NLP之基本介绍_nlp技术

人工智能-研究方向

1. TTS语音合成（避免人喊）
2. ASR语音识别（手机助手：声音-》文字）录音笔
3. 字符识别（CV领域）银行卡扫描、身份证扫描
4. 机器翻译（目前水平较好）双语字幕和语音识别相结合
5. 声纹识别（一些验证场景）
6. 指纹识别
7. 语义理解（只能客服）
8. 图像识别

机器学习是实现一种人工智能的一种方式。

人工智能的三驾马车-算法、算力、数据。数据非常重要。

自然语言处理

是数学、语言学、计算机科学三者结合

自然语言处理的目标

• 人机交互
  • 问答搜索
  • 机器翻译
  • 指令操作（在家让车自己去加油，目前不行）
  • 闲聊
  • 辅助生活工作
  • 其价值随着机器能力边界的提升而不断增加
• 数据分析/挖掘
  • 舆情分析（电商对客户态度的收集、国家的民意调查）
  • 文本分类
  • 知识抽取
  • 命名实体识别
  • 辅助决策和选择
  • 其价值随着数据量增大和类别增多而不断提升

算法相关工作

业务型

动手能力强

• 主要负责业务场景的算法落地，动手能力强
• 需要熟悉业务场景常见问题，极端情况的处理
• 小坑不断，需求总改，数据常缺，效果老降

研究型

论文 公开数据集

• 主要负责发表论文及算法比赛等，理论知识扎实
• 研究内容可以脱离实际业务，在公开数据集上工作
• 想好的思路已发表，比赛的分数被人超

算法工程师需要的技能

1. 编程能力（实现自己想法）
2. 算法知识储备
3. 沟通和协作能力
4. 学习能力
5. 一定程度的英文能力
6. 使用搜索引擎的能力

关于算法的学习

1. 多动手
2. 多思考
3. 温故而知新
4. 保持学习
5. 保持好心态，以及多锻炼身体

NLP面临的困难

• NLP对于机器来说很困难，本质上是因为对于人来说它也很困难。事情本身复杂度高。
• 换句话说，这个任务本身的复杂度就非常高，远远高于下围棋等看似复杂，但实际有着明确规则的任务。
• 语言本身具有创造力，在不同领域和时代不断发生着变化。

新生词：

九漏鱼：九年义务教育漏网之鱼

NLP的发展历程

• 20世纪50年代开始，于计算机的诞生几乎同时
• 始于机器翻译
• 两种路线
  • 基于规则的理性主义
    主张建立符号处理系统，人工编写初始的语言知识表示体系，构造响应的推理程序。
  • 基于统计的经验主义
    主张通过建模学习复杂、广泛的语言结构，利用统计、模式识别、机器学习等方法训练模型。
• 20世纪80-90 两种方式对立走向融合
• 21世纪以来，机器学习快速崛起。在图像、语言、文本领域都有大量的数据集被建立起来，这种资源大幅度推动了基于统计的机器学习相关算法的发展。随着AlphaGo的出现，人工智能领域获得前所未有的关注度。NLP也飞快的追赶着其他领域发展（得益于数据和算力）。

图灵测试

计算机冒充人，与人对话，如果超多30%的人误认为自己对话而非计算机，则可以认为这台机器拥有人类智能。图灵测试是图灵个人看法，在1950年提出，并非当前业界的最求。

绕过图灵测试的方法：
焦躁的年轻人（机器一直说自己事情，表现出焦虑的感觉，容易让听者误认）
心理医生式问答（机器反问你一些问题，表现出一定的主动性，容易让人误认）

计算机在很多方面比人强（比如计算），如果在图灵测试中我问人工智能一个有计算量的运算（如：6526*541），那么它可以立刻给我答案，但这不是一个正常人可以马上计算出的。

NLP发展现状

深度学习大幅改变了NLP研究，使离散的符号转化为连续的数值，因此大量的数学工具得以应用，极大的推进了NLP技术的发展。

NLP技术已经深入生活的各个角落，输入法、语音助手、搜索引擎、智能客服等大量依赖NLP技术的应用已经被推广和使用。

综合来看，目前计算机对语义的理解能力尚不如小学生，但在特定任务上可以达到人类以上的水平。

深度学习发展历程

第一代神经网络（1958~1969）

用计算机来模拟人的神经元反应的过程，该模型将神经元简化为了三个过程：输入信号线性加权，求和，非线性激活（阈值法）

1969年，美国数学家及人工智能先驱Minsky在其著作中证明了感知器本质上是一种线性模型，只能处理线性分类问题。

第二代神经网络（1986~1998）

Hinton在1986年发明了适用于多层感知器（MLP）的BP算法，并采用Sigmoid进行非线性映射，有效解决了非线性分类和学习的问题。

1991年，BP算法被指出存在梯度消失问题，即在误差梯度后向传递的过程中，后层梯度以乘性方式叠加到前层，由于Sigmoid函数的饱和特性，后层梯度本来就小，误差梯度传到前层时几乎为0，因此无法对前层进行有效的学习

