0
| 本文作者： 劉鵬 | 2018-06-04 09:40 |
雷鋒網(wǎng) AI 研習(xí)社按：伴隨著近幾年的機(jī)器學(xué)習(xí)的熱潮，自然語(yǔ)言處理成為了目前炙手可熱的研究方向，同時(shí)也是 Google、Microsoft、Facebook、Baidu、Alibaba 等各大公司投入巨額資金和高端人力努力爭(zhēng)奪的下一個(gè)互聯(lián)網(wǎng)流量入口（智能助手、智能音箱等）。
近日，雷鋒網(wǎng)研習(xí)社公開(kāi)課邀請(qǐng)了孔曉泉來(lái)介紹自然語(yǔ)言處理技術(shù)的一些基本知識(shí)、行業(yè)的發(fā)展現(xiàn)狀和基于深度學(xué)習(xí)的通用的 NLP 處理流程。本次分享將幫助想要學(xué)習(xí)和從事 NLP 的學(xué)生、工程師以及愛(ài)好者建立一個(gè)基本的 NLP 的知識(shí)框架，熟悉基礎(chǔ)的技術(shù)方案，了解通用的深度學(xué)習(xí)處理流程。視頻回放地址：http://www.mooc.ai/open/course/495
孔曉泉，現(xiàn)就職于某 BAT 互聯(lián)網(wǎng)公司，在公司內(nèi)從事自然語(yǔ)言處理（NLP）相關(guān)項(xiàng)目的研究和開(kāi)發(fā)，工作內(nèi)容直接向公司的 VP（Vice President / 副總裁）報(bào)告，Language Understanding Service (LUS) 系統(tǒng)的設(shè)計(jì)者和負(fù)責(zé)人，多個(gè)重量級(jí)開(kāi)源 NLP 項(xiàng)目（如 Spacy、RASA NLU 等）的 Contributor。
分享主題：自然語(yǔ)言處理（NLP）應(yīng)用和前沿技術(shù)回顧
分享提綱
簡(jiǎn)單介紹和應(yīng)用舉例
經(jīng)典的實(shí)現(xiàn)方法
基于深度學(xué)習(xí)的方案
DNN-based NLP 常用技術(shù)
回顧和總結(jié)
分享內(nèi)容：
總的來(lái)說(shuō)，自然語(yǔ)言處理技術(shù)相當(dāng)復(fù)雜，在一個(gè)小時(shí)內(nèi)將其講清楚也不太現(xiàn)實(shí)。因此，這節(jié)課主要想給大家留下兩方面的印象：一是使大家對(duì) NLP 產(chǎn)生興趣和對(duì)其大體了解，并列舉一些 NLP 在生活中得到實(shí)際應(yīng)用的例子。第二，從非常抽象的角度進(jìn)行講解，神經(jīng)網(wǎng)絡(luò)時(shí)代 NLP 的一些宏觀的處理方法。
下面進(jìn)行簡(jiǎn)答介紹和應(yīng)用舉例，下圖是維基百科對(duì)自然語(yǔ)言處理的解釋：
目前來(lái)看，自然語(yǔ)言生成距離實(shí)際應(yīng)用還比較遙遠(yuǎn)，除了文字轉(zhuǎn)語(yǔ)音技術(shù)（Text-To-Speech）已經(jīng)比較成熟之外，其他還無(wú)法實(shí)際應(yīng)用，但目前的自然語(yǔ)言理解已經(jīng)相對(duì)實(shí)用，包括創(chuàng)業(yè)公司在內(nèi)的各大公司在此領(lǐng)域的研究成果也已相當(dāng)不俗，可以實(shí)現(xiàn)工業(yè)化使用。因此，本節(jié)公開(kāi)課將重點(diǎn)介紹自然語(yǔ)言理解。
