NLP任務中有哪些巧妙的idea？

• 2019 年 11 月 26 日
• 筆記

作者：邱錫鵬

鏈接：https://www.zhihu.com/question/356132676/answer/901244271

先從語義表示說起吧，個人覺得都是簡單並且巧妙的想法（但其背後的理論不一定簡單）。

1. 分散式假設（Distributional Hypothesis）

"Linguistic items with similar distributions have similar meanings."

參考：https://link.zhihu.com/?target=https%3A//en.wikipedia.org/wiki/Distributional_semantics

直白點就是，一個詞的語義可以用它的上下文表示。

對NLP來說，個人覺得分散式假設是來自語言學的最有價值的「理論」之一。

2. 詞袋模型（Bag-of-Words）

將一篇文檔看作是一個詞的集合，不考慮語法，甚至是詞序資訊也都拋棄了。

BoW模型解決了用機器學習來做NLP的一個痛點問題：怎樣把一個變成的文本序列轉換為定長的向量。

相關擴展：N-gram，TF-IDF等

3. 潛在語義分析（Latent Semantic Analysis）

4. 概率主題模型（Probabilistic Topic Models ）

概率主題模型比詞袋模型多引入了一個「主題（Topic）」作為隱變數。詞和文檔的之間關聯變成了：文檔->主題->詞。這個想法合情合理，聽上去就更好。如果你覺得哪裡不好，又可以魔改。概率主題模型的數學基礎（概率有向圖模型）十分漂亮，並且基於吉布斯取樣的推斷簡單到不可思議，甚至不需要圖模型的知識就可以理解。PTM是前深度學習時代NLP領域的一個大寶礦（Shui Keng）！

5. 基於BMES的中文分詞或基於BIO的NER/Chunking

BMES 是Begin/Middle/End/Single的縮寫，代表所標記的字元是一個詞語的開始/中間/結尾/單字詞。

BIO是Begin/Inside/Outside的縮寫，表示所標記的詞是一個實體名的開始/內部/外部。

這種標記將帶有分割性質的NLP任務轉換為序列標註任務，可以使用HMM、CRF等成熟的機器學習模型。

6. 基於PageRank的TextRank

PageRank本身非常巧妙了，TextRank更是巧妙地將PageRank應用到NLP中的詞排序或句子排序上面，比如關鍵詞抽取、文本摘要等。