1997年，LSTM模型被发明，尽管该模型在序列建模上的特性非常突出，但由于正处于NN的下坡期，也没有引起足够的重视。

统计学习方法的春天（1986~2006）

决策树，支持向量机，随机森林等算法先后被提出，并且在实际场景取得不错的效果

第三代神经网络-DL（2006-至今）

该阶段又分为两个时期：快速发展期（2006_{2012）与爆发期（2012}至今）

2012年，Hinton课题组为了证明深度学习的潜力，首次参加ImageNet图像识别比赛，其通过构建的CNN网络AlexNet一举夺得冠军，且碾压第二名（SVM方法）的分类性能。

之后基于深度学习的模型在各种算法任务上开始屠榜，也带来了人工智能整个产业的崛起

NLP常用工具

编程语言

引擎开发：C++和Java居多
算法实验：Python, R

C++，Java的特点：
执行效率高，开发累(代码量大)，不好上手，有助于深入理解编程，有成熟的框架和各种检查工具

Python的特点：
执行效率低，开发轻松，开源库多，简单易学，做线上业务需要开发者有较好的编程习惯

框架：

• Tensorflow 大名鼎鼎，工程配套完善
• Pytorch 学术界宠儿，调试方便，个人推荐
• Keras 高级封装，简单好用，现已和Tensorflow合体
• Gensim 训练词向量，bm25等算法支持
• Sklearn 大量机器学习算法，如逻辑回归，决策树，支持向量机，随机森林，KMeans等等，同时具有数据集划分和各种评价指标的实现
• Numpy 各种向量矩阵操作

数据处理常用库

• Jieba 分词，词性标注等
• Pandas 数据处理，可以读取excel，csv等格式文件，按列去重、排序，去除无效值等等，但是经常搞事情
• Matplotlib 用于画图，可视化是了解数据集的有效手段，也是做汇报等工作中常用的
• Nltk 英文的预处理工具中的佼佼者，词性还原，去停用词等功能完善，对中文也有一定支持
• Re 正则表达式，也许这会是你最常用的库
• Json 读取json格式数据，非常常见
• Pickle 文件读写自己建立的任意变量或数据结构，比如说自己建的索引等

检索框架

• Lucene 基于java的全文检索引擎，使用倒排索引的机制
• ElasticSearch 基于Lucene开发，提供分布式服务和api接口

数据库

• MySQL
• Postgre
• MongoDB
• Redis
• Hbase
• Neo4j

机器学习简介

训练的模型是一种输入与输出之间的映射。找输入输出的一种对应关系。这属于有监督学习。有监督学习的核心目标：建立一个魔心给（函数），来描述输入（X）与输出（Y）之间的映射关系。有监督学习的价值：对于新的输入，通过模型给出预测的输出。

有监督学习的要点：

1. 需要有一定数量的训练样本（一个样本）
2. 输入和输出之间有关联关系（预测幻云男孩女孩）
3. 输入和输出可以数值化表示
4. 任务需要有预测价值

有监督学习在人工智能种的应用

• 文本分类任务

• 输入：文本

• 输出：类别

• 关系：文本内容决定了文本的类别

• 机器翻译任务

• 输入：A狱中文本

• 输出：B狱中文本

• A与中国表达的意思，在B狱中共有对应的意思

• 图像识别任务

• 输入：图像

• 输出：类别

• 图中的像素排列，决定了图像的的内容

• 语音识别任务

• 输入：音频

• 输出：文本

• 声音信号在特定语言中对应特定的文本

无监督学习

给与机器的数据没有标注信息，通过算法对数据进行一定的自动分析处理，得到一些结论

常见任务：聚类、降维、找特征值等等。

聚类

降维

高维降到低维，利于观察。

一般流程

常用概念

1. 训练集：用于模型训练的训练数据集合
2. 验证集：对于每种任务一般都有多种算法可以选择，一般会使用验证集验证用于对比不同算法的效果差异
3. 测试集：最终用于评判算法模型效果的数据集合。评判。一般不暴露给算法开发人员

