CS224n笔记1 自然语言处理与深度学习简介

最新推荐文章于 2024-06-18 17:58:03 发布

herosunly

最新推荐文章于 2024-06-18 17:58:03 发布

阅读量1w

点赞数 19

分类专栏：自然语言处理

本文链接：https://blog.csdn.net/herosunly/article/details/102972341

版权

自然语言处理专栏收录该内容

21 篇文章 5 订阅

订阅专栏

本节课结合了旧版的前半部分（NLP的基本概念的内容）以及新版的绝大多数内容。

0. 本节课程计划

NLP的基本概念和人类语言的本质。
什么是深度学习。
课程安排。
为什么NLP难？
NLP的应用。

1. NLP的基本概念

1.1 什么是NLP？

NLP是计算机科学、人工智能、语言学的交叉学科。

它的目标是让计算机理解人类语言，从而完成有意义的任务。例如：

下订单或者买东西
知识问答，如Siri、谷歌助手、微软小冰等

完全理解和表达语言的内涵是极其困难的，完美的语言理解等效于实现完备的人工智能系统。
在这里插入图片描述

1.2 NLP的层次

在这里插入图片描述
语言的输入有两种方式，一种是语音识别，一种是文本(OCR和分词)。接下来是形态学(Morphology)，简单可理解为对英文单词进行形态变换，如act->action。

接下来是语法分析和语义分析。最后是篇章处理，它更加注重于通过上下文进行理解。

本门课主要注重于画圈的三大部分，尤其是后两部分（语法分析和语义分析）。

1.3 自然语言处理应用

在这里插入图片描述

推荐和广告依然是AI在互联网行业落地最早也最为成熟的两个方向。所以将NLP技术利用于这两个方向也是顺其自然的事情。具体来说：

搜索(拼写自动纠正)
在线广告匹配

现如今NLP最火热的两个方向分别是知识图谱和智能客服（聊天机器人）。

1.4 人类语言的特殊之处

在这里插入图片描述
自然语言与信号处理、数据挖掘不同（后两者是处理数据，目的是从一堆随机数据中找出规律），自然语言都是用来传输有意义的信息的。另外，自然语言对应的系统很复杂，但是小孩子也能很快学会说话。人类语言是离散的、明确的符号系统。事实上，我们是用符号系统和别人交流，但这种富有表现力的系统可能会出现微小的差异，比如颜文字，随意的错误拼写“I loooove it”。有了符号以后，我们就可以进行可靠的远距离的传输。所以说语言文字并不仅仅是形式逻辑或传统AI的产物。
在这里插入图片描述
当人们使用语言进行交流，尽管交流的内容包括符号，但都是通过承载在连续的载体中的。一个有趣的现象是，使用不同的载体可以表达完全相同的信息。
哲学、科学、人工智能的主要观点是把语言的符号体系映射到大脑。对于深度学习来说，可以把大脑想象成具有连续激活模式的大脑，上图表示的是，我们使用语言是把连续转换成符号，再转换成连续的过程。

另外巨大的词表（每种语言最少有几万个词汇）也导致数据稀疏，是机器学习要解决的一个重要问题。

2. 如何表示词的含义

在这里插入图片描述
这部分内容不是很好理解，包括了人类的发展史、哲学思想等等，能发明符号表示含义看起来非常容易简单，但是从0到1绝对是智慧的表现。

2.1 如何在计算机中表示含义

在这里插入图片描述
安装NLTK wordnet的方法：

使用pip安装NLTK，代码如下所示(需要注意的是这只是第一步)：

pip install nltk

得到NLTK的存储目录，代码和截图如下所示：

import nltk
print(nltk.data.path)

