State Tracker --> Policy --> Natural Language Generation (NLG)

State Tracker：摘要，将不重要的内容过滤掉，只保留重要信息得到一个State

Policy：根据输入的State来决定action

 11、Knowledge Graph

        Model读入文本后，理解出Entity之间的Graph，简单理解的话，可以分为下面两步

        1、Name Entity Recognition (NER)：抽取出entity

        2、Relation Extraction：得到entity的graph

6、Non-Autoregressive Sequence Generation

传统自回归模型会有多个stage，通过上一个timestep输入生成下一步隐向量。实现的模型主要为RNN，transformer的Decoder。这样的模型存在的问题是速度很慢。非自回归模型则是直接生成输出。但是这样有两个问题：1、output没有相互依赖的structure。2、没有latent variable。

在input有多种output情况中的multi-modality problem

在图像生成中，可以通过添加GAN学习整体输入的structure dependen解决，但由于文本是离散结构，用GAN没有较好的效果。

Vanilla NAT(Non-Autoregressive Translation):

        翻译任务中第一篇使用非自回归的model

Fertility

添加一个额外的aligner，给出两种语言中词汇的映射。

Sequence-level knowledge distillation

设计一个teacher-student net，Teacher: Autoregressive model, Student: Non-autoregressive model

teacher net 负责对输入进行筛选，

7、Bert

Contextualized Word Embedding:

        让模型看到一段文本后再给出每个token的embedding

让模型变小的技术：

        • Network Pruning 网络剪枝
        • Knowledge Distillation 知识蒸馏
        • Parameter Quantization 参数量化
        • Architecture Design 结构设计

Fine tune

How to Pre-train