自然語言處理（NLP）知識結(jié)構(gòu)總結(jié)
2018-08-19 來源：raincent
自然語言處理知識太龐大了，網(wǎng)上也都是一些零零散散的知識，比如單獨(dú)講某些模型，也沒有來龍去脈，學(xué)習(xí)起來較為困難，于是我自己總結(jié)了一份知識體系結(jié)構(gòu)，內(nèi)容來源主要參考黃志洪老師的自然語言處理課程，主要參考書為宗成慶老師的《統(tǒng)計(jì)自然語言處理》，可能很多內(nèi)容寫的不清楚，但好像中文NLP書籍就這一本全一些，如果想看好的英文資料，可以到我的GitHub上下載：http://github.com/lovesoft5/ml
下面直接開始正文：
▌一、自然語言處理概述
1)自然語言處理：利用計(jì)算機(jī)為工具，對書面實(shí)行或者口頭形式進(jìn)行各種各樣的處理和加工的技術(shù)，是研究人與人交際中以及人與計(jì)算機(jī)交際中的演員問題的一門學(xué)科，是人工智能的主要內(nèi)容。
2)自然語言處理是研究語言能力和語言應(yīng)用的模型，建立計(jì)算機(jī)(算法)框架來實(shí)現(xiàn)這樣的語言模型，并完善、評測、最終用于設(shè)計(jì)各種實(shí)用系統(tǒng)。
3)研究問題(主要)：
信息檢索
機(jī)器翻譯
文檔分類
問答系統(tǒng)
信息過濾
自動(dòng)文摘
信息抽取
文本挖掘
輿情分析
機(jī)器寫作
語音識別
研究模式：自然語言場景問題，數(shù)學(xué)算法，算法如何應(yīng)用到解決這些問題，預(yù)料訓(xùn)練，相關(guān)實(shí)際應(yīng)用
自然語言的困難：
場景的困難：語言的多樣性、多變性、歧義性
學(xué)習(xí)的困難：艱難的數(shù)學(xué)模型(hmm,crf,EM,深度學(xué)習(xí)等)
語料的困難：什么的語料?語料的作用?如何獲取語料?
▌二、形式語言與自動(dòng)機(jī)
語言：按照一定規(guī)律構(gòu)成的句子或者字符串的有限或者無限的集合。
描述語言的三種途徑：
窮舉法
文法(產(chǎn)生式系統(tǒng))描述
自動(dòng)機(jī)
自然語言不是人為設(shè)計(jì)而是自然進(jìn)化的，形式語言比如：運(yùn)算符號、化學(xué)分子式、編程語言形式語言理論朱啊喲研究的是內(nèi)部結(jié)構(gòu)模式這類語言的純粹的語法領(lǐng)域，從語言學(xué)而來，作為一種理解自然語言的句法規(guī)律，在計(jì)算機(jī)科學(xué)中，形式語言通常作為定義編程和語法結(jié)構(gòu)的基礎(chǔ)形式語言與自動(dòng)機(jī)基礎(chǔ)知識：
集合論
圖論
自動(dòng)機(jī)的應(yīng)用：
單詞自動(dòng)查錯(cuò)糾正
詞性消歧(什么是詞性?什么的詞性標(biāo)注?為什么需要標(biāo)注?如何標(biāo)注?)
