自然语言生成之n-gram

自然语言生成之n-gram

n-gram简介

n-gram 是指的一段文本中 n 个连续词组成的片段。举例来说，在文本 a cute cat 中，1-gram 有 a, cute, cat 三个；2-gram 有 a cute, cute cat 两个；3-gram 只有 a cute cat 一个。n-gram 模型是本文要介绍的一种语言模型。另外一个用到 n-gram 的场景是 BLEU 等指标的计算。

基本思路

n-gram 是一种基于统计的语言模型（自回归式的预测句子的下一个单词），它先统计语料库中的词出现的条件概率，通过寻找当前给定词组的最大概率的下一单词来实现文本生成。符号化的表示为：
$$nextword=\underset{w\in V}{\max }P(w|prevword)$$
其中，$V$ 是词表，$prevword$ 和 $nextword$ 分别是当前文本和要预测的下一个单词。n-gram 的做法就是找到语料库中最有可能跟在 $prevword$ 之后的 $nextword$ 。

比如通过《全唐诗》语料库训练一个 n-gram 模型，然后给出 $举头望明月，低头思故$ 这样一个文本，让模型预测下一个单词。模型会发现 $举头望明月，低头思故$ 这段文本只在 $举头望明月，低头思故乡$ 中出现过一次，即在它统计的概率中， $P(乡|举头望明月，低头思故)=100\%$ ，那么就可以确定下一个单词为 “乡”。也就是说， n-gram 预测的下一个单词是：在语料库中，最有可能与当前给定文本相连的单词。

示例

考虑下面一个示例：

词表 V = { 青椒，土豆，炒，肉片，牛肉，肉末，豆角 } V=\{青椒，土豆，炒，肉片，牛肉，肉末，豆角\} V={青椒，土豆，炒，肉片，牛肉，肉末，豆角}

语料库如下：

	词1	词2	词3
句1	青椒	炒	肉片
句2	青椒	炒	牛肉
句3	青椒	炒	肉片
句4	茄子	炒	肉末
句5	茄子	炒	豆角

如果使用 $n=3$ 的 n-gram 模型，即 tri-gram。要生成以 $青椒炒$ 这段文本为条件生成下一个单词。根据语料库，有：
$$\begin{gathered} P(肉片|青椒炒)=2/3 \\ P(牛肉|青椒炒)=1/3 \\ P(豆角|青椒炒)=0 \end{gathered}$$
取最大概率，模型会生成 $青椒炒肉片$。

如果使用 $n=2$ 的 n-gram 模型，即 tri-gram。要生成以 $青椒$ 这段文本为条件生成下一个单词。根据语料库，有：
$$\begin{gathered} P(炒|青椒)=1 \\ P(豆角|炒)=P(肉末|炒)=P(牛肉|炒)=1/5 \\ P(肉片|炒)=2/5 \end{gathered}$$
取最大概率，模型会生成 $青椒炒肉片$ 。

然后，实际上在我们使用语言模型进行文本生成时，并不一定会取每步的最大概率。也就是说，模型也有可能生成 $青椒炒豆角$、 $青椒炒肉末$ 这样的文本。这些文本在语料库中是从来没有出现过的，这表明 n-gram 虽然是简单的基于统计的语言模型，但也具备一定的创造力。

步骤总结

总结起来，n-gram 方法有三个步骤：

1. 往前看 n-1 个词
2. 基于前 n-1个词，计算下一个词的概率分布
3. 从对应的分布中采样出一个词

采样方式

之前我们提到，在 n-gram 进行最后一采样时，不一定会直接选每一步概率最大的词，现在介绍 n-gram 采样的几种方式。

1. 贪婪，即直接取每步最大概率的词
   • 优点是保证每个词组都是合理，缺点是缺乏多样性
2. 取 Top-K 概率的词，然后随机或按某种策略选词
   • 扩充了多样性
3. beam search，每步取 Top-K 概率的词，然后搜索出总体联合概率最大的文本

关于 beam search，考虑实际生活中的这样一种场景：在写作文时，我们写了一个非常好的开头，但是写到后面发现就写不下去了，无法支撑起这个优秀的开头。此时我们有些后悔，如果开头写一个普通一些的开头，那么后面整体行文或许会更好驾驭，最终写出的全文或许会比现在这种情况更好。

同理，在文本生成时，如果每一步都选择概率最大的词，最终生成的文本并不一定就是全局最优的。beam search 的想法就是在文本生成中保留最多的可能性，每一步取 Top-K 优的词，直到最后一步，在所有可能的结果中搜索出一个全局最优的文本，作为输出结果。举例来说，如果我们设置 K=2，那么每一步会得到两个可能的单词，整个文本一共需要生成两个单词，即需采样两步，这样到最后一共会得到 2x2=4 种可能的结果，我们在这四种结果中选取最优的作为输出。此时模型的最终输出的第一个单词就不一定是第一步的最优解，也有可能是第一步的次优解，与第二个单词组合出了更好的整体解。这使得模型有更全局、更长远的眼光。

关于 Top-K 中 K 值的权衡，毫无疑问当 K 取到最大（即词表 $V$ 的大小）时，搜索空间最大，一定能找到全局最优解，但通常这种情况下的时空复杂度是无法接受的；当 K 取为 1 时，则相当于贪婪的方式，每步直接取概率最大者，没有搜索空间。

特点

n-gram 的特点如下

1. 训练速度快，无训练参数
   • 作为一个基于统计的模型，n-gram 只需要将语料库整体扫描一遍，训练就完成了，且不需要任何训练参数，就可以直接进行文本生成。
2. 具备一定的多样性
3. 非常依赖于训练语料
   • 如果某种组合在语料库中完全没有出现过，那么 n-gram 是无论如何不可能给出这种输出的。
4. 关于 n-gram 中 n 的设置
   • n 较小时：n 越小，生成文本的灵活性、多样性就越高（如青椒炒豆角的例子）；但是窗口过小，有时跨几个词语去看，发现生成结果会不够连贯
   • n 较大时：n 较大，整个结果的连贯性会比较有保证；但是会造成整个概率分布表非常稀疏，更容易出现某种组合在语料库中完全没有出现过的情况，并且多样性也会受限
   • 通常 n = 2, 3 , 4
5. 显然，n-gram 模型能够 work 一个假设就是文本是有一定的马尔可夫的性质的，即当前单词只与之前一两个单词有关，与更远的单词基本无关。这在生成文本较短的情况下通常是成立的，但是当生成文本过长，经常会出现前后逻辑无关，前言不搭后语的情况。即长文本中长距离依赖的问题，这是 NLP 领域比较经典的问题，有许多处理的方法。

Ref

• 自然语言生成（一）N-Gram