文章目录
- 1、简介
- 2、自然语言处理的发展简史
- 3、语言学理论
- 4、统计与机器学习方法
-
- [n-gram 模型](#n-gram 模型)
- 隐马尔可夫模型（HMM）
- 条件随机场（CRF）
- [朴素贝叶斯（Naive Bayes）](#朴素贝叶斯（Naive Bayes）)
- 5、深度学习方法
-
- [词嵌入（Word Embeddings）](#词嵌入（Word Embeddings）)
- 卷积神经网络（CNN）
- 循环神经网络（RNN）及其变种
- [Transformer 模型](#Transformer 模型)
- 6、预训练模型与转移学习
-
- [BERT（Bidirectional Encoder Representations from Transformers）](#BERT（Bidirectional Encoder Representations from Transformers）)
- [GPT（Generative Pre-trained Transformer）](#GPT（Generative Pre-trained Transformer）)
- [T5（Text-to-Text Transfer Transformer）](#T5（Text-to-Text Transfer Transformer）)
- 7、自然语言处理的应用
- 8、小结
🍃作者介绍：双非本科大三网络工程专业在读，阿里云专家博主，专注于Java领域学习，擅长web应用开发、数据结构和算法，初步涉猎人工智能和前端开发。
🦅个人主页：@逐梦苍穹
📕所属专栏：人工智能
🌻gitee地址：xzl的人工智能代码仓库
✈ 您的一键三连，是我创作的最大动力🌹
1、简介
自然语言处理（Natural Language Processing, 简称NLP）是计算机科学与语言学中关注于计算机与人类语言间转换的领域。
自然语言处理（NLP）涉及多个层次的理论和技术，从基础语言学到先进的深度学习模型。
2、自然语言处理的发展简史
3、语言学理论
句法学（Syntax）
- 上下文无关文法（Context-Free Grammar, CFG）：定义如何生成句子的规则，通常用于句法树的构建和分析。
- 依存语法（Dependency Grammar）：研究句子中词语之间的依赖关系，更适合捕捉语言的实际使用情况。
- X-bar 语法：一种扩展的短语结构语法，用于解释句子的层次结构。
语义学（Semantics）
- 词汇语义学（Lexical Semantics）：研究词语的含义及其组合方式，包括同义词、反义词、多义词等。
- 组合语义学（Compositional Semantics）：通过逻辑和数学方法，研究句子意义如何从单词的意义中组合而成。
- 框架语义学（Frame Semantics）：基于认知语言学，研究语言表达的意义与背景知识的关系。
语用学（Pragmatics）
- 言语行为理论（Speech Act Theory）：研究语言使用者通过语言进行的各种行为，如声明、提问、命令等。
- 会话含义（Conversational Implicature）：研究说话者如何通过语言的间接使用传递隐含意义。
- 语用推理（Pragmatic Inference）：研究听话者如何通过上下文理解隐含信息。
形态学（Morphology）
- 屈折变化（Inflection）：词形变化以表示语法信息，如动词的时态、名词的数。
- 派生变化（Derivation）：通过添加前缀或后缀形成新词，如名词转化为动词。
- 形态分析与生成：利用规则或统计方法进行词形还原（Lemmatization）和词干提取（Stemming）。
4、统计与机器学习方法
n-gram 模型
- 平滑技术（Smoothing Techniques）：如加法平滑、Katz 回退、Kneser-Ney 平滑，用于处理未见过的 n-gram。
- 统计语言建模：通过计算 n-gram 的联合概率和条件概率来预测下一个词或词组。
隐马尔可夫模型（HMM）
- 维特比算法（Viterbi Algorithm）：用于找到最可能的隐藏状态序列。
- 前向-后向算法（Forward-Backward Algorithm）：用于计算序列中各状态的概率分布。
- Baum-Welch 算法：一种 EM（Expectation-Maximization）算法，用于从未标注数据中估计 HMM 的参数。
条件随机场（CRF）
- 特征函数设计：利用输入数据的特征，如词性、词形等，构建特征函数。
- 参数估计：通过最大似然估计（Maximum Likelihood Estimation）或正则化方法估计模型参数。
- 序列标注：通过动态规划算法，如维特比算法，实现最优标注序列的解码。
朴素贝叶斯（Naive Bayes）
- 贝叶斯定理：通过计算后验概率进行分类。
- 假设条件独立性：尽管这一假设在实际应用中不总是成立，但朴素贝叶斯在许多实际应用中表现良好。
- 拉普拉斯平滑：处理零概率问题，防止某些词语未见过的情况下影响分类结果。
5、深度学习方法
词嵌入（Word Embeddings）