自然語(yǔ)言理解（簡(jiǎn)稱 NLU），同樣來(lái)看維基百科的解釋：
換一個(gè)說(shuō)法來(lái)講，自然語(yǔ)言主要的輸入是人類的語(yǔ)言（語(yǔ)音，文字均可），輸出是計(jì)算機(jī)可以理解的一些高維度數(shù)據(jù)。
關(guān)于自然語(yǔ)言理解能做什么？我將從人機(jī)交談，機(jī)器翻譯和自動(dòng)摘要這三個(gè)方面來(lái)講解自然語(yǔ)言理解的具體應(yīng)用。
人機(jī)交談
人機(jī)交談存在語(yǔ)音和文字兩種方式，一般情況下，文字可以直接處理，如果是語(yǔ)音，通常情況下需要將語(yǔ)音轉(zhuǎn)換成文字（Automatic Speech Recognition）。
交談根據(jù)目的可分為兩種，一種是閑聊，另外一種是任務(wù)型聊天。
閑聊，不存在任何目的，可分為陪伴機(jī)器人和娛樂(lè)機(jī)器人，陪伴機(jī)器人主要用來(lái)陪伴一些比較孤獨(dú)的老人和幫助小朋友練習(xí)簡(jiǎn)單的英語(yǔ)。娛樂(lè)機(jī)器人大家就比較熟悉了，例如微軟小冰。任務(wù)型人機(jī)交談具有明確的任務(wù)，屬于垂直領(lǐng)域。如訂機(jī)票機(jī)器人和客服機(jī)器人，客服機(jī)器人大家接觸最多，客服機(jī)器人可依據(jù)媒體的不同分為兩種，一種是基于電話語(yǔ)音，解答用戶的需求。另外一種基于文本，更常見(jiàn)，在淘寶，京東等各大電商上，先接待你的一般都為客服機(jī)器人，客服機(jī)器人可解答物流，商品信息等這種簡(jiǎn)單而又大量重復(fù)問(wèn)題，以節(jié)約成本。
一般情況下，交談?shì)敵龅臑槲淖?，但如果終端為智能音響或者在開(kāi)車這種并不適合文字的場(chǎng)景下，就會(huì)產(chǎn)生文字轉(zhuǎn)語(yǔ)音的需求。
這里簡(jiǎn)單介紹一下圖靈測(cè)試，圖靈測(cè)試是一個(gè)衡量機(jī)器智能達(dá)到人類智能的一個(gè)重要測(cè)試，測(cè)試過(guò)程這樣進(jìn)行：將人放在一個(gè)隔離的房間里，通過(guò)電腦終端和另外一個(gè)房間的人類或者電腦進(jìn)行通訊（通過(guò)語(yǔ)音或者文字），如果人無(wú)法區(qū)分對(duì)面房間里是人還是機(jī)器，這時(shí)就可以判定智能機(jī)器人通過(guò)了圖靈測(cè)試，也間接說(shuō)明了機(jī)器具備人一樣的智能。因此，將圖靈測(cè)試作為評(píng)判機(jī)器到達(dá)人類智能的一個(gè)重要測(cè)試。
機(jī)器翻譯
機(jī)器翻譯最常見(jiàn)的是文本翻譯，中日文，中英文，還有中文到克林貢語(yǔ)（人造語(yǔ)言）。
除了傳統(tǒng)的文本翻譯之外，還有比較特殊的手語(yǔ)翻譯和唇語(yǔ)翻譯，下圖為華盛頓大學(xué)的學(xué)生作品：將手語(yǔ)翻譯成英語(yǔ)的翻譯手套獲得了 MIT 的學(xué)生創(chuàng)新大獎(jiǎng)。
唇語(yǔ)翻譯
日常生活中存在一些語(yǔ)音不可用的場(chǎng)景，如噪音較大的馬路上，而且攝像頭未配備麥克風(fēng)，這時(shí)，如果配備唇語(yǔ)識(shí)別技術(shù)，可以識(shí)別重要客戶的重要信息，為公共安全提供更加有效的支持，據(jù)我所知，搜狗也推出了中文的唇語(yǔ)識(shí)別技術(shù)。
