[自然语言处理] LSA与pLSA（1）

1. 引子

Bag-of-Words 模型是NLP和IR领域中的一个基本假设。在这个模型中，一个文档(document)被表示为一组单词(word/term)的无序组合，而忽略了语法或者词序的部分。BOW在传统NLP领域取得了巨大的成功，在计算机视觉领域(Computer Vision)也开始崭露头角，但在实际应用过程中，它却有一些不可避免的缺陷，比如：

1. 稀疏性(Sparseness): 对于大词典，尤其是包括了生僻字的词典，文档稀疏性不可避免；
2. 多义词(Polysem): 一词多义在文档中是常见的现象，BOW模型只统计单词出现的次数，而忽略了他们之间的区别；
3. 同义词(Synonym): 同样的，在不同的文档中，或者在相同的文档中，可以有多个单词表示同一个意思；

从同义词和多义词问题我们可以看到，单词也许不是文档的最基本组成元素，在单词与文档之间还有一层隐含的关系，我们称之为主题(Topic)。我们在写文章时，首先想到的是文章的主题，然后才根据主题选择合适的单词来表达自己的观点。在BOW模型中引入Topic的因素，成为了大家研究的方向，这就是我们要讲的Latent Semantic Analysis (LSA) 和 probabilitistic Latent Semantic Analysis (pLSA)，至于更复杂的LDA和众多其他的Topic Models，以后再详细研究。

2. LSA简介

已知一个文档数据集D={d1,d2,...,dN}及相应的词典W={w1,w2,...,wM}，采用BOW模型假设，我们可以将数据集表示为一个N?W的共生矩阵，N=(n(di,wj))i,j，其中，n(di,wj)表示词典中的第j个单词在第i个文档中出现的次数。

LSA的基本思想就是，将document从稀疏的高维Vocabulary空间映射到一个低维的向量空间，我们称之为隐含语义空间(Latent Semantic Space).

如何得到这个低维空间呢，和PCA采用特征值分解的思想类似，作者采用了奇异值分解(Singular Value Decomposition)的方式来求解Latent Semantic Space。标准的SVD可以写为：

N=UΣVt

其中， U 和 V 均为正交矩阵，有 UtU=VtV=I ， Σ 是包含 N 所有奇异值的对角矩阵。LSA降维的方式就是只取 Σ 中最大的K个奇异值，而其他置为0，得到 Σ 的近似矩阵 Σ? ，于是得到了共生矩阵的近似：

N?=UΣ?Vt

注意到如果我们利用内积来计算文档与文档之间的的相似度，即 N 的自相关矩阵，可以得到： N?N?t=UΣ?2Ut 。于是，我们可以把 UΣ? 解释为文档样本在Latent Space上的坐标，而 Vt 则是两个空间之间的变换矩阵。下图形象的展示了LSA的过程：

由LSA在训练集合上得到的参数，当一个新的文档向量x? test到来时，我们可以利用下式将其原始term space映射到latent space:

x? ?=Σ??1Vtx? test

LSA的优点

1. 低维空间表示可以刻画同义词，同义词会对应着相同或相似的主题；
2. 降维可去除部分噪声，是特征更鲁棒；
3. 充分利用冗余数据；
4. 无监督/完全自动化；
5. 与语言无关；

LSA的不足

1. 没有刻画term出现次数的概率模型；
2. 无法解决多义词的问题；
3. SVD的优化目标基于L-2 norm 或者是 Frobenius Norm的，这相当于隐含了对数据的高斯噪声假设。而term出现的次数是非负的，这明显不符合Gaussian假设，而更接近Multi-nomial分布；
4. 对于count vectors 而言，欧式距离表达是不合适的（重建时会产生负数）；
5. 特征向量的方向没有对应的物理解释；
6. SVD的计算复杂度很高，而且当有新的文档来到时，若要更新模型需重新训练；
7. 维数的选择是ad-hoc的；

3. pLSA

类似于LSA的思想，在pLSA中也引入了一个Latent class，但这次要用概率模型的方式来表达LSA的问题，如下图：

在这个probabilitistic模型中，我们引入一个Latent variable zk∈{z1,z2,...,zK}，这对应着一个潜在的语义层。于是，完整的模型为：p(di)代表文档在数据集中出现的概率；p(wj|zk)代表当确定了语义zk时，相关的term(word)出现的机会分别是多少；p(zk|di) 表示一个文档中语义分布的情况。利用以上这些定义，我们就可以一个生成式模型(generative model)，利用它产生新的数据：

1. 首先根据分布p(di)随机抽样选择一个文档di;
2. 选定文档后，根据p(zk|di)抽样选择文档表达的语义zk；
3. 选定语义后，根据p(wj|zk)选择文档的用词；

这样，我们得到了一个观测对(di,wj)，多次重复这一过程我们就得到了一个类似N的共生矩阵，而潜在的语义zk在观测值中并没有表现出来。为了刻画(di,wj)的联合分布，我们可得到以下公式：

p(di,wj)=p(di)p(wj|di),p(wj|di)=∑Kk=1p(wj|zk)p(zk|di)

用图模型来表示以上公式如Figure3中的(a)，而(b)是pLSA模型的另外一种等价形式，公式可写作：

p(di,wj)=∑Kk=1p(wj|zk)p(zk)p(di|zk)

模型确定好了，已知的数据集N，我们可以利用Maximum Likelihood准则来确定模型的参数，目标函数可写作:

L=∑Ni=1∑Mj=1n(di,wj)logp(di,wj)

=∑Ni=1n(di){logp(di)+∑Mj=1n(di,wj)n(di)log∑Kk=1p(wj|zk)p(zk|di)}

此目标函数也可以解释为使p(wj|di)与n(di,wj)n(di)两个分布之间的K-L Divergence最小，即p(wj|di)更好的刻画共生矩阵的实际分布。