第一次认真看..依然有很多看不懂,写一些当下的学习总结。
参考:
https://blog.csdn.net/itplus/article/details/37998797
基本的网络结构是输入层+投影层+隐藏层+输出层。
主要为:1. 基于ngram和 2. 基于神经网络的语言模型以及在神经网络的语言模型上改进为 3. CBOW和SKIP-gram的语言模型。
基于ngram的语言模型有一个大的前提,就是当前词的出现仅于上一个词或者上两个词(n-1)个词相关,即ngram。于是句子的概率,P(w1,w2,w3..wn)=p(w1)*p(w2|w1)*p(w3|w2)*..p(wn|wn-1)。只要得到了单词的词频,就可以通过词频来计算句子的可能性。
而基于神经网络的方法,主要思路就是对问题建模,找到一个目标函数,并进行优化,不断更新参数,通过最后得到的参数,对新的数据样本直接进行预测。
基于神经网络的语言模型的运算规模为投影层(n-1)*m,隐藏层为n(h),输出层N【其中n为一个词的上下文中包含的词数通常<5,m为词向量的长度,为10-10^2的量级,nh用户指定,通常为10^2量级,N是语料词汇量的大小,通常为10^4-10^5】,运算主要几种在了隐藏层和输出层。
huffman树大致是,在越接近根节点的部分,节点(词汇)出现的频词越高,huffman树是一个二叉树,通过将softmax替换为层级的softmax可以极大地减小输出层的运算量,不再是需要有N(词汇量)大小的计算。
关于词向量,主要有两种框架,CBOW和skipGram,分别为通过上下文预测中心词,和通过中心词预测上下文。与参考文档中3的神经网络的方法,主要就是使用了层级的softmax或者使用负采样的方式进行训练。以CBOW为例,负采样就是认为w(1--k-1)的下一个单词w(k)为正样本,其他词为负样本。关键点是如何进行负采样,这块没看懂。skipGram的负采样没看懂。等以后有机会再看。
github上,手推笔记:https://github.com/mathCrazyy/NLP_task/tree/master/LLP_task4