在視頻介紹中可得治，Lipnet 能達(dá)到 93% 的驚人識(shí)別率，即使是經(jīng)驗(yàn)豐富的人類唇語(yǔ)識(shí)別者的平均識(shí)別率也只有 52%。
自動(dòng)摘要
濃縮式摘要，指將文章內(nèi)容壓縮，精簡(jiǎn)成更加短小的文本內(nèi)容（或文本片段），大家眼熟的是無(wú)差別的總結(jié)單個(gè)文本內(nèi)容，類似文章的摘要。另外一種更加有意思，即增量的總結(jié)多篇文章內(nèi)容，比如當(dāng)我閱讀一篇文章，了解了某一個(gè)事物的認(rèn)知，當(dāng)讀第二篇關(guān)于該事物的文章時(shí)，我的認(rèn)知加強(qiáng)了（或更新了），到第三天，認(rèn)知得到不斷加強(qiáng)。在這方面，有一家創(chuàng)業(yè)公司做得相當(dāng)不錯(cuò)，他們針對(duì)主題為「蘋(píng)果汽車」的多篇文章進(jìn)行了增量的總結(jié)。
演示視頻中，對(duì)「蘋(píng)果汽車」的多篇文章進(jìn)行了自動(dòng)摘要，第一篇文章出來(lái)后，對(duì)其進(jìn)行了摘要，第二篇文章后，它又在摘要的基礎(chǔ)上進(jìn)行了改寫(xiě)，第三篇出來(lái)后，不斷進(jìn)行改寫(xiě)，第四篇不斷地加強(qiáng)等。
除了濃縮式摘要，還有基于查詢的摘要。
基于查詢的摘要，即基于用戶的查詢?nèi)フ页鱿嚓P(guān)的文本，就像做閱讀理解，讀了一篇文章，題目要求找出能回答該問(wèn)題的句子，這就類似基于查詢的摘要。另外，谷歌也有一個(gè)「精選摘要」特性，上圖中谷歌針對(duì)我搜索的內(nèi)容將它認(rèn)為是答案的部分進(jìn)行了高亮操作。
上面，我們講解了自然語(yǔ)言的定義和應(yīng)用場(chǎng)景，下面我們來(lái)介紹下自然語(yǔ)言的經(jīng)典實(shí)現(xiàn)方法。
經(jīng)典的實(shí)現(xiàn)方法
其中有一些容易理解，一些難以理解，我會(huì)逐個(gè)進(jìn)行介紹，首先是分詞。
在處理復(fù)雜的任務(wù)之前必須完成分詞。英語(yǔ)除了依據(jù)空格進(jìn)行分詞外，還會(huì)基于規(guī)則，例如 do 和 n't 的分開(kāi)。中文分詞對(duì)外國(guó)人或者機(jī)器來(lái)說(shuō)相當(dāng)困難，例如圖中這個(gè)典型的「我一把把把把住了」。
詞形還原
詞性還原并不適用于中文。上圖介紹了一些經(jīng)典的例子，其中，相同的顏色表示相同的詞對(duì)應(yīng)的關(guān)系。
詞性標(biāo)注
詞性標(biāo)注，是指給句子里的每一個(gè)詞標(biāo)注一個(gè)詞性類別（名詞，動(dòng)詞，形容詞或其他類型）。傳統(tǒng)上，英語(yǔ)有八大詞類，名詞，代詞，形容詞，動(dòng)詞，副詞，介詞，連詞和感嘆詞。不同分類方法，分類也不同，有一些分類方法比較細(xì)致，細(xì)分一點(diǎn)。
看下面這個(gè)例子：
「王小明」，「北京」，「清華」的標(biāo)記為 NR，指代專有名詞，「在」標(biāo)記為 P，指代介詞，「的」標(biāo)記為 DEG，指代連接詞，「大學(xué)」標(biāo)記為 NN，指代普通名詞，「讀書(shū)」標(biāo)記為 VV，指代其他動(dòng)詞，「。」標(biāo)記為 PU，指代標(biāo)點(diǎn)符號(hào)。
