02-NLP-02-从朴素贝叶斯（NB）到语言模型

zoukankan html css js c++ java

02-NLP-02-从朴素贝叶斯（NB）到语言模型
1. 引言：朴素贝叶斯的局限性

我们知道朴素贝叶斯的局限性来源于其条件独立假设，它将文本看成是词袋子模型，不考虑词语之间的顺序信息，就会把“武松打死了老虎”与“老虎打死了武松”认作是一个意思。那么有没有一种方法提高其对词语顺序的识别能力呢？有，就是这里要提到的N-gram语言模型。

2. N-gram语言模型是啥？

2.1从假设性独立到联合概率链规则

照抄我们垃圾邮件识别中的条件独立假设，长这个样子：

$P (（ “ 我 ”, “ 司 ”, “ 可 ”, “ 办理 ”, “ 正规发票 ”, “ 保真 ”, “ 增值税 ”, “ 发票 ”, “ 点数 ”, “ 优惠 ”) | S)$

$P (（ “ 我 ”, “ 司 ”, “ 可 ”, “ 办理 ”, “ 正规发票 ”, “ 保真 ”, “ 增值税 ”, “ 发票 ”, “ 点数 ”, “ 优惠 ”) | S)$

为了简化起见，我们以字母 $x_{i}$

$P (x_{1}, x_{2}, x_{3}, x_{4}, x_{5}, x_{6}, x_{7}, x_{8}, x_{9}, x_{10})$

$P (x_{1}, x_{2}, x_{3}, x_{4}, x_{5}, x_{6}, x_{7}, x_{8}, x_{9}, x_{10})$

$P (x_{1}, x_{2}, x_{3}, x_{4}, x_{5}, x_{6}, x_{7}, x_{8}, x_{9}, x_{10})$

上面的公式要求满足独立性假设，如果去掉独立性假设，我们应该有下面这个恒等式，即联合概率链规则(chain rule) ：

$P (x_{1}, x_{2}, x_{3}, x_{4}, x_{5}, \dots, x_{n})$

2.2 从联合概率链规则到n-gram语言模型

上面的联合概率链规则公式考虑到词和词之间的依赖关系，但是比较复杂，在实际生活中几乎没办法使用，于是我们就想了很多办法去近似这个公式，比如我们要讲到的语言模型n-gram就是它的一个简化。

如果我们考虑一个词语对上一个词语的依赖关系，公式就简化了如下形式，我们把它叫做二元语法（bigram，2-gram）:

$P (x_{1}, x_{2}, x_{3}, x_{4}, x_{5}, x_{6}, x_{7}, x_{8}, x_{9}, x_{10})$

$P (x_{1}, x_{2}, x_{3}, x_{4}, x_{5}, x_{6}, x_{7}, x_{8}, x_{9}, x_{10})$

$P (x_{1}, x_{2}, x_{3}, x_{4}, x_{5}, x_{6}, x_{7}, x_{8}, x_{9}, x_{10})$

如果把依赖词长度再拉长一点，考虑一个词对前两个词的依赖关系，就叫做三元语法（trigram，3-gram），公式如下:

$P (x_{1}, x_{2}, x_{3}, x_{4}, x_{5}, x_{6}, x_{7}, x_{8}, x_{9}, x_{10})$

如果我们再考虑长一点，考虑n个词语之间的关系，恩恩，这就是n-gram的由来。歪果仁果然取名字简单粗暴又好记…

其实以上几个简化后的公式，就是著名的马尔科夫假设（Markov Assumption）：下一个词的出现仅依赖于它前面的一个或几个词。这相对于联合概率链规则，其实是一个有点粗糙的简化，不过很好地体现了就近思路，离得较远和关系比较弱的词语就被简化和省略了。实际应用中，这些简化后的n-gram语法比独立性假设还是强很多的。

2.3 怎样选择依赖词的个数"n"？（自行选定的超参数n）

选择依赖词的个数"n"主要与计算条件概率有关。理论上，只要有足够大的语料，n越大越好，毕竟这样考虑的信息更多嘛。条件概率很好算，统计一下各个元组出现的次数就可以，比如:

$P (“ 优惠 ” | “ 发票 ”, “ 点数 ”) = \frac{(“ 发票 ”, “ 点数 ” ， “ 优惠 ”) 出现的次数}{(“ 发票 ”, “ 点数 ”) 出现的次数}$

但我们实际情况往往是训练语料很有限，很容易产生数据稀疏，不满足大数定律，算出来的概率失真。比如(“发票”,“点数”，“优惠”)在训练集中竟没有出现，就会导致零概率问题。

