【总结】自然语言处理(NLP)算法:概述与分类
摘要:NLP概述。主要参考自然语言处理(NLP)知识结构总结和知乎上的一些问答。
目录
- NLP界神级人物
- NLP知识结构
- 1.概述
- 2.形式语言与自动机
- 3.语言模型
- 4.概率图模型,生成模型与判别模型,贝叶斯网络,马尔科夫链与隐马尔科夫模型(HMM)
- 5.马尔科夫网,最大熵模型,条件随机场(CRF)
- 6.命名实体 识别,词性标注,内容挖掘、语义分析与篇章分析(大量用到前面的算法)
- 7.句法分析
- 8.文本分类,情感分析
- 9.信息检索,搜索引擎及其原理
- 10.自动文摘与信息抽取,机器翻译,问答系统
- 11.深度学习在自然语言中的应用
- NLP用于征信
- 参考资料
NLP界神级人物
Michael Colins(CU), Jason Eisner(JHU),David Yarowsky (JHU),Chris Manning,Dekang Lin(奇点机智)
Michael Colins,英国人,哥伦比亚大学教授。研究领域包括parse re-ranking,tree kernels,semi-supervised learning,machine translation 和 exponentiated gradient algorithms。collins/eisner对NLP结构学习领域贡献极大,研究parsing并一战成名。
http://www.cs.columbia.edu/~mcollins/非常喜欢 Michael Collins, 认为他写的paper看得最舒服最爽,犹如沐浴于樱花之中。Jason Eisner确实是厉害,不过看他paper实在太难看懂,写的语言非常抽象,我等屌丝实在难以深入理解。 经过Collins大侠的一些paper才能对Eisner的paper妙语进行理解。https://www.zhihu.com/question/32318281
Jason Eisner (JHU),约翰霍普金斯大学。
http://www.cs.jhu.edu/~jason/
David Yarowsky (JHU),yarowsky早年研究词义消歧,是著名的yarowsky algorithm的作者,后来做了很多跨语言学习的开创性工作。
http://www.cs.jhu.edu/~yarowsky/
Stanford NLP掌门Chris Manning,以《统计自然语言处理基础》一书以及Stanford NLP (toolkit) 而闻名。Dan Jurafsky,著有《语音与语言处理》一书,具有深厚的语言学背景。稍微提一下Manning的学生Richard Socher,近几年声名鹊起,在dl4nlp领域风头一时无两,属年轻一代翘楚。
Dekang Lin,林德康老师,前Google高级管理科学家(senior staff research scientist),在加入Google之前是加拿大Alberta大学计算机教授,发表过逾90篇论文、被引用超过12000次,目前做了一家NLP相关的创业公司奇点机智。
NLP知识结构
1.概述
1)自然语言处理:利用计算机为工具,对书面实行或者口头形式进行各种各样的处理和加工的技术,是研究人与人交际中以及人与计算机交际中的演员问题的一门学科,是人工智能的主要内容。
2)自然语言处理是研究语言能力和语言应用的模型,建立计算机(算法)框架来实现这样的语言模型,并完善、评测、最终用于设计各种实用系统。
3)研究问题(主要)
信息检索
机器翻译
文档分类
问答系统
信息过滤
自动文摘
信息抽取
文本挖掘
舆情分析
机器写作
语音识别
4)困难所在
场景的困难:语言的多样性、多变性、歧义性 学习的困难:艰难的数学模型(hmm,crf,EM,深度学习等) 语料的困难:什么的语料?语料的作用?如何获取语料?
2.形式语言与自动机
1)语言:按照一定规律构成的句子或者字符串的有限或者无限的集合
2)描述语言的三种途径:
穷举法
文法(产生式系统)描述
自动机
3)自然语言不是人为设计而是自然进化的,形式语言比如:运算符号、化学分子式、编程语言,主要研究内部结构模式这类语言的纯粹的语法领域,从语言学而来,作为一种理解自然语言的句法规律,在计算机科学中,形式语言通常作为定义编程和语法结构的基础。
4)形式语言与自动机基础知识:
集合论
图论
5)自动机的应用:
- 单词自动查错纠正
- 词性消歧(什么是词性?什么的词性标注?为什么需要标注?如何标注?)