训练集和验证集可以看见。

4. K折交叉验证
   初始采样分割成K个子样本，一个单独的子样本被保留作为验证模型的数据，其他K-1个样本用来训练。交叉验证重复K次，每个子样本验证一次，平均K次的结果

过度的频繁的使用一个数据集去修改一个模型很可能会发生集内。导致在其它测试集上不准。

1. 过拟合：模型失去繁华能力。如果模型在训练集和验证集上都有很好的表现，但在测试集上表现很差，一般认为是发生了过拟合

2. 欠拟合：模型没能建立起合理的输入输出之间的映射。当输入训练集中的样本时，预测结果与标注结果依然相差很大

3. 回归问题
   预测值为数值型（连续值）。如预测房价。

4. 分类问题
   预测值为类别（离散值）或在类别上的概率的分布。

5. 特征
   模型输入需要数值化，对于较为抽象的输入，如声音，文字，情绪等信息，需要将其转化为数值，才能输入模型。转化后的输入，被称作特征。

6. 特征工程
   筛选哪些信息值得（以特征的形式）输入模型，以及应当以何种形式输入的工作过程。对于机器学习而言非常重要。模型的输入，决定了模型能力的上限。

算法假设：
一般而言，算法模型是对问题的一种简化。或者说，对于数据事先进行了某种假设，然后在这个基础上，寻找合适的参数，使模型可以拟合数据。
即使问题明显不符合假设，并不意味着这个算法就不能用。事实上，很多情况下，这样依然能有不错的结果。但是，“假设”表明了算法的局限性。

评价指标：

评价算法效果的好坏，不同任务有不同指标
为了评价算法效果的好坏，需要找到一种评价模型效果的计算指标。不同的任务会使用不同的评价指标。常用的评价指标有：
1）准确率
2）召回率
3）F1值
4）TopK
5）BLEU…

深度学习简介

想要快速获得正确的模型，有哪些可以优化的地方？

1. 随机初始化
   设想初始化后loss很小，是不是很快收敛
   NLP中的预训练模型实际上就是对随机初始化的技术优化
2. 优化损失函数
   （损失函数的选取）
3. 调整参数的策略
   （优化器，学习率）
4. 调整模型结构
   不同模型能够拟合不同的数据集

优化过程：模型随机初始化，预测，计算误差，反复调整

人工神经网络（Artificial Neural Networks，简称ANNs），也简称为神经网络（NN）。它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。

隐含层/中间层：

神经网络模型输入层和输出层之间的部分，隐含层可以有不同的结构：RNN、CNN、DNN、LSTM、Transformer等等

不同的模型结构本质上就是不同的公式

随机初始化

• 隐含层中会含有很多的权重矩阵，这些矩阵需要有初始值，才能进行运算
• 初始值的选取会影响最终的结果
• 一般情况下，模型会采取随机初始化，但参数会在一定范围内
• 在使用预训练模型一类的策略时，随机初始值被训练好的参数代替
• 好的开始是成功的一半！

损失函数：计算预测值与真实值之间的误差

• 损失函数（loss function或cost function）用来计算模型的预测值与真实值之间的误差。
• 模型训练的目标一般是依靠训练数据来调整模型参数，使得损失函数到达最小值。
• 损失函数有很多，选择合理的损失函数是模型训练的必要条件。

导数与梯度

导数表示函数曲线上的切线斜率。 除了切线的斜率，导数还表示函数在该点的变化率。

梯度下降

• 梯度告诉我们函数向哪个方向增长最快，那么他的反方向，就是下降最快的方向
• 梯度下降的目的是找到函数的极小值
• 为什么要找到函数的极小值？
  因为我们最终的目标是损失函数值最小

优化器

• 知道走的方向，还需要知道走多远
• 假如一步走太大，就可能错过最小值，如果一步走太小，又可能困在某个局部低点无法离开
• 学习率（learning rate），动量（Momentum）都是优化器相关的概念

一步走太大，可能错过全局最优点；一步走太小，课呢困在局部最优点。所以需要一定的策略进行调整。

Mini Batch & epoch

• 一次训练数据集的一小部分，而不是整个训练集，或单条数据
• 它可以使内存较小、不能同时训练整个数据集的电脑也可以训练模型。
• 它是一个可调节的参数，会对最终结果造成影响
• 不能太大，因为太大了会速度很慢。 也不能太小，太小了以后可能算法永远不会收敛。
• 我们将遍历一次所有样本的行为叫做一个 epoch

一次训练使用一部分
一次全部使用，机器不足。不容易收敛。

迭代过程：

迭代训练要点：

• 模型结构选择
• 初始化方式选择
• 损失函数选择
• 优化器选择
• 样本质量数量

模型训练好后把参数保存，可用于对新样本的预测

总结：

机器学习的本质，是从已知的数据中寻找规律，用来预测未知的样本

深度学习是机器学习的一种方法

深度学习的基本思想，是先建立模型，并将模型权重随机初始化，之后将训练样本输入模型，可以得到模型预测值。使用模型预测值和真实标签可以计算loss。通过loss可以计算梯度，调整权重参数。简而言之，“先蒙后调”