语言模型-神经网络模型（二）

神经网络模型

释义：
与ngram模型相似使用，前n个词预测下一个词，输出在字表上的概率分布；过程中得到了词向量这一副产品

神经网络语言模型开篇作

神经网络的分类

自回归语言模型：

用前n个字预测下一个字
单向，从左向右预测，或反向使用
有利于生成式任务

自编码语言模型：

用整段文本，预测文本中的某一个字（完形填空）
双向，更好的利用文本信息
引入了[mask]，在fine-tune中不出现

神经网络模型和Ngram对比

优点：
1.对于输入长度的要求更低，更能适用；因为Ngram的参数和长度有非常大的关系，多一个字就会新增相当的参数；而神经网络模型不会
2.神经网络模型能够计算词之间的相似性，而Ngram则不行，无法识别词之间的相似性
3.神经网络模型自带平滑，即使是未出现的组合和词，计算的概率也不会为零

缺点：
1.在运算的效率上，ngram比神经网络模型要高很多；ngram计算时，只需要遍历找到概率值计算即可；神经网络模型对于每一个词都需要计算一次。

应用一-话者分离

释义： 根据说话内容判断说话人，常用于语言识别系统中，判断录音对话中角色，如客服对话录音，判断坐席或客户；本质上为文本分类任务。

步骤

1.对于每个类别，使用类别语料训练语言模型
2.对于一个新输入的文本，用所有语言模型计算成句概率
3.选取概率最高的类别为预测类别

对比优劣

相比一般文本分类模型，如贝叶斯，rf，神经网络等
优势：
1.每个类别模型互相独立，样本不均衡或样本有错误对其他模型没有影响
2.可以随时增加新的类别，而不影响旧的类别的效果

劣势：
1.效果上讲：一般不会有显著优势
2.效率上讲：一般会低于统一的分类模型

应用二-数字归一化

释义： 将一个文本中的数字部分转化成对读者友好的样式，常见于语言识别系统后，展示文本时使用。

下面举例：

1.秦皇岛港煤炭库存量在十一月初突然激增，从四百五十四点九万吨增加到七百七十三点四万吨，打破了一九九九年以来的记录
2.十一届三中全会、“十二五”规划、一贫如洗、二龙戏珠
解释： 由上面的例子，我们知道有些汉语数字是适合转阿拉伯数字的，有的情况不适合，我们需要用语言模型，去判断或者计算使用那种数字的概率高

步骤：

1. 找到数字形式符合规范的文本作为原始语料
2. 用正则表达式找到数字部分（任意形式）
3. 将数字部分依照其格式替换为<阿拉伯数字><汉字数字><汉字连读>等token
4. 使用带token文本训练语言模型
5. 对于新输入的文本，同样使用正则表达式找到数字部分，之后分别带入各个token，使用语言模型计算概率
6. 选取概率最高的token最为最终数字格式，按照规则转化后填入原文本

示例

中国共产党第十五次全国代表大会于一九九七年九月十二日召开，各地方代表一一发言
中国共产党第<汉字数字>次全国代表大会于<阿拉伯数字>年<阿拉伯数字>月<阿拉伯数字>日召开，各地方代表<汉字连续>发言

训练时，将当成一个字训练语言模型
预测时，中国共产党第十五次全国代表 <- 原句
中国共产党第<汉字数字>次全国代表
中国共产党第<阿拉伯数字>次全国代表 语言模型判断最高概率
中国共产党第<汉字连续>次全国代表
若需要转化格式则通过规则完成，模型只起到判断作用

应用三-文本打标

释义： 给文本添加标点或语气停顿等，可以理解为一种粗粒度的分词，常用于语音合成任务中，辅助做出发音的停顿。语言模型都能够实现。

示例：

我最近抽了点时间读了一本关于马尔可夫生平的书
停顿： 我最近 抽了点时间 读了一本 关于 马尔可夫生平 的书
标点： 我最近抽了点时间，读了一本关于马尔可夫生平的书。

实现逻辑：

1. 需要有标注数据，在停顿处添加token:
   如：

2. 我最近 < s > 抽了点时间 < s > 读了一本 < s > 关于 < s > 马尔可夫生平 < s > 的书
   3.带token训练语言模型

4.预测过程：
选定一个窗口长度，首先预测第一次停顿位置
我< s >最近抽了点时间 ppl:10
我最< s >近抽了点时间 ppl:20
我最近< s >抽了点时间 ppl:5 <- 选择此处作为第一次停顿
….
之后从“抽了点时间”开始向后重复此过程;就可以获得分好的句子。

总结：
本质为序列标注任务；可以依照类似方式，处理分词、文本加标点、文本段落切分等任务；分词或切分段落只需要一种token；打标点时，可以用多种分隔token，代表不同标点