人工智能基礎(chǔ) 課件 6.1~6.10 自然語言處理

自然語言處理學習目標—6.1—知識目標了解自然語言處理的含義理解自然語言數(shù)字化的基本方法了解神經(jīng)網(wǎng)絡在自然語言處理中的作用項目引導—6.2—6.2.1問題引導假設(shè)有一句話：“小明和同學們經(jīng)常乘地鐵去動物園觀看動物，去植物園觀賞植物。”你可以如何將這句話轉(zhuǎn)變?yōu)閿?shù)字，以方便計算機處理呢？地圖可以將一個地名轉(zhuǎn)變?yōu)閷慕?jīng)緯度數(shù)字表示，我們可以用類似方法建立一個語言地圖，實現(xiàn)我們?nèi)粘ＵZ言轉(zhuǎn)換為語言地圖上的坐標嗎？這樣是不是就可以實現(xiàn)語言到數(shù)字的轉(zhuǎn)變了呢？6.2.2初步分析假設(shè)每個詞都可以在地圖上找到對應的位置，你如何將每個詞數(shù)字化呢？這些數(shù)字化后的詞可以比較詞義關(guān)系嗎？想一想知識準備—6.3—自然語言處理能實現(xiàn)人與計算機之間用自然語言進行有效通信，是一門融語言學、計算機科學、數(shù)學于一體的科學。它包括很多的內(nèi)容，如語義分析、信息抽取、機器翻譯等。其主要難點有單詞之間的分界的確定、詞義的消歧、句法的模糊性和有瑕疵的或不規(guī)范的輸入等。6.3.1自然語言處理是什么一個解決方法就是詞嵌入，即將詞映射到一個向量空間，也就是將詞嵌入另一個便于計算的空間。6.3.2機器如何理解自然語言6.3.3一個數(shù)字代表一個詞（獨熱編碼）

設(shè)想最簡單的詞嵌入表達方法，我們用自然數(shù)對應各個詞。例如，要把英文數(shù)字化，假設(shè)從“a”到“zoom”有100個詞，如圖所示，就用1代表“a”，2代表“abbreviation”，一直到100代表“zoom”。在計算機中，為了使用方便，會將這些數(shù)字以另外一種形式存儲。例如，在上面的英文數(shù)字化例子中，設(shè)計一個長度為100的由0或者1組成的數(shù)字串（向量），此數(shù)字串（向量）只有一個位置為1，其他99個位置全是0。若將1看作“熱”，0看作“冷”，則這個向量只有一個位置“熱”，所以叫作獨熱編碼。6.3.3一個數(shù)字代表一個詞（獨熱編碼）“a”用1表示，獨熱編碼后就是只有第一個位置為1；“abbreviation”用2表示，獨熱編碼后就是第2個位置為1；“zoom”用100表示，獨熱編碼后就是第100個位置為1。6.3.3一個數(shù)字代表一個詞（獨熱編碼）此模型可以分辨詞與詞之間的關(guān)系嗎?想一想設(shè)想有一個小動物園，有三種動物：獅子、老虎、斑馬，如果采用獨熱編碼，這三種動物就可以分別編碼為（0,0,1），（0,1,0）和（1,0,0）這樣的向量。這三個向量如果放在一個三維空間中，就是如圖所示的樣子。

6.3.3一個數(shù)字代表一個詞（獨熱編碼）憑我們對動物的了解，獅子和老虎都是食肉動物，關(guān)系應該比跟斑馬要近吧，但是從圖中，我們看不出誰跟誰關(guān)系更近。這說明目前的獨熱編碼無法解決詞義關(guān)聯(lián)的問題，我們需要某種方法，能告訴我們一個詞和另一個詞的關(guān)系有多遠或者多近。6.3.3一個數(shù)字代表一個詞（獨熱編碼）6.3.4詞袋模型要解決詞與詞之間的關(guān)系問題并不是很容易，如果只比較一段文本和另一段文本的關(guān)系呢？人們想出了另外一個簡單的方法，詞袋（BagofWords，BoW）模型。深入分析—6.4—神經(jīng)網(wǎng)絡語言模型（NeuralNetworkLanguageModel，NNLM）它可以采用Word2Vec等詞嵌入方法，很好地捕獲每個詞的意義。這些方法相對之前的方法很好地表達了自然語言。6.4.1神經(jīng)網(wǎng)絡語言模型雖然Word2Vec等方法看起來十分優(yōu)秀，但是在實際工作中并沒有表現(xiàn)得十分出色。這是為什么呢？主要就是一詞多義的問題。6.4.2一詞多義如圖沿著這個思路，我們可以得到ELMo，即EmbeddingfromLanguageModels。ELMo可以在實際使用中根據(jù)上下文動態(tài)調(diào)整詞的向量表示（即語義）。6.4.2一詞多義ELMo使用LSTM提取特征，那么什么是提取特征？LSTM又是什么呢？語言數(shù)字化為向量之后怎么用呢？所有向量作為特征輸入某個模型嗎？特征提取就像在圖像識別中，我們很難將成千上萬的向量輸入模型中直接運算，而是想要提取出特征，然后將這些特征作為后面模型的輸入。RNN特征提取ConvolutionalNeuralNetworks，CNN特征提取每一個輸出不僅與當前輸入有關(guān)，還和前面的輸出有關(guān)。長短期記憶網(wǎng)絡LSTM一種特殊的RNN網(wǎng)絡，長短期記憶網(wǎng)絡(LongShortTermMemorynetworks，LSTM)不僅僅能記住附近有什么詞，還能夠記住較遠的詞,但是長句不理想，并行計算也不好Transformer它是谷歌在2017年做機器翻譯任務的“Attentionisallyouneed”論文中提出的。其中使用了Attention，即注意力機制。這就解決了LSTM的處理長句方面不太理想和并行計算能力有限這兩個問題。2018年出現(xiàn)的BERT（BidirectionalEncoderRepresentationsfromTransformers）即在ELMo和Transformer基礎(chǔ)上，進一步提高了自然語言處理（NLP）在各個任務中的表現(xiàn)。本章小結(jié)—6.5—本章介紹了不使用神經(jīng)網(wǎng)絡的傳統(tǒng)的方法進行自然語言處理。重點是理解自然語言處理的數(shù)字化方法，了解神經(jīng)網(wǎng)絡語言模型的意義。通過使用“橙現(xiàn)智能”軟件，讀者可以完成語句的分詞等基本任務，并理解在分詞基礎(chǔ)上可以進行更深入的分