NLP常见语言模型总结

一、词的离散表示

1、One-hot编码（独热编码）

2、Bag of Words（BOW，词袋模型）

3、N-gram语言模型

二、词的分布式表示（Distributed Representation）

1、共现矩阵（Co-currence Matrix）

2、神经网络语言模型（Neural Network Language Model，NNLM）

3、Word2Vec，GloVe，Doc2Vec，Fasttext，Elmo，Bert，Flair

一、词的离散表示

语料库：（1）John likes to watch movies. Mary likes too. （2）John also likes to watch football games.

字典： {"John": 1, "likes": 2, "to": 3, "watch": 4, "movies": 5, "also": 6, "football": 7, "games": 8, "Mary": 9, "too": 10}

字典包含10个单词，每个单词有唯一索引；在词典中的顺序和在句子中的顺序没有关联

1、One-hot编码（独热编码）

One-Hot编码是分类变量作为二进制向量的表示。这首先要求将分类值映射到整数值。然后，每个整数值被表示为二进制向量，除了整数的索引之外，其它都是零值，它被标记为1。

使用one-hot编码，将离散特征的取值扩展到了欧式空间，离散特征的某个取值就对应欧式空间的某个点

John: [1, 0, 0, 0, 0, 0, 0, 0, 0, 0] ；likes: [0, 1, 0, 0, 0, 0, 0, 0, 0, 0]；……too : [0, 0, 0, 0, 0, 0, 0, 0, 0, 1]

from sklearn.preprocessing import OneHotEncoder

2、Bag of Words（BOW，词袋模型）

BOW模型忽略了文本的语法和语序，用一组无序的单词（words）来表达一段文字或一个文档。（文档的向量表示可以直接将各词的词向量加和表示）

John likes to watch movies. Mary likes too. 表示为：[1, 2, 1, 1, 1, 0, 0, 0, 1, 1]

John also likes to watch football games. 表示为：[1, 1, 1, 1, 0, 1, 1, 1, 0, 0]

这两个向量共包含10个元素, 其中第i个元素表示字典中第i个单词在句子中出现的次数. 因此BOW模型可认为是一种统计直方图 (histogram)。在文本检索和处理应用中, 可以通过该模型很方便的计算词频。

from sklearn.feature_extraction.text import CountVectorizer

缺陷：“词汇鸿沟”现象，稀疏方式存储，其独立性假设不太符合语言文字实际分布情况，忽略了单词间的语法和顺序，无法了解单词间的关联程度。

解决：采用高阶（2阶以上）统计语言模型：Bi-Gram、Tri-Gram等。

3、N-gram语言模型

N-gram是计算机语言学和概率论范畴内的概念，是指给定的一段文本或语音中N个项目（item）的序列。项目（item）可以是音节、字母、单词或碱基对。通常N-grams取自文本或语料库。

N=1时称为unigram，N=2称为bigram，N=3称为trigram，以此类推。

（1）N-gram原理

N-Gram是基于一个假设：第n个词出现与前n-1个词相关，而与其他任何词不相关。（这也是隐马尔可夫当中的假设。）整个句子出现的概率就等于各个词出现的概率乘积。各个词的概率可以通过语料中统计计算得到。

假设句子T是有词序列w1,w2,w3...wn组成，用公式表示N-Gram语言模型如下：

P(T)=P(w1)*p(w2)*p(w3)***p(wn)=p(w1)*p(w2|w1)*p(w3|w1w2)***p(wn|w1w2w3...)

一般常用的N-Gram模型是Bi-Gram和Tri-Gram。分别用公式表示如下：

Bi-Gram:　　 P(T)=p(w1|begin)*p(w2|w1)*p(w3|w2)***p(wn|wn-1)

Tri-Gram:　　P(T)=p(w1|begin1,begin2)*p(w2|w1,begin1)*p(w3|w2w1)***p(wn|wn-1,wn-2)

注意上面概率的计算方法：P(w1|begin)=以w1为开头的所有句子/句子总数；p(w2|w1)=w1,w2同时出现的次数/w1出现的次数。以此类推。

（2）N-gram语言模型学习（可参看统计自然语言处理）

N-gram语言模型 N-gram语言模型

为2-gram建立索引：{"John likes”: 1, "likes to”: 2, "to watch”: 3, "watch movies”: 4, "Mary likes”: 5, "likes too”: 6, "John also”: 7, "also likes”: 8, “watch football”: 9, "football games": 10}