依存語(yǔ)法
還是來(lái)看「王小明在北京的清華大學(xué)讀書(shū)?！惯@個(gè)例句，詞性標(biāo)注的標(biāo)記還是一樣，這里的依存關(guān)系標(biāo)記體系的使用標(biāo)準(zhǔn)為 Universal Dependencies (http://universaldependencies.org/)，可以在上圖中發(fā)現(xiàn)有個(gè)比較特殊的地方，就是「讀書(shū)」只有向外發(fā)出，而沒(méi)有指向它的箭頭，「讀書(shū)」是句子里唯一的那個(gè)根，一個(gè)句子只有一個(gè)根，所有句子關(guān)系都是直接或間接由這個(gè)根產(chǎn)生的。上圖示例中，「讀書(shū)」和「王小明」是有關(guān)系的，「王小明」是「讀書(shū)」的名詞性主語(yǔ)，「大學(xué)」是「讀書(shū)」的名詞性修飾語(yǔ)，「清華」和「大學(xué)」是一種復(fù)合的關(guān)系，「清華」和「大學(xué)」就構(gòu)成一個(gè)復(fù)合短語(yǔ)，「大學(xué)」是「北京」的名詞性修飾語(yǔ)，除此之外，「在」和「的」都是賓格的標(biāo)記，表示所有所屬關(guān)系。
命名實(shí)體識(shí)別
在該例子中可以看到，「王小明」是一個(gè)人名，「北京」是一個(gè)省的名字，「清華大學(xué)」是一個(gè)組織。由此可知，命名實(shí)體識(shí)別的功能（職責(zé)）就是，把句子中所屬的實(shí)體找出來(lái)。
關(guān)于命名實(shí)體識(shí)別的詳細(xì)解讀可參考此前「UT Austin 博士生沈彥堯：基于深度主動(dòng)學(xué)習(xí)的命名實(shí)體識(shí)別」的分享總結(jié)。
到這里，就講完了基于傳統(tǒng)的方案，下面來(lái)講解基于深度學(xué)習(xí)的方案。
基于深度學(xué)習(xí)的方案
在深度學(xué)習(xí)還未爆發(fā)之前，自然語(yǔ)言處理一直發(fā)展緩慢，而且距離具體的實(shí)用也很遙遠(yuǎn)，原因可參考前面的傳統(tǒng)方法講解，傳統(tǒng)方法只是基于句子的結(jié)構(gòu)，并沒(méi)有將句子的意思用一種計(jì)算機(jī)理解的方案表現(xiàn)出來(lái)，因此自然語(yǔ)言處發(fā)展緩慢。直到最近得益于深度學(xué)習(xí)的爆發(fā)，自然語(yǔ)言得到了快速發(fā)展。
再加上其實(shí)用性較高，許多巨頭公司也加大了對(duì)自然語(yǔ)言領(lǐng)域的投入。
那么，為什么說(shuō)神經(jīng)網(wǎng)絡(luò)對(duì)自然語(yǔ)言產(chǎn)生了很大影響？
神經(jīng)網(wǎng)絡(luò)具有的高度靈活性和端到端的屬性，成功的讓自然語(yǔ)言處理更加易于使用。
端到端的方案
深度學(xué)習(xí)有一個(gè)優(yōu)點(diǎn)：端到端的方案，該方案的輸入是原始的輸入（原始的文字或稍經(jīng)過(guò)加工），輸出是一些人類可以理解的，而非中間結(jié)果。端到端是實(shí)用的最重要的一點(diǎn)，它簡(jiǎn)化了大量人工特征工程，讓自然語(yǔ)言處理變得相當(dāng)實(shí)用。
下面來(lái)介紹主流的自然語(yǔ)言處理流程：