6)形式语言的缺陷:
- 对于像汉语,英语这样的大型自然语言系统,难以构造精确的文法
- 不符合人类学习语言的习惯
- 有些句子语法正确,但在语义上却不可能,形式语言无法排出这些句子
- 解决方向:基于大量语料,采用统计学手段建立模型
3.语言模型
1)语言模型(重要):通过语料计算某个句子出现的概率(概率表示),常用的有2-元模型,3-元模型
2)语言模型应用:
语音识别歧义消除例如,给定拼音串:ta shi yan yan jiu saun fa de
可能的汉字串:踏实烟酒算法的 他是研究酸法的 他是研究算法的,显然,最后一句才符合。
3)语言模型的启示:
开启自然语言处理的统计方法
统计方法的一般步骤:
- 收集大量语料
- 对语料进行统计分析,得出知识
- 针对场景建立算法模型
- 解释和应用结果
4)语言模型性能评价,包括评价目标,评价的难点,常用指标(交叉熵,困惑度)
5)数据平滑:
- 数据平滑的概念,为什么需要平滑
平滑的方法,加一法,加法平滑法,古德-图灵法,J-M法,Katz平滑法等
6)语言模型的缺陷
语料来自不同的领域,而语言模型对文本类型、主题等十分敏感
- n与相邻的n-1个词相关,假设不是很成立。
4.概率图模型,生成模型与判别模型,贝叶斯网络,马尔科夫链与隐马尔科夫模型(HMM)
1)概率图模型概述(什么的概率图模型,参考清华大学教材《概率图模型》)
2)马尔科夫过程(定义,理解)
3)隐马尔科夫过程(定义,理解)
- HMM的三个基本问题(定义,解法,应用)
注:第一个问题,涉及最大似然估计法,第二个问题涉及EM算法,第三个问题涉及维特比算法,内容很多,要重点理解
5.马尔科夫网,最大熵模型,条件随机场(CRF)
1)HMM的三个基本问题的参数估计与计算
2)什么是熵
3)EM算法(应用十分广泛,好好理解)
4)HMM的应用
5)层次化马尔科夫模型与马尔科夫网络
提出原因,HMM存在两个问题
6)最大熵马尔科夫模型
优点:与HMM相比,允许使用特征刻画观察序列,训练高效
缺点: 存在标记偏置问题
7)条件随机场及其应用(概念,模型过程,与HMM关系)
参数估计方法(GIS算法,改进IIS算法)
CRF基本问题:特征选取(特征模板)、概率计算、参数训练、解码(维特比)
应用场景:
+ 词性标注类问题(现在一般用RNN+CRF)
+ 中文分词(发展过程,经典算法,了解开源工具jieba分词)
+ 中文人名,地名识别
8) CRF++
6.命名实体 识别,词性标注,内容挖掘、语义分析与篇章分析(大量用到前面的算法)
1)命名实体识别问题
2)未登录词的解决方法(搜索引擎,基于语料)
3)CRF解决命名实体识别(NER)流程总结:
- 训练阶段:确定特征模板,不同场景(人名,地名等)所使用的特征模板不同,对现有语料进行分词,在分词结果基础上进行词性标注(可能手工),NER对应的标注问题是基于词的,然后训练CRF模型,得到对应权值参数值。
- 识别过程:将待识别文档分词,然后送入CRF模型进行识别计算(维特比算法),得到标注序列,然后根据标 注划分出命名实体
4)词性标注(理解含义,意义)及其一致性检查方法(位置属性向量,词性标注序列向量,聚类或者分类算法)
7.句法分析
1)句法分析理解以及意义
- 句法结构分析
- 完全句法分析
- 浅层分析(这里有很多方法。。。)
- 依存关系分析
2)句法分析方法
1.基于规则的句法结构分析
2.基于统计的语法结构分析
8.文本分类,情感分析
1)文本分类,文本排重
文本分类:在预定义的分类体系下,根据文本的特征,将给定的文本与一个或者多个类别相关联
典型应用:垃圾邮件判定,网页自动分类
2)文本表示,特征选取与权重计算,词向量
文本特征选择常用方法:
1、基于本文频率的特征提取法
