NLP（理论基础）_nlp理论

小白一枚，看了很多天的NLP，也没看出什么头绪。代码不代码的我感觉只要用心去看，即使看不懂，一点一点的去啃，也能看个大概。最重要的是思想。

1、首先介绍一下NLP的基础知识

①分词

1）nltk安装（pip install nltk）

nltk就是一个工具包，里面有很多语料，很多模型。可以用来分词。

import nltk
sentence = “hello, world"
tokens = nltk.word_tokenize(sentence)
print tokens
#['hello', ‘,', 'world']

2）jieba安装（pip install jieba）

import jieba
seg_list = jieba.cut("我来到北京清华⼤学", cut_all=True)
print "Full Mode:", "/ ".join(seg_list) # 全模式
seg_list = jieba.cut("我来到北京清华⼤学", cut_all=False)
print "Default Mode:", "/ ".join(seg_list) # 精确模式
seg_list = jieba.cut("他来到了⽹易杭研⼤厦") # 默认是精确模式
print ", ".join(seg_list)
seg_list = jieba.cut_for_search("⼩明硕⼠毕业于中国科学院计算所，后在⽇本京都⼤学深造")
# 搜索引擎模式
print ", ".join(seg_list)

总结：中文分词和英文分词不同，虽然英文有空格，好分词，但是英文分词也会遇到一些问题（网络符号@qq.com，需要正则表达预处理，时态归一化等）

去除停止词：没有意义的词，有干扰。（停止词有个列表）（停止词去除会破坏句子的结构，看目的是干什么，如果是判断句子相似度，不能去除停止词）（停止词在搜索中不起作用，太多的停止词会干扰关键词）

流程：句子--->分词--->词性标注--->归一化--->去除停止词

②one-hot（独热编码）

上一步介绍了分词，这一步开始对分词进行编码

思路：统计特征词表，对应位置为1

缺点：稀疏、没有位置关系

③BOW（词袋模型）

BOW和one-hot很相似，都不考虑位置关系。构建一个词表，统计每个词出现的频数。

ont-hot：一个词的向量表示

BOW：一句话的向量表示

④TF-IDF（关键词提取）

BOW表示一句话的向量。统计每个词出现的频数。

TF-IDF的引入，单单看某一个词在一句话中的频率不足以说明问题，还需要看该词出现句子的频率。

举例子：一个文档有100个单词，其中单词baby出现了3次，那么TF(baby)=3/100=0.03

现如今我们有训练集1千万篇文章，baby出现的文章有1000篇。那么IDF(baby)=log(1000 0000/1000)=4

所以：TF-IDF(baby)=0.03*4=0.12

作用：过滤高频词，保留重要词语。

⑤传统NLP任务

1）、情感分析

第一种：基于词表，每个词都有对应的情感度，对于一句话只需要累加每个词的情感度即可。

第二种：基于ML，句子和标签，可以训练。句子的向量表示是基于词袋模型。

2）、文本相似度

文本相似度，只需要用词袋模型表示句子向量，然后余弦定理计算即可。

3）、关键词提取

统计每个词的TF-IDF的值，值越大，重要度越大。

4）、文本分类

文本分类，同理也是用向量表示句子。然后ML分类。（其实情感分析也属于简单的文本分类问题），这里的句子向量用到了TF-IDF。

总结：句子向量表示都没有考虑位置关系，基于词袋模型，统计词频。

⑥共现矩阵（SVD，LSA）

one-hot：（like编码）0 1 0 0 0 0 0 0

共现矩阵：（like编码）2 0 0 1 0 1 0 0

缺点：优化了词与词间的位置关系，但是存在的问题还是维度灾难

SVD奇异值分解，进行降维（如何降维，请查看）

⑦n-gram

利用条件概率，判断一句话出现的概率。搜狗输入法预测下一个字，也可以用于分词。

注意：容易弄混淆，n-gram完全是根据词表计算概率来着（实战，请查看）。

⑧语言模型

1）、NNLM（前N-1个词，预测下一个词，附属产物词向量）

2）、word2vec（CBOW、skip-gram）

3）、Bert

总结：NLP前期一直探索单词和句子的向量表示方式。如果能很好的表示。那么后续任务就很简单了。