John likes to watch movies. Mary likes too. 表示为：[1, 1, 1, 1, 1,1, 0, 0, 0, 0]

John also likes to watch football games. 表示为：[0, 1, 1, 0, 0, 0, 1, 1,1, 1]

模型参数数量与n的关系如下表

n	模型参数数量
1（unigram）	$2*10^{5}$
2（Bi-gram）	$4*10^{10}$
3（Tri-gram）	$8*10^{15}$
4（4-gram）	$16*10^{20}$

一句话（词组合）出现的概率

Unigram/1-gram ：P(Mary likes too) = P(too | Mark, likes) * P(likes | Mary) * P(Mary) = P(too) * P(likes) * P(Mary)

Bi-gram/2-gram ：P(Mary likes too) = P(too | Mark, likes) * P(likes | Mary) * P(Mary) = P(too | likes) * P(likes | Marry) * P(Mary)

注意（One-hot，BOW，n-gram）离散表示的问题：

无法衡量词向量之间的关系；词表维度随着语料库增长而膨胀；n-gram语言模型考虑了词的顺序，但是 n-gram词序列随语料库膨胀的更快；数据稀疏问题等。

可以使用KenLm这个工具训练统计n-gram语言模型。

二、词的分布式表示（Distributed Representation）

词的分布式表示核心是：上下文的表示以及上下文与目标词之间的关系的建模。

1、共现矩阵（Co-currence Matrix）

基于矩阵的分布表示主要是构建“词-上下文”矩阵，通过某种技术从该矩阵中获取词的分布表示。矩阵的行表示词，列表示上下文，每个元素表示某个词和上下文共现的次数，这样矩阵的一行就描述了该词的上下文分布。

常见的上下文有：（1）文档，即“词-文档”矩阵；（2）上下文的每个词，即“词-词”矩阵；（3）n-元词组，即“词-n-元组”矩阵。

经典模型代表：Global Vector模型（GloVe）是一种对“词-词”矩阵进行分解从而得到词表示的方法。

GloVe模型（Global Vectors for Word Representation）

（1）共现矩阵的表示

词-文档（Word-Document）的共现矩阵主要用于发现主题（topic），用于主题模型，如LSA（Latent Semantic Analysis）。

词-词（Word-Word）共现矩阵可以挖掘语法和语义信息。

例如：语料库如下：

• I like deep learning.

• I like NLP.

• I enjoy flying.

则共现矩阵表示如下：（使用对称的窗函数（左右window length都为1) ）

例如：“I like”出现在第1，2句话中，一共出现2次，所以= 2；对称的窗口指的是，“like I”也是2次。

将共现矩阵行(列)作为词向量表示后，可以知道like，enjoy都是在I附近且统计数目大约相等，他们意思相

（2）共现矩阵表示存在的问题

将共现矩阵的行列作为词向量：向量维数随着词典大小线性增长；存储整个词典的空间消耗非常大；一些模型如文本分类模型会面临稀疏问题；模型会欠稳定。

解决办法：构造低维稠密向量作为词的分布式表示（25~1000维），如使用奇异值分解SVD（Singular Value Decomposition）对共现矩阵向量做降维。

2、神经网络语言模型（Neural Network Language Model，NNLM）

3、Word2Vec，GloVe，Doc2Vec，Fasttext，Elmo，Bert，Flair

详见：NLP词向量和句向量方法总结及实现

本人博文NLP学习内容目录：

一、NLP基础学习

1、NLP学习路线总结

2、TF-IDF算法介绍及实现

3、NLTK使用方法总结

4、英文自然语言预处理方法总结及实现

5、中文自然语言预处理方法总结及实现

6、NLP常见语言模型总结

7、NLP数据增强方法总结及实现

8、TextRank算法介绍及实现

9、NLP关键词提取方法总结及实现

10、NLP词向量和句向量方法总结及实现

11、NLP句子相似性方法总结及实现

12、NLP中文句法分析

二、NLP项目实战

1、项目实战-英文文本分类-电影评论情感判别

2、项目实战-中文文本分类-商品评论情感判别

3、项目实战-XGBoost与LightGBM文本分类

4、项目实战-TextCNN文本分类实战

5、项目实战-Bert文本分类实战

6、项目实战-NLP中文句子类型判别和分类实战

交流学习资料共享欢迎入群：955817470（群一），801295159（群二）