2、信息增量法
3、X2(卡方)统计量
4、互信息法
3)分类器设计
SVM,贝叶斯,决策树等
4)分类器性能评测
1、召回率
2、正确率
3、F1值
5)主题模型(LDA)与PLSA
LDA模型十分强大,基于贝叶斯改进了PLSA,可以提取出本章的主题词和关键词,建模过程复杂,难以理解。
6)情感分析
借助计算机帮助用户快速获取,整理和分析相关评论信息,对带有感情色彩的主观文本进行分析,处理和归纳例如,评论自动分析,水军识别。
某种意义上看,情感分析也是一种特殊的分类问题
9.信息检索,搜索引擎及其原理
1)信息检索起源于图书馆资料查询检索,引入计算机技术后,从单纯的文本查询扩展到包含图片,音视频等多媒体信息检索,检索对象由数据库扩展到互联网
1. 点对点检索
2.精确匹配模型与相关匹配模型
3.检索系统关键技术:标引,相关度计算
2)常见模型:布尔模型,向量空间模型,概率模型
3)常用技术:倒排索引,隐语义分析(LDA等)
4)评测指标
10.自动文摘与信息抽取,机器翻译,问答系统
1)统计机器翻译的的思路,过程,难点,以及解决
2)问答系统
基本组成:问题分析,信息检索,答案抽取
类型:基于问题-答案, 基于自由文本
典型的解决思路
3)自动文摘的意义,常用方法
4)信息抽取模型(LDA等)
11.深度学习在自然语言中的应用
1)单词表示,比如词向量的训练(wordvoc)
2)自动写文本 写新闻等
3)机器翻译
4)基于CNN、RNN的文本分类
5)深度学习与CRF结合用于词性标注
NLP用于征信
近几年,国内P2P和现金贷的大量涌现,说明了个人小额信贷的市场需求巨大。在过去,针对该类小贷用户,一般单纯地依靠地推人员挨家挨户进行实地征信。如今,基于大数据和人工智能技术,可以实现智能征信和审批,极大地提高工作效率。通过多渠道获取用户多维度的数据,如通话记录、短信信息、购买历史、以及社交网络上的相关留存信息等;然后,从信息中提取各种特征建立模型,对用户进行多维度画像;最后,根据模型评分,对用户的个人信用进行评估。同样,对于市场上中小微企业融资难的问题,也可以通过大数据征信得以解决。
信用评分模型案例:
业务目标:建立信用评估系统,当把信用卡用户的信息导入到该系统时,系统会自动输出这批用户的违约风险及信用得分,为信用卡用户的管理提供决策支持。
数据挖掘目标:建立信用卡用户的信用评估模型,该模型以用户的信息指标为输入,以违约为目标,建立预测模型,该模型可以根据输入指标的值,计算预测值(违约)。
建立信用评分模型: 分类预测算法并不局限于神经网络算法,只要是适用于目标变量为字符型的分类预测算法都可以(如决策树、支持向量机、贝叶斯网络、KNN、Logistic回归等)。
http://bbs.pinggu.org/thread-3823928-1-1.html
参考资料
- 黄志洪老师的自然语言处理课程
- 参考书:宗成庆老师的《统计自然语言处理》
- 自然语言处理(NLP)知识结构总结
【总结】自然语言处理(NLP)算法:概述与分类相关推荐
- Interview之NLP:人工智能领域求职岗位—自然语言处理NLP算法工程师职位的简介、薪资介绍、知识结构之详细攻略
Interview之NLP:人工智能领域求职岗位-自然语言处理NLP算法工程师职位的简介.薪资介绍.知识结构之详细攻略 目录 自然语言处理NLP算法工程师的职位简介 1.资讯指数 2.各大公司的具体职 ...
- 自然语言处理(NLP):概述【NLP技术的四个维度:声音、单词、句子结构、语义】
深度学习-自然语言处理:概述[NLP技术的四个维度:声音.单词.句子结构.语义] 一.NLP的主要问题 二.NLP技术的四个维度 1.声音 2.单词/Morphology层面的技术 2.1 Word ...
