一篇文章看懂自然语言处理——word表示技术的变迁(从bool模型到BERT)
一、背景
自然语言处理就是要让计算机理解人类的语言，至于到目前为止，计算机是否真的理解的人类的语言，这是一个未知之数，我的理解是目前为止并没有懂得人类语言，只是查表给出一个最大概率的回应而已。那么自然语言处理（NLP）包括哪些领域的东西呢？文本分类（如：垃圾邮件分类、情感分析）、机器翻译、摘要、文法分析、分词、词性标注、实体识别(NER)、语音识别等等，都是NLP要解的问题。那么这些解了这些问题，计算机是否真的懂得人类语言的含义，现在还未知，本片文章不过多的展开讨论。语言的单位是词，那么计算机是如何来表示词的，用什么技术来表示一个词，就可以让计算机理解词的含义呢？本篇博客将进行详细的讨论，从bool模型，到向量空间模型、到各种word embedding（word2vec、elmo、GPT、BERT）
二、原始时代
在Deeplearning之前，表示一个词，并没有一个约定俗成的办法，如何表示，取决于想解决的任务。
1、Bool模型
下面有两句话，求文本相似度。
我喜欢张国荣
你喜欢刘德华
那么，布尔模型比较简单粗暴，出现了词所在维度为1，没出现的所在维度为0，如下图：
然后求两个向量的cosine即可。
在bool模型中，由于特征值只有1和0两个取值，不能很好的反应特征项在文本中的重要程度。
2、VSM（向量空间模型）
Bool模型其实可以看做是VSM的特例，只不过VSM每个维度填进去的值是用了一些特殊的规则处理罢了，VSM如下图：
t表示特征项，d表示一个Document，那么D可表示为D={t1,t2,t3……tN}的N维向量，w的值怎么填呢？只好的做法是TF*IDF，TF表示词频、IDF表示反词频，公式如下：
TF(t)=特征词在文档中出现次数/文档总词数
IDF(t)=log(N/(n+1))，其中N为文本集文本总数，n为包含特征词t的文档数量
当然TF*IDF也有他的缺陷，忽略了类中分布情况和忽略了类间分布情况，那么也有一些改进，例如：TF*IDF*IG，IG表示信息增益。
这些词/文档的表示方法，非常机械，反映不出词与词之间的上下文之间的关系、相似的关系等等。
三、深度学习时代
首先不得不提语言模型，语言模型在估测一个句子出现的概率，概率越大，越合理。
P(w1,w2,w3,……wn)=P(w1)*P(w2|w1)*P(w3|w1,w2)...P(wn|w1,w2....wn-1)
通常上面的式子没办法估测，于是会做一个马尔科夫假设，假设后面的词只和前面的一个词有关，那么就简化为下面的式子：
P(w1,w2,w3,……wn)=P(w1)*P(w2|w1)*P(w3|w2)...P(wn|wn-1)
当然也可以假设后面的词和前面的N个词有关，这就是常说的N-gram。语言模型在elmo和gpt中有大用处。
1、word2vec
word2vec，其实是一个单隐层的神经网络，的思想很简单，请看下图
上图中李雷和韩梅梅，都跟着“在教室”这个词，当向神经网络输入李雷或者韩梅梅，希望神经网络output“在教室”这个词的几率越高越好，那么神经网络的权重进行调节，把两个不同的词映射到了相同的空间，那么说明李雷和韩梅梅存在某种联系，这就是word2vec的思想。word2vec有两种，cbow和skip-gram，cbow是由上下文推出一个词，skip-gram是由一个词推出上下文，如下图所示。我实践的结果是cbow效果要更好一点。
这个代码怎么实现呢？其实自己实现一个单隐层的神经网络就搞定了，output层激活函数为softmax，用cross entropy Loss，梯度下降即可。事实上，我们完全不用这么麻烦，DL4J已经提供了全套解决方案，几行代码就搞定了，代码如下：
Word2Vec vec = new Word2Vec.Builder()
.minWordFrequency(5)
.iterations(1)
.layerSize(100)
.seed(42)
.windowSize(5)
.iterate(iter)
.tokenizerFactory(t)
