深度学习在自然语言处理的应用v课件.ppt

1、1深度学习在自然语言处理的应用张俊林畅捷通股份有限公司2014.10.32大纲深度学习简介基础问题：语言表示问题 Word Embedding 不同粒度语言单元的表示 字符/单字/单词/短语/句子/文档值得重点关注的模型 RAE/Tensor Network/卷积网络NLP的应用 语言模型 中文分词 知识挖掘 情感计算 机器翻译 Paraphrase IR探讨与思考3深度学习（表示学习）4深度学习（表示学习）5Layer-Wise Pre-Training6Denoising Autoencoder7自然语言交互的时代8大纲深度学习简介基础问题：语言表示问题 Word Embedding 不同

2、粒度语言单元的表示 字符/单字/单词/短语/句子/文档值得重点关注的模型 RAE/Tensor Network/卷积网络NLP的应用 语言模型 中文分词 知识挖掘 情感计算 机器翻译 Paraphrase IR探讨与思考9One-Hot 表示 One Hot表示在传统NLP中很常用Similarity(dog,cat)=010Word Embedding 词向量：单词的分布向量表示（Distributional Representation）词向量表征了单词使用上下文中的句法语义特征 One-Hot的字面匹配到DR的语义匹配Similarity(dog,cat)Similarity(dog,t

3、he)Similarity(“the dog smiles.”,“one cat cries.”）11无监督训练获得单词的WE-word2vec单词：苹果12无监督训练获得单词的WE-word2vec单词：长颈鹿13无监督训练获得单词的WE-word2vec单字：张14无监督训练获得单词的WE-word2vec单字：雯15无监督训练获得单词的WE-word2vec单字：葱16Word2vecCBOW：17word2vecSkip-Gram:18word2vecCBOW+Hierarchical Softmax19word2vecCBOW+Negative Sampling最大化：st：正例负例

4、20不同粒度语言单元的表示-字符/单字字符上下文向量 英文：捕获构词法中文：捕获字搭配 英文拓展：字符N-Gram 中文拓展：单字N-Gram？21不同粒度语言单元的表示-短语/句子/文档方法一：单词词向量取和（Summrization）很多情况都做此种简化处理过于简单,但是仔细思考有一定道理方法二：单词词向量加权求和Huangs Work权重：类似于IDF方法三：RNN22不同粒度语言单元的表示-短语/句子/文档方法四：Matrix-Vector NN23不同粒度语言单元的表示-短语/句子/文档方法五：卷积神经网络24大纲深度学习简介基础问题：语言表示问题 Word Embedding 不同

5、粒度语言单元的表示 字符/单字/单词/短语/句子/文档值得重点关注的模型 RAE/Tensor Network/卷积网络NLP的应用 语言模型 中文分词 知识挖掘 情感计算 机器翻译 Paraphrase IR探讨与思考25RAE(Recursive AutoEncoders)推导短语及句子级别的Word Embedding表示26Neural Tensor Networks 表达多个实体之间的关系/两个单词之间某种操作27Neural Tensor Networks28卷积网络（Convolutional Deep Neural Network）全局特征选择与融合/不定长转换为定长表示29大

6、纲深度学习简介基础问题：语言表示问题 Word Embedding 不同粒度语言单元的表示 字符/单字/单词/短语/句子/文档值得重点关注的模型 RAE/Tensor Network/卷积网络NLP的应用 语言模型 中文分词 知识挖掘 情感计算 机器翻译 Paraphrase IR探讨与思考30语言模型31语言模型Bilinear-LM32语言模型RNNLM33深度学习用于中文分词-思路134深度学习用于中文分词-思路235深度学习用于中文分词 两者思路基本相同 基于字的Word Embedding+三层神经网络+BEMS标记序列分类 思路2引入全局的Viterbi解码（分类后处理）效果：和主