- 2021年自然语言处理(NLP)算法学习路线!
NLP近几年非常火,且发展特别快.像BERT.GPT-3.图神经网络.知识图谱等技术应运而生.我们正处在信息爆炸的时代.面对每天铺天盖地的网络资源和论文.很多时候我们面临的问题并不是缺资源,而是找准资 ...
- 2021年自然语言处理 (NLP) 算法学习路线!
在过去几年时间里,NLP领域取得了飞速的发展,这也推动了NLP在产业中的持续落地,以及行业对相关人才的需求. 但这里我们要面对的现实是,行业上90%以上的NLP工程师是"不合格的" ...
- 【最新】2021年自然语言处理 (NLP) 算法学习路线!
在过去几年时间里,NLP领域取得了飞速的发展,这也推动了NLP在产业中的持续落地,以及行业对相关人才的需求. 但这里我们要面对的现实是,行业上90%以上的NLP工程师是"不合格的" ...
- 李宏毅自然语言处理——NLP任务概述
引言 本文主要介绍NLP的主要任务. NLP相关的任务主要有两类,如上图所示.第一个是输入一段文字,输出一段文字:第二个是输入一段文字,输出一个类别. 虽然只有两类,但是实现它们的模型变化多端.不过, ...
- 自然语言处理NLP算法总结(持续更新)
2019独角兽企业重金招聘Python工程师标准>>> 分词 最大匹配法(机械分词) n-gram 参考 hmm 参考 crf 词性标注 crf 命名实体识别NER CRF biLS ...
- NLP之PTM:自然语言处理领域—预训练大模型时代的各种吊炸天大模型算法概述(Word2Vec→ELMO→Attention→Transfo→GPT系列/BERT系列等)、关系梳理、模型对比之详细攻略
NLP之PTM:自然语言处理领域-预训练大模型时代的各种吊炸天大模型算法概述(Word2Vec→ELMO→Attention→Transformer→GPT系列/BERT系列等).关系梳理.模型对比之 ...
- NLP:自然语言处理技术领域的代表性算法概述(技术迭代路线图/发展时间路线)、四大技术范式变迁概述(统计时代→大模型时代)、四个时代的技术方法论探究(少数公司可承担的训练成本原因)之详细攻略
NLP:自然语言处理技术领域的代表性算法概述(技术迭代路线图/发展时间路线).四大技术范式变迁概述(统计时代→大模型时代).四个时代的技术方法论探究(少数公司可承担的训练成本原因)之详细攻略 目录 一 ...
- nlp算法文本向量化_NLP中的标记化算法概述
nlp算法文本向量化 This article is an overview of tokenization algorithms, ranging from word level, characte ...
最新文章
- Java--对象与类(三)
- 教你用 buildroot 构建根文件系统
- java pl0 四元式,【编译原理】c++实现自下而上语法分析及中间代码(四元式)生成...
- Windows CE创建桌面快捷方式
- mac win10 mysql_Mac装双系统Win10,安装MySQL遇到的问题
- (整理)REHL6.5_Yum安装Reids
- Redis和MongoDB通讯协议简介
- 手把手教你云服务器如何搭建typecho博客网站(包括配置免费SSL证书)
- 纸筒制作机器人_趣味STEAM教育:如何用“垃圾”制作机器人?
- 酒店管理系统-需求分析报告
- 红linux系统,红帽子linux系统
- HexCompare比较任意Bin/Hex/Srec/s19/elf文件
- VMware虚拟机启动错误(正在被占用、内部错误)等问题
- 一张图读懂阿里云数据库架构与选型
- 基于Qt的Littlevgl移植(Windos10)
- 计算ERA-5数据的相对湿度(RH)与饱和水汽压差(VPD)
- 25行Java代码将普通图片转换为字符画图片和文本
- 不小心误删@‘local’操作恢复
- 机器视觉打光方式相关问题汇总
- eBay Inc(EBAY)2020年第三季度收益电话会议记录