形式語言的缺陷：
對于像漢語，英語這樣的大型自然語言系統(tǒng)，難以構(gòu)造精確的文法
不符合人類學(xué)習(xí)語言的習(xí)慣
有些句子語法正確，但在語義上卻不可能，形式語言無法排出這些句子
解決方向：基于大量語料，采用統(tǒng)計(jì)學(xué)手段建立模型
▌三、語言模型
1)語言模型(重要)：通過語料計(jì)算某個(gè)句子出現(xiàn)的概率(概率表示)，常用的有2-元模型，3-元模型
2)語言模型應(yīng)用：
語音識別歧義消除例如，給定拼音串：tashiyanyanjiusaunfade
可能的漢字串：踏實(shí)煙酒算法的他是研究酸法的他是研究算法的，顯然，最后一句才符合。
3)語言模型的啟示：
開啟自然語言處理的統(tǒng)計(jì)方法
統(tǒng)計(jì)方法的一般步驟：
收集大量語料
對語料進(jìn)行統(tǒng)計(jì)分析，得出知識
針對場景建立算法模型
解釋和應(yīng)用結(jié)果
4)語言模型性能評價(jià)，包括評價(jià)目標(biāo)，評價(jià)的難點(diǎn)，常用指標(biāo)(交叉熵，困惑度)
5)數(shù)據(jù)平滑：
數(shù)據(jù)平滑的概念，為什么需要平滑?
平滑的方法，加一法，加法平滑法，古德-圖靈法，J-M法，Katz平滑法等。
6)語言模型的缺陷：
語料來自不同的領(lǐng)域，而語言模型對文本類型、主題等十分敏感。
n與相鄰的n-1個(gè)詞相關(guān)，假設(shè)不是很成立。
▌四、概率圖模型，生成模型與判別模型，貝葉斯網(wǎng)絡(luò)，馬爾科夫鏈與隱馬爾科夫模型(HMM)
1)概率圖模型概述(什么的概率圖模型，參考清華大學(xué)教材《概率圖模型》)
2)馬爾科夫過程(定義，理解)
3)隱馬爾科夫過程(定義，理解)
HMM的三個(gè)基本問題(定義，解法，應(yīng)用)
注：第一個(gè)問題，涉及最大似然估計(jì)法，第二個(gè)問題涉及EM算法，第三個(gè)問題涉及維特比算法，內(nèi)容很多，要重點(diǎn)理解，(參考書李航《統(tǒng)計(jì)學(xué)習(xí)方法》，網(wǎng)上博客，筆者github)
▌五、馬爾科夫網(wǎng)，最大熵模型，條件隨機(jī)場(CRF)
1)HMM的三個(gè)基本問題的參數(shù)估計(jì)與計(jì)算
2)什么是熵
3)EM算法(應(yīng)用十分廣泛，好好理解)
4)HMM的應(yīng)用
5)層次化馬爾科夫模型與馬爾科夫網(wǎng)絡(luò)
提出原因，HMM存在兩個(gè)問題
6)最大熵馬爾科夫模型
優(yōu)點(diǎn)：與HMM相比，允許使用特征刻畫觀察序列，訓(xùn)練高效
缺點(diǎn)：存在標(biāo)記偏置問題
7)條件隨機(jī)場及其應(yīng)用(概念，模型過程，與HMM關(guān)系)
參數(shù)估計(jì)方法(GIS算法，改進(jìn)IIS算法)
CRF基本問題：特征選取(特征模板)、概率計(jì)算、參數(shù)訓(xùn)練、解碼(維特比)
應(yīng)用場景：
詞性標(biāo)注類問題(現(xiàn)在一般用RNN+CRF)
中文分詞(發(fā)展過程，經(jīng)典算法，了解開源工具jieba分詞)
中文人名，地名識別
8)CRF++
▌六、命名實(shí)體識別，詞性標(biāo)注，內(nèi)容挖掘、語義分析與篇章分析(大量用到前面的算法)
1)命名實(shí)體識別問題
相關(guān)概率，定義
相關(guān)任務(wù)類型
方法(基于規(guī)程->基于大規(guī)模語料庫)
2)未登錄詞的解決方法(搜索引擎，基于語料)
3)CRF解決命名實(shí)體識別(NER)流程總結(jié)：