.build();
vec.fit();2、ELMO
ELMO取至Embeddings from Language Model的首写字母，论文地址：https://arxiv.org/abs/1802.05365
Embeddings 是从语言模型中得到的。在讲ELMO之前，先来说说word2vec有什么问题，word2vec固然可以表示词与词之间的语义以及相互之间的关系，但是word2vec是一个完全静态的，也就是把所有信息都压缩到一个固定维度的向量里。那么对于一词多意，是表现力是比较有限的。请看下面的例子,
在 “欲信大义于天下”中 ,“信”是动词，“伸张”的意思
在 “信义著于四海"中，“信”是名词，“信用”的意思
如果“信”字压缩成一个100维的向量，将很难区分这两种意思的差别，那么这就需要Contextualized Word Embedding，根据不同的语境，对词进行编码，于是ELMO来了。
EMLO的结构很简单，用了双向的LSTM来训练一个语言模型。如下图（图片来至于台大李宏毅的ppt）
模型training的过程很简单，读入一个词，一词下一个词，反向读一个词，预测上一个词，以此训练下去，直到收敛。中间红框处的蓝色和橙色的向量就是Embedding的向量，最后接起来就是我们所要的向量了，当然这个bi-lstm也可以叠很多层。每一层都得到一个Embedding向量。
那么，使用的时候怎么用这个编码值呢？这取决于下游任务，比方说可以把每一层的Embedding向量求和取平均，或者加权求和等等，这个权重可以跟着任务一起train出来。
3、GPT
ELMO实现了对word进行动态编码，但是他用了LSTM，LSTM并不能记住很长的信息，且不利于并行计算。GPT用self attention改变这一结果，当然这一切得益于google神作《Attention Is All You Need》论文地址：https://arxiv.org/pdf/1706.03762.pdf
GPT是怎么样的运作流程呢？其实就是用self attention训练一个语言模型，请看下图：
每个词之和前面的词做attention，预测下一个词，例如读入开始标记BOS，然后自己和自己做attention，预测“潮水”，读入BOS、潮水，然后和BOS、潮水做attention，预测“退了”，类推下去，直到结束。在很多语料上train下去，就得到了一个非常强大的语言模型，可以动态的进行编码。使用的时候可以固定住这些attention层的参数，然后训练其他的下游任务，例如做情感分类问题，可以把这些attention层放在几个全连接层前面，固定参数，只训练后面的全连接层，通过softmax或者sigmoid进行分类。
4、Bidirectional Encoder Representations from Transformers (BERT)
GPT有个缺陷，就是编码只依赖上文信息，没有加入下文信息，那么BERT很好的解决了这个问题。BERT其实是transformer的encoder部分，如下图
train BERT有两种方法，Masked LM和Next Sentence Prediction，Masked LM是随机掩盖住一些词，让BERT猜测盖住的词什么。Next Sentence Prediction是让BERT推断两个句子是不是有上下文关系。
BERT充分考虑了上下文，对word进行编码，于是很好的体现语义和上下文的关系，在很多比赛中遥遥领先。
四、总结
自然语言处理从原始的布尔模型，到向量空间模型，再到word2vec，再到ELMO，再到GPT，再到BERT，一路走来，技术的更替。目前为止，BERT依然是比较领先的word Embedding方法，在大部分自然语言处理任务中，作为预训练任务，是我们首先应该尝试的办法。也许，用不了多久，又会有新的技术出来，刷新成绩，我们拭目以待。但即便是现在为止，机器是否真的理解了人类的语言，这还是一个尚待论证的问题。路漫漫其修远兮，吾将上下而求索。
快乐源于分享。
此博客乃作者原创， 转载请注明出处
P(1 ,每