詞嵌入
借助下面單詞「King」在三維空間中的嵌入位置演示視頻來(lái)了解詞嵌入在實(shí)際中是如何應(yīng)用的。
編碼，是指通過(guò) RNN 技術(shù)（循環(huán)神經(jīng)網(wǎng)絡(luò)）將詞語(yǔ)進(jìn)一步編碼成一個(gè)考慮了上下文和語(yǔ)義的向量。剛才講解的詞嵌入，是把詞轉(zhuǎn)化為向量，但存在這些詞并沒(méi)有考慮到上下文，在句子中并不知道上下文是什么的問(wèn)題，所以在編碼過(guò)程中我們就要充分考量這些詞的上下文，對(duì)其重新編碼，編碼成一個(gè)具有語(yǔ)義的向量，一般情況下，會(huì)更加短小一點(diǎn)。
關(guān)于接下來(lái)的一步，我們來(lái)看下 Attention 機(jī)制。
Attention 機(jī)制類似人的眼睛，一般情況下，當(dāng)你看到一張圖時(shí)，你要先大體掃描下，找到感興趣的區(qū)域，重點(diǎn)關(guān)注感興趣的區(qū)域部分，也就是權(quán)重一般放在你關(guān)系的點(diǎn)上，減少對(duì)其他區(qū)域的關(guān)注。
借助下面一張圖來(lái)了解 Attention 機(jī)制：
首先你會(huì)大體掃描下這張圖，隨后你會(huì)將重點(diǎn)放在這個(gè)球上面（關(guān)心這個(gè)球是個(gè)什么球），這和剛才講解的 Attention 機(jī)制運(yùn)行的方案是一致的，我們會(huì)重點(diǎn)關(guān)注這個(gè)球（球有什么特征），但并不會(huì)關(guān)心草地（例如草的種類是什么），這就是 Attention 機(jī)制。
還可以借助來(lái)自斯坦福的 Attention 機(jī)制動(dòng)畫(huà)演示加深理解，針對(duì)演示動(dòng)畫(huà)的詳細(xì)講解可查看回放視頻。
解碼
解碼：需要實(shí)際將向量轉(zhuǎn)換成目標(biāo)對(duì)象（詞語(yǔ)或者向量），在翻譯過(guò)程中就是詞語(yǔ)，標(biāo)量用于情感分析：積極，消極，或預(yù)測(cè)評(píng)分，這些都需要解碼。
后面來(lái)介紹深度神經(jīng)網(wǎng)絡(luò)時(shí)代，NLP 常用的技術(shù)，剛才我們也提到了一些技術(shù)，現(xiàn)在我們更加深入地來(lái)了解。
其中，CNN 雖然主要用于圖像，但目前圖像和語(yǔ)音技術(shù)也逐漸出現(xiàn)了融合統(tǒng)一。
第一個(gè)部分，介紹 Embedding：word2vec
Embedding 思想：一個(gè)詞在一個(gè)句子中的意思，應(yīng)該能通過(guò)句子周邊的詞進(jìn)行推測(cè)，類似完形填空和成語(yǔ)中間去掉一個(gè)詞，也就是可以通過(guò)周邊詞來(lái)預(yù)測(cè)中心詞。word2vec，將中心詞周邊兩三個(gè)詞作為它的一個(gè)窗口大小，窗口內(nèi)的非中心詞就作為周邊詞，思想是，在一個(gè)句子中，我們可以通過(guò)周邊詞來(lái)預(yù)測(cè)中心詞，反之亦然，借此構(gòu)建一個(gè)模型，中心詞和周邊詞語(yǔ)距離近，中心詞和非周邊詞距離遠(yuǎn)，通過(guò)這個(gè)簡(jiǎn)單想法就可以實(shí)現(xiàn) word2vec。
再次借助句例來(lái)了解下 word2vec 大體上是如何運(yùn)作的：