訓(xùn)練階段：確定特征模板，不同場景(人名，地名等)所使用的特征模板不同，對現(xiàn)有語料進(jìn)行分詞，在分詞結(jié)果基礎(chǔ)上進(jìn)行詞性標(biāo)注(可能手工)，NER對應(yīng)的標(biāo)注問題是基于詞的，然后訓(xùn)練CRF模型，得到對應(yīng)權(quán)值參數(shù)值
識別過程：將待識別文檔分詞，然后送入CRF模型進(jìn)行識別計(jì)算(維特比算法)，得到標(biāo)注序列，然后根據(jù)標(biāo)注劃分出命名實(shí)體
4)詞性標(biāo)注(理解含義，意義)及其一致性檢查方法(位置屬性向量，詞性標(biāo)注序列向量，聚類或者分類算法)
▌七、句法分析
1)句法分析理解以及意義
1、句法結(jié)構(gòu)分析
完全句法分析
淺層分析(這里有很多方法。。。)
2、依存關(guān)系分析
2)句法分析方法
基于規(guī)則的句法結(jié)構(gòu)分析
基于統(tǒng)計(jì)的語法結(jié)構(gòu)分析
▌八、文本分類，情感分析
1)文本分類，文本排重
文本分類：在預(yù)定義的分類體系下，根據(jù)文本的特征，將給定的文本與一個(gè)或者多個(gè)類別相關(guān)聯(lián)
典型應(yīng)用：垃圾郵件判定，網(wǎng)頁自動(dòng)分類
2)文本表示，特征選取與權(quán)重計(jì)算，詞向量
文本特征選擇常用方法：
基于本文頻率的特征提取法
信息增量法
X2(卡方)統(tǒng)計(jì)量
互信息法
3)分類器設(shè)計(jì)
SVM，貝葉斯，決策樹等
4)分類器性能評測
召回率
正確率
F1值
5)主題模型(LDA)與PLSA
LDA模型十分強(qiáng)大，基于貝葉斯改進(jìn)了PLSA，可以提取出本章的主題詞和關(guān)鍵詞，建模過程復(fù)雜，難以理解。
6)情感分析
借助計(jì)算機(jī)幫助用戶快速獲取，整理和分析相關(guān)評論信息，對帶有感情色彩的主觀文本進(jìn)行分析，處理和歸納例如，評論自動(dòng)分析，水軍識別。
某種意義上看，情感分析也是一種特殊的分類問題
7)應(yīng)用案例
▌九、信息檢索，搜索引擎及其原理
1)信息檢索起源于圖書館資料查詢檢索，引入計(jì)算機(jī)技術(shù)后，從單純的文本查詢擴(kuò)展到包含圖片，音視頻等多媒體信息檢索，檢索對象由數(shù)據(jù)庫擴(kuò)展到互聯(lián)網(wǎng)。
點(diǎn)對點(diǎn)檢索
精確匹配模型與相關(guān)匹配模型
檢索系統(tǒng)關(guān)鍵技術(shù)：標(biāo)引，相關(guān)度計(jì)算
2)常見模型：布爾模型，向量空間模型，概率模型
3)常用技術(shù)：倒排索引，隱語義分析(LDA等)
4)評測指標(biāo)
▌十、自動(dòng)文摘與信息抽取，機(jī)器翻譯，問答系統(tǒng)
1)統(tǒng)計(jì)機(jī)器翻譯的的思路，過程，難點(diǎn)，以及解決
2)問答系統(tǒng)
基本組成：問題分析，信息檢索，答案抽取
類型：基于問題-答案，基于自由文本
典型的解決思路
3)自動(dòng)文摘的意義，常用方法
4)信息抽取模型(LDA等)
▌十一、深度學(xué)習(xí)在自然語言中的應(yīng)用
1)單詞表示，比如詞向量的訓(xùn)練(wordvoc)
2)自動(dòng)寫文本
寫新聞等
3)機(jī)器翻譯
4)基于CNN、RNN的文本分類
5)深度學(xué)習(xí)與CRF結(jié)合用于詞性標(biāo)注
標(biāo)簽： 互聯(lián)網(wǎng) 媒體 評測 數(shù)據(jù)庫 搜索 搜索引擎 網(wǎng)絡(luò)
版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。