又比如在英文语料库IBM, Brown中，三四百兆的语料，其测试语料14.7%的trigram（三元组）和2.2%的bigram（二元组）在训练语料中竟未出现！

另一方面，如果n很大，参数空间过大，也无法实用。假设词表的大小为 $100, 000$

那么，如何选择依赖词的个数n呢？从前人的经验来看：
- 经验上，trigram用的最多。尽管如此，原则上，能用bigram解决，绝不使用trigram。n取≥4的情况较少。
- 更大的n：对下一个词出现的约束信息更多，具有更大的辨别力；
- 更小的n：在训练语料库中出现的次数更多，具有更可靠的统计信息，具有更高的可靠性、实用性。但准确度、对下一个词的约束会更小。
3. N-gram实际应用举例

说了这么N-gram语言模型的背景知识，咱们再来看看N-gram语言模型在自然语言处理中有哪些常见应用。 PS：此部分以原理介绍为多，具体的技术实现细节请参考文中链接或者google。

3.1 词性标注

词性标注是一个典型的多分类问题。常见的词性包括名词、动词、形容词、副词等。而一个词可能属于多种词性。如“爱”，可能是动词，可能是形容词，也可能是名词。但是一般来说，“爱”作为动词还是比较常见的。所以统一给“爱”分配为动词准确率也还足够高。这种最简单粗暴的思想非常好实现，如果准确率要求不高则也比较常用。它只需要基于词性标注语料库做一个统计就够了，连贝叶斯方法、最大似然法都不要用。词性标注语料库一般是由专业人员搜集好了的，长下面这个样子。其中斜线后面的字母表示一种词性，词性越多说明语料库分得越细：

需要比较以下各概率的大小，选择概率最大的词性即可：

$P (词性_{i} | “ 爱 ") = \frac{“ 爱 " 作为 “ 词性_{i} ” 的次数}{“ 爱 " 出现的次数} ； i = 1, 2, 3...$

$P (词性_{i} | “ 爱 ") = \frac{“ 爱 " 作为 “ 词性_{i} ” 的次数}{“ 爱 " 出现的次数} ； i = 1, 2, 3...$

但这种方法没有考虑上下文的信息。而一般来说，形容词后面接名词居多，而不接动词，副词后面才接动词，而不接名词。 考虑到词性会受前面一两个词的词性的影响，可以引入2-gram模型提升匹配的精确度。 我们匹配以下这句话（已被空格分好词）中“爱”的词性：

"闷骚的李雷很爱韩梅梅"

将公式进行以下改造，比较各概率的大小，选择概率最大的词性：

$P (词性_{i} | “ 很 ” 的词性（副词）， “ 爱 ") = \frac{前面被 “ 副词 ” 修饰的 “ 爱 " 作为 “ 词性_{i} ” 的次数}{前面被 “ 副词 ” 修饰的 “ 爱 " 出现的次数} ； i = 1, 2, 3...$

$P (词性_{i} | “ 很 ” 的词性（副词）， “ 爱 ") = \frac{前面被 “ 副词 ” 修饰的 “ 爱 " 作为 “ 词性_{i} ” 的次数}{前面被 “ 副词 ” 修饰的 “ 爱 " 出现的次数} ； i = 1, 2, 3...$

计算这个概率需要对语料库进行统计。但前提是你得先判断好“很”的词性，因为采用2-gram模型，进而就需要提前判断“李雷”的词性，需要判断“闷骚的”词性。但是“闷骚的”作为第一个词语，已经找不比它更靠前的词语了。这时就可以考虑用之前最简单粗暴的方法判断“闷骚的”的词性，统一判断为形容词即可。

体现上下文之间的关系，就是将上下文之间的依赖加入到计算过程中来。同时，还是要求要有足够大的语料库，才能统计出较准确的概率。

PS:词性标注是自然语言处理中的一项基础性工作，有其细节实现远比我们介绍地更加丰富。感兴趣的同学可以看看这篇文章《NLTK读书笔记 — 分类与标注》

3.2 垃圾邮件识别

是的，亲，你！没！看！错！可以用N-gram进行垃圾邮件识别，而且是朴素贝叶斯方法的进化版。下面我们用直观的例子探讨一下其在分类问题上是怎么发挥作用的。一个可行的思路如下：
- 先对邮件文本进行断句，以句尾标点符号（“。” “!” “？”等）为分隔符将邮件内容拆分成不同的句子。
- 用N-gram分类器(马上提到)判断每个句子是否为垃圾邮件中的敏感句子。
- 当被判断为敏感句子的数量超过一定数量（比如3个）的时候，认为整个邮件就是垃圾邮件。
咳咳，有同学问N-gram分类器是什么鬼，这个分类器靠谱么。N-gram分类器是结合贝叶斯方法和语言模型的分类器。这里用 $Y_{1}, Y_{2}$