還是選擇「王小明在北京的清華大學(xué)讀書(shū)」這個(gè)例句，中心詞為「在」，用綠色標(biāo)注，「王小明」和「北京」分別是它的周邊詞，窗口內(nèi)大小是 1，我們通過(guò)周邊詞來(lái)預(yù)測(cè)中心詞，就可以構(gòu)建一個(gè)詞語(yǔ)對(duì)（王小明，在）（北京，在），然后將窗口右移，得到了一個(gè)新的詞語(yǔ)對(duì)（在，北京）（的，北京），按照這個(gè)方式不斷右移，直到句子結(jié)束，在該過(guò)程中得到一些詞語(yǔ)對(duì)，通過(guò)這種形式來(lái)訓(xùn)練 word2vec。
循環(huán)神經(jīng)網(wǎng)絡(luò) RNN
一般的神經(jīng)網(wǎng)絡(luò)很難處理序列數(shù)據(jù)，因?yàn)樾蛄袛?shù)據(jù)含有上下文，而且長(zhǎng)度也不一定。循環(huán)神經(jīng)網(wǎng)絡(luò)有個(gè)特點(diǎn)，輸出作為下一個(gè)相同結(jié)構(gòu)但不同實(shí)例的網(wǎng)絡(luò)結(jié)構(gòu)的輸入，如上圖。
樸素的循環(huán)神經(jīng)網(wǎng)絡(luò)在實(shí)現(xiàn)的時(shí)候，存在一個(gè)問(wèn)題，它對(duì)距離近的詞記憶較好，對(duì)于距離遠(yuǎn)的詞記憶模糊（由于網(wǎng)絡(luò)長(zhǎng)，權(quán)重隨之變?。赃@種比較原始的 RNN 用得并不多。
在實(shí)際中，常使用 RNN 的變體 LSTM，即長(zhǎng)短期記憶 (Long Short Term Memory)，在 LSTM 中，如下圖，上面那條是長(zhǎng)期記憶，下面那條是短期記憶。
LSTM 的優(yōu)勢(shì)在于，我們可以使用 RNN，同時(shí)也能避免其長(zhǎng)期失憶的問(wèn)題。當(dāng)然，LSTM 也存在一些需要改進(jìn)的地方，大家可自行參考相關(guān)資料。
卷積神經(jīng)網(wǎng)絡(luò) CNN
CNN 在圖像中應(yīng)用較多，CNN 與前面介紹的一維的滑窗類似，不同的是 CNN 為二維。CNN 的基本思想為，滑窗是一個(gè)個(gè)小的檢測(cè)器，通過(guò)檢測(cè)得到數(shù)據(jù)，以此構(gòu)建低級(jí)的特性，在往后傳遞的時(shí)候不斷地使用一些高級(jí)的特性，最后這些高級(jí)特性用于生成等目的。
此處也使用了同樣來(lái)自斯坦福演示視頻對(duì) CNN 進(jìn)行了介紹，左邊藍(lán)色部分指一個(gè)個(gè)的圖像，中間紅色區(qū)域代表 filter（檢測(cè)窗口），右邊的綠色區(qū)域?yàn)榧訖?quán)得到的值，具體講解內(nèi)容大家可以回放課程進(jìn)行查看。
以上就是本期嘉賓的全部分享內(nèi)容，本次講師孔曉泉也在公開(kāi)課視頻的最后附有聯(lián)系方式，大家有問(wèn)題想要交流的可以前往查看。更多公開(kāi)課視頻請(qǐng)到雷鋒網(wǎng) AI 慕課學(xué)院觀看。關(guān)注微信公眾號(hào)：AI 研習(xí)社，可獲取最新公開(kāi)課直播時(shí)間預(yù)告。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