7、流分词算法效果接近 CRF/Maxent+二元特征 类似思路同样可以套用到POS/NER/Parser等场景 这是利用Word Embedding解决NLP问题最直观的NLP应用思路 考虑探索下非标准三层神经网络结构的复杂模型36深度学习用于知识挖掘 两大类问题 现有知识库的新知识推理 CYC,WordNet,FreeNet 目前的文献做法大思路基本一致已知实体用Word Embedding表示实体关系用Tensor Network建模后向传播+SGD训练 从自由文本中挖掘结构化知识37现有知识库的新知识推理38现有知识库的新知识推理最小化目标函数：正例：负例：39从自由文本中挖掘结构化知识整

8、体结构词法级特征40从自由文本中挖掘结构化知识句子级特征抽取：卷积网络41机器翻译（通用模型）最常见的通用模型：Encoder-Decoder ModelEncoderDecoder语义向量42机器翻译（Encoder-Decoder具体例子）ACL2014 Best Paper：Fast and Robust Neural Network Joint Models Joint Models for Statistical Machine Translation网络结构语言模型翻译模型43机器翻译-很多地方可以引入DL 单词对齐 短语对齐 短语重排序 语言模型 翻译模型 联合模型 翻译结果重排

9、序 单词对齐44情感计算 核心的两个问题 句子级的Word Embedding表示 前面讲过这个问题 如何将情感倾向编码到各级Word Embedding中 半监督或者监督学习：通过训练过程将情感倾向编码到WE结构中45Paraphrase(整体框架)S1：The judge also refused to postpone the trial date of Sept.29.S2：Obus also denied a defense motion to postpone the September trial date.Paraphrase的问题：Semantic(S1)=Semantic(

10、S2)?46Paraphrase（RAE）Darling!Im here!Darling!Im here!47Paraphrase（Dynamic Pooling）应用拓展：很明显这个方法可以照搬不动放到应用拓展：很明显这个方法可以照搬不动放到QA问题匹配中问题匹配中（一篇灌水论文就此诞生了！）（一篇灌水论文就此诞生了！）欧式距离：越小越好48DL for IR一种直观的方法49DL for IR一种没那么直观的方法50大纲深度学习简介基础问题：语言表示问题 Word Embedding 不同粒度语言单元的表示 字符/单字/单词/短语/句子/文档值得重点关注的模型 RAE/Tensor Net

11、work/卷积网络NLP的应用 语言模型 中文分词 知识挖掘 情感计算 机器翻译 Paraphrase IR探讨与思考51探讨与思考 与传统方法比较DL的优势所在 抛掉特征选择步骤 简洁地融入语义级特征 很多应用可以直接绕过NLP的中间场景比如POS，句法，减少错误累加 语言长程依赖容易建模：词向量+卷积网络 可以解决语言模型的数据稀疏问题：15-Gram 很多场景如果优化速度非常快，方便应用的工程化实用化52探讨与思考 目前研究模式中最基础和重要的问题 短语、句子、段落、文档级别的有效Word Embedding表示 文档级别表示很多应用直接受益:分类，IR等 问题：文档级别采用低维表示，是

12、否丢失细节信息？只能作为辅助手段？句子级别的低维表示很有意义，最关键。如何更能体现“深度”的思想 目前还说不上很Deep：WE为主 是否有除了“Word Embedding”外更Deep的模式？目前看DL在NLP哪些方面好哪些一般？涉及语义处理的应用：表现好 不涉及太多语义的应用：State-of-the-art 说明什么？Word Embedding已经把传统ML方法使用特征融合进去了 语义级别特征效果体现明显53探讨与思考 与CRF的比较及区别与联系 CRF:线性 VS DL:非线性 CRF:高维离散特征 VS:DL:低维连续特征 结论：非线性模型对于低维连续特征有效，对高维离散特征无效 DL在推荐系统方面应用方法的思考 不成熟的初步思路 我个人看好DL在NLP方面的作用 与传统方法比有明显优点 发展初期：机会多、挑战大 NLP方向博士生的黄金时代 非常容易想到很多New Idea 一把新的锤子，很多钉子可以去敲54广告时间55Thanks!