- Word2Vec：通过 Skip-gram 和 CBOW 模型训练词向量，捕捉词语的语义相似性。
- GloVe（Global Vectors for Word Representation）：通过全局词共现矩阵训练词向量，平衡全局和局部信息。
- FastText：扩展 Word2Vec，通过子词信息提高对低频词和未见词的处理能力。
卷积神经网络（CNN）
- 一维卷积（1D Convolution）：适用于文本数据，利用卷积核捕捉局部词组特征。
- 池化层（Pooling Layer）：如最大池化（Max Pooling）和平均池化（Average Pooling），用于缩减特征图尺寸，提高模型泛化能力。
- 应用场景：文本分类、情感分析、句子匹配等。
循环神经网络（RNN）及其变种
- 标准 RNN：处理序列数据，但存在梯度消失和梯度爆炸问题。
- 长短期记忆网络（LSTM）：通过引入记忆单元和门机制，解决长期依赖问题。
- 门控循环单元（GRU）：简化的 LSTM，计算效率更高。
- 双向 RNN（Bi-directional RNN）：结合前向和后向 RNN，提高对上下文信息的捕捉能力。
Transformer 模型
- 自注意力机制（Self-Attention Mechanism）：捕捉序列中任意位置的依赖关系，计算复杂度为 O(n^2)。
- 多头注意力（Multi-Head Attention）：通过并行注意力头，捕捉不同子空间的信息。
- 位置编码（Positional Encoding）：在模型中引入位置信息，弥补 Transformer 缺少序列位置信息的不足。
- 预训练模型：如 BERT（双向编码器表示）和 GPT（生成预训练变换器），通过大规模语料预训练，在特定任务上微调，显著提高性能。
6、预训练模型与转移学习
BERT（Bidirectional Encoder Representations from Transformers）
- 双向训练：通过同时考虑左上下文和右上下文，捕捉更丰富的语义信息。
- 遮掩语言模型（Masked Language Model）：在预训练阶段随机遮掩部分词语，模型通过预测这些词语进行训练。
- 下一句预测（Next Sentence Prediction, NSP）：预训练时通过判断两句子是否连续，学习句子间的关系。
GPT（Generative Pre-trained Transformer）
- 单向训练：通过从左到右生成文本，适合文本生成任务。
- 解码器架构：与 BERT 的编码器架构不同，GPT 采用解码器架构，更适合生成任务。
- 零样本、少样本学习：通过大规模预训练，GPT-3 展现出在许多任务中的零样本和少样本学习能力。
T5（Text-to-Text Transfer Transformer）
- 统一任务格式：将所有 NLP 任务统一为文本到文本的格式，简化了模型的使用和任务转换。
- 预训练任务：通过多种预训练任务（如遮掩语言模型、拼写纠错等）提高模型的泛化能力。
- 多任务学习：在预训练阶段同时进行多种任务，提高模型在不同任务上的表现。
7、自然语言处理的应用
文本分类
- 情感分析：通过分类模型判断文本的情感倾向，如积极、消极、中立。
- 主题分类：将文本分类到不同的主题，如新闻分类、文档分类等。
- 垃圾邮件检测：通过分类模型识别垃圾邮件，提高邮箱的安全性。
信息提取
- 命名实体识别（Named Entity Recognition, NER）：识别文本中的实体，如人名、地名、组织名等。
- 关系抽取（Relation Extraction）：从文本中提取实体间的关系，如人物关系、事件关系等。
- 事件抽取（Event Extraction）：识别文本中的事件及其参与者、时间、地点等信息。
机器翻译
- 统计机器翻译（Statistical Machine Translation, SMT）：通过统计模型进行语言翻译，如短语翻译模型、层次短语模型。
- 神经机器翻译（Neural Machine Translation, NMT）：通过端到端的神经网络模型进行翻译，如基于序列到序列（Seq2Seq）模型、Transformer 模型。
- 自适应翻译（Adaptive Translation）：通过实时反馈和用户校正提高翻译质量。
问答系统
- 检索式问答（Retrieval-Based QA）：通过搜索技术在大量文档中检索答案，常用于知识库问答。
- 生成式问答（Generative QA）：通过生成模型生成答案，常用于对话系统、聊天机器人等。
文本生成
- 语言模型生成（Language Model Generation）：通过训练好的语言模型生成连贯的文本，如文章生成、新闻生成等。
- 对话系统（Dialogue Systems）：生成自然、连贯的对话，如智能助手、客服机器人等。
- 故事生成（Story Generation）：生成富有创意和连贯的故事，常用于娱乐、教育等领域。
8、小结
通过结合以上理论知识和技术方法，自然语言处理在处理复杂语言任务方面取得了显著进展，同时仍面临诸如语义理解、上下文处理等挑战
随着深度学习和计算能力的提升，NLP 的应用前景更加广阔。