在这里插入图片描述

下载nltk_data压缩包，链接为https://download.csdn.net/download/herosunly/15683254，并将其解压到上述存储目录中的一个，如/home/anaconda3/nltk_data，则将nltk_data压缩包移动到/home/anaconda3路径(即上述某个路径的上一级路径)下，使用unzip命令进行解压，命令如下图所示：

unzip nltk_data.zip

相同词在不同词性下的同义词

from nltk.corpus import wordnet as wn
poses = { 'n':'noun', 'v':'verb', 's':'adj (s)', 'a':'adj', 'r':'adv'}
for synset in wn.synsets("good"):
    print("{}: {}".format(poses[synset.pos()],
        ", ".join([l.name() for l in synset.lemmas()])))

在这里插入图片描述
词的逐级上位词

from nltk.corpus import wordnet as wn
panda = wn.synset("panda.n.01")
hyper = lambda s: s.hypernyms()
list(panda.closure(hyper))

在这里插入图片描述
使用WordNet存在的一些问题：

2.2 离散化表示

在这里插入图片描述

one-hot表示的问题在于，两个向量是正交的，所以无法计算向量之间的相似度。

2.3 分布式表示

在这里插入图片描述
通过相邻词来表示该词的含义（从小到大的阅读理解中都是使用该方法来判断新词的意思）。

使用分布式表示就可以用稠密的向量来代替系数的向量，并且可以表示词与词之间的相似性。

通过t-SNE将100维向量降维为2维的向量。

2.4 Word2Vec

在这里插入图片描述
大量的文本称为是语料。每个词由向量表示，并且由随机向量进行起始表示。

通过中心词计算背景词的概率

$L(\theta)=\prod \limits_{t=1}^{T}\prod \limits_{-m\leq j \leq m _{j} \atop j \neq 0} P(w_{t+j}|w_t;\theta)$
$J(\theta)=-\frac{1}{T} \sum \limits _{t=1} ^{T} \sum \limits _{-m \leq j \leq m \atop {j \neq 0}} log P(w_{t+j}|w_t;\theta)$
在这里插入图片描述
每个词都有两个对应的向量，即作为中心词 $v_w$ 和背景词的向量 $u_w$ 。基于中心词去预测背景词的概率如下所示：
$P(o|c)=\frac{P(o, c)}{P(c)}=\frac{exp(u_o^Tv_c)}{\sum_{w \in v} exp(u_w^Tv_c)}$

$P (o ∣ c)$ 的表达式很类似于常用的softmax函数。其中max指的是会放大最大的 $x_i$ ，soft区别于hard，再小的 $x_i$ 也会有一定的概率（只是比较小）。
在这里插入图片描述

接下来我们对 $P (o ∣ c)$ 求偏导。
$J(\theta)=-\frac{1}{T}\sum \limits _{t=1} ^T \sum \limits _{-m \leq j \leq m \atop j \neq 0}{log P(w_{t+j}|w_t)}$
$\frac{exp(u_o^Tv_c)}{\sum _{w \in V}exp(u_w^Tv_c)}$
$\frac{\partial{J(\theta)}}{\partial v_c}=-\frac{1}{T}\sum \limits _{t=1} ^T \sum \limits _{-m \leq j \leq m \atop j \neq 0} log \frac{exp(u_o^Tv_c)}{\sum _{w \in V}exp(u_w^Tv_c)}$

为了简单起见，只计算求和部分的导数，先忽略求和符号。
由于后面会用到标量对向量的求导 $\frac{\partial{u_o^Tv_c}}{\partial v_c}=u_o$ ，所以先说明一下。这个公式涉及到转置，有可能会让人有些疑惑，那该如何去思考这个问题呢？最简单的方法就是进行拆解，并且偏导的结果应该是和 $v_c$ 的形状一样（列向量）：
$u_o^Tv_c=u_1*v_1+u_2*v_2+\dots$ $\frac{\partial u_o^Tv_c}{\partial v_c}=(u_1,u_2,\dots)^T=u_o$