$P (Y_{i} | X) \propto P (X | Y_{i}) P (Y_{i}) ； i = 1, 2$

比较i=1和2时两个概率值的大小即可得到 $X$

$P (Y_{i} | X) \propto P (X | Y_{i}) P (Y_{i}) ； i = 1, 2$

$P (Y_{i} | X) \propto P (X | Y_{i}) P (Y_{i}) ； i = 1, 2$

$P (Y_{i} | X) \propto P (X | Y_{i}) P (Y_{i}) ； i = 1, 2$

公式中的条件概率也比较好求，举个例子：

$P (“ 优惠 ” | “ 点数 ” ， Y_{i}) = \frac{在类别 Y_{i} 中， (“ 点数 ” ， “ 优惠 ”) 出现的次数}{在类别 Y_{i} 中， “ 点数 ” 出现的次数}$

$P (“ 优惠 ” | “ 点数 ” ， Y_{i}) = \frac{在类别 Y_{i} 中， (“ 点数 ” ， “ 优惠 ”) 出现的次数}{在类别 Y_{i} 中， “ 点数 ” 出现的次数}$

剩下的就需要在语料库中间做一个的统计就是了。因为这种方法考虑到了词语前面的一个词语的信息，同时也考虑到了部分语序信息，因此区分效果会比单纯用朴素贝叶斯方法更好。

多提几句，N-gram方法在实际应用中有一些tricks需要注意：
- 3-gram方法的公式与上面类似。此处省略。从区分度来看，3-gram方法更好些。
- 句子开头的词，比如本例中的“我”，因为要考虑其本身作为开头的特征，可以考虑在其前面再添加一个句子起始符号如"《S》"，这样我们就不必单独计算 $P (" 我 " | Y_{i})$ 这样统计和预测起来都比较方便。
- 一般地，如果采用N-gram模型，可以在文本开头加入n-1个虚拟的开始符号，这样在所有情况下预测下一个词的可依赖词数都是一致的。
- 与朴素贝叶斯方法一样，N-gram模型也会发生零概率问题，也需要平滑技术。 ，别着急，下面马上讨论到。
3.3 中文分词

之前说过，中文分词技术是“中文NLP中，最最最重要的技术之一”，重要到某搜索引擎厂有专门的team在集中精力优化这一项工作，重要到能影响双语翻译10%的准确度，能影响某些query下搜索引擎几分之一的广告收入。不过简单的分词实现方式中，包含的原理其实也非常易懂。

说起来，中文分词也可以理解成一个多分类的问题。 这里用 $X$

$P (Y_{i} | X) \propto P (X | Y_{i}) P (Y_{i}) ； i = 1, 2, 3...$

比较这些概率的大小，找出使得 $P (Y_{i} | X)$

$Y_{i}$

而上面贝叶斯公式中 $P (X | Y_{i})$

$P (Y_{i} | X) \propto P (Y_{i}) ； i = 1, 2, 3...$

也就是说我们只要取最大化的 $P (Y_{i})$

$P (Y_{1}) = P (“ 我司 ” ， “ 可 ” ， “ 办理 ” ， “ 正规发票 ”)$

第二种分词方案的概率为：

$P (Y_{2}) = P (“ 我 ” ， “ 司可办 ” ， “ 理正规 ” ， “ 发票 ”)$

$P (Y_{2}) = P (“ 我 ” ， “ 司可办 ” ， “ 理正规 ” ， “ 发票 ”)$

由于在语料库中“司可办”与“理正规”一起连续出现的概率为0，于是 $P (Y_{2}) = 0$

3.4机器翻译与语音识别

除了上述说到的应用，N-gram语言模型在机器翻译和语音识别等顶级NLP应用中也有很大的用途。当然，机器翻译和语音识别是非常复杂的过程，N-gram语言模型只是其中的一部分，但是缺少它整个过程却进行不下去。对于这两个应用我们不打算罗列大量的公式，而只是举些例子，让大家了解一下语言模型是怎么发挥作用的。对于机器翻译而言，比如中译英，我们对于同一句话『李雷出现在电视上』，得到的三个译文：
- LiLei appeared in TV
- In LiLei appeared TV
- LiLei appeared on TV
其对应短语的翻译概率是一致的，从短语翻译的角度我们无法评定哪句才是正确的翻译结果。这时候，如果我们再使用语言模型(比如机器翻译里面最常见的是3-gram)，我们计算会得到最后一句话 $P (“ L i L e i ” | “ 《 S 》 ”, “ 《 S 》 ”) P (“ a p p e a r e d ” | “ L i L e i ”, “ 《 S 》 ”) P (“ o n ” | “ L i L e i ”, “ a p p e a r e d ”) P (“ T V ” | “ a p p e a r e d ”, “ o n ”)$