$\frac{\partial {log \sum \limits _{w=1} ^v} exp(u_w^T v_c)}{\partial{v_c}}=\frac{1}{\sum \limits _{w=1} ^v exp(u_w^Tv_c)} \sum \limits _{x=1} ^{v} exp(u_x^Tv_c) *u_x = \sum \limits _{x=1}^{v} \frac{u_x*exp(u_x^Tv_c)}{\sum \limits _{w=1} ^v exp(u_w^Tv_c)}=$
$\frac{\partial logP(o|c)}{\partial v_c}=u_o-\sum \limits _{w=1} ^vu_x*P(x|c)$

后续代码地址为：http://web.stanford.edu/class/cs224n/materials/Gensim.zip，其中glove语言模型对应下载地址为https://nlp.stanford.edu/data/glove.6B.zip。

3. 代码

Gensim word vector visualization of various word vectors

import numpy as np

# Get the interactive Tools for Matplotlib
%matplotlib notebook
import matplotlib.pyplot as plt
plt.style.use('ggplot')

from sklearn.decomposition import PCA

from gensim.test.utils import datapath, get_tmpfile
from gensim.models import KeyedVectors
from gensim.scripts.glove2word2vec import glove2word2vec

glove_file = datapath('/home/ly/code/cs224n/glove.6B.100d.txt')
word2vec_glove_file = get_tmpfile("/home/ly/code/cs224n/glove.6B.100d.word2vec.txt")
glove2word2vec(glove_file, word2vec_glove_file)

model = KeyedVectors.load_word2vec_format(word2vec_glove_file)

model.most_similar('obama')

在这里插入图片描述

model.most_similar('banana')

在这里插入图片描述

model.most_similar(negative='banana')

在这里插入图片描述

result = model.most_similar(positive=['woman', 'king'], negative=['man'])
print("{}: {:.4f}".format(*result[0]))

在这里插入图片描述

def analogy(x1, x2, y1):
    result = model.most_similar(positive=[y1, x2], negative=[x1])
    return result[0][0]

在这里插入图片描述

def display_pca_scatterplot(model, words=None, sample=0):
    if words == None:
        if sample > 0:
            words = np.random.choice(list(model.vocab.keys()), sample)
        else:
            words = [ word for word in model.vocab ]
        
    word_vectors = np.array([model[w] for w in words])

    twodim = PCA().fit_transform(word_vectors)[:,:2]
    
    plt.figure(figsize=(6,6))
    plt.scatter(twodim[:,0], twodim[:,1], edgecolors='k', c='r')
    for word, (x,y) in zip(words, twodim):
        plt.text(x+0.05, y+0.05, word)

display_pca_scatterplot(model, 
                        ['coffee', 'tea', 'beer', 'wine', 'brandy', 'rum', 'champagne', 'water',
                         'spaghetti', 'borscht', 'hamburger', 'pizza', 'falafel', 'sushi', 'meatballs',
                         'dog', 'horse', 'cat', 'monkey', 'parrot', 'koala', 'lizard',
                         'frog', 'toad', 'monkey', 'ape', 'kangaroo', 'wombat', 'wolf',
                         'france', 'germany', 'hungary', 'luxembourg', 'australia', 'fiji', 'china',
                         'homework', 'assignment', 'problem', 'exam', 'test', 'class',
                         'school', 'college', 'university', 'institute'])

在这里插入图片描述

display_pca_scatterplot(model, sample=300)

在这里插入图片描述

herosunly

关注

19
点赞
踩
11

收藏

觉得还不错? 一键收藏
打赏
2
评论
CS224n笔记1 自然语言处理与深度学习简介

0. 本节课程计划NLP的基本概念和人类语言的本质。什么是深度学习。课程安排。为什么NLP难？NLP的应用。1. NLP的基本概念1.1 什么是NLP？ NLP是计算机科学、人工智能、语言学的交叉学科。它的目标是让计算机理解人类语言，从而完成有意义的任务。例如：下订单或者买东西知识问答，如Siri、谷歌助手、微软小冰等完全理解和表达语言的内涵是极其困难的...
复制链接

扫一扫