对应到语音识别问题中，我们也会遇到相同的问题，对于以下的2个句子：
- I went to a party #有具体含义
- Eye went two a bar tea #此句没有真正的意义
或者对应下述2个句子：
- 你现在在干什么？
- 你西安载感什么？
其对应的发音是完全一致的，这时如果我们借助于语言模型，我们会发现 $P (“ I ” | “ 《 S 》 ”, “ 《 S 》 ”) P (“ w e n t ” | “ I ”, “ 《 S 》 ”) P (“ t o ” | “ I ”, “ w e n t ”) P (“ a ” | “ w e n t ”, “ t o ”) P (“ p a r t y ” | “ t o ”, “ a ”)$

上面只是简单的举例，但是大家应该看出来了，在机器翻译和语音识别中，N-gram语言模型有着至关重要的地位。同样在现在最顶级的计算机视觉任务『图片内容表述』中，语言模型也发挥着至关重要的作用。语言模型的重要性可见一斑。

4. 平滑技术

现在我们可以比较专门探讨平滑技术了。为了解决零概率问题呢，我们需要给 “未出现的n-gram条件概率分布一个非零估计值，相应得需要降低已出现n-gram条件概率分布，且经数据平滑后一定保证概率和为1”。这就是平滑技术的基本思想。

4.1 拉普拉斯平滑

这是最古老的一种平滑方法，又称加一平滑法，其保证每个n-gram在训练语料中至少出现1次。以计算概率 $P (“ 优惠 ” | “ 发票 ”, “ 点数 ”)$

$P (“ 优惠 ” | “ 发票 ”, “ 点数 ”) = \frac{(“ 发票 ”, “ 点数 ” ， “ 优惠 ”) 出现的次数 + 1}{(“ 发票 ”, “ 点数 ”) 出现的次数 + 所有不重复的三元组的个数}$

在所有不重复的三元组的个数远大于(“发票”,“点数”)出现的次数时，即训练语料库中绝大部分n-gram都是未出现的情况（一般都是如此），拉普拉斯平滑有“喧宾夺主”的现象，效果不佳。

4.2 古德图灵(Good Turing)平滑

通过对语料库的统计，我们能够知道出现 $r$
- 出现0次的n元组也不能认为其是0次，应该给它一个比较小的估计值，比如为 $d_{0}$
- 为了保证总共的（出现和未出现的）n元组的次数不变，其他所有已出现的n元组的次数r应该打一个折扣，比如为 $d_{r}$
- 然后再用新的 $d_{r}$
所以问题的关键是计算 $d_{r}$

$d_{r}$

$\sum_{r = 0}^{\infty} d_{r} \times N_{r} = \sum_{r = 0}^{\infty} (r + 1) \times N_{r + 1}$

所以干脆令：

$d_{r} \times N_{r} = (r + 1) \times N_{r + 1} ； r = 0, 1, 2...$

这样就可以求出 $d_{r}$

直接的改进策略就是 “对出现次数超过某个阈值的n元组，不进行平滑，阈值一般取8~10”，其他方法请参见“Simple Good-Turing”。

4.3 组合估计平滑

不管是拉普拉斯平滑，还是古德图灵平滑技术，对于未出现的n元组都一视同仁，而这难免存在不合理。 因为哪怕是未发生的事件，相互之间真实的概率也会存在差别。

另一方面，一个n元组可能未出现，但是其(n-1)元组或者(n-2)元组是出现过的，这些信息如果不利用就直接浪费掉了。在没有足够的数据对高元n-gram模型进行概率估计时，低元n-gram模型通常可以提供有用的信息。 因此可以利用利用低元n-gram模型的信息对高元n-gram模型进行估计：
- 如果低元n-gram模型的概率本来就很低，那么就给高元n-gram模型一个较低的估计值；
- 如果低元n-gram模型有一个中等的概率，那么就给高元n-gram模型一个较高的估计值。
常用的组合估计算法有线性差值法和Katz回退法。具体公式比较复杂，这里就不列了。感兴趣的同学可参考 Christopher D. Manning 的《统计自然语言处理基础》

5. 从N-gram谈回贝叶斯方法

聊了这么多N-gram语言模型，我们再回到贝叶斯方法，从实际应用中看看他们的关联。最原始的用贝叶斯方法进行分类的公式其实非常简单：

具体到不同应用中，它就可以演化出多种玩法：
- 对于拼写纠错（非词错误） ， $X$
- 对于垃圾邮件识别， $X$
  
  如果对向量 $X$
  
  如果对向量 $X$
- 对于中文分词， $X$
那么有没有一种模型处理的 $X$

$X$

$X$

$X$

$X$
查看全文