【NLP（01）】NLP（自然语言处理）基础

NLP基础

一、基本概念

​ 自然语言处理（Natural Language Processing，简称NLP）是人工智能和语言学领域的一个分支，它涉及到计算机和人类（自然）语言之间的相互作用。它的主要目标是让计算机能够理解、解释和生成人类语言的数据。NLP结合了计算机科学、人工智能和语言学的技术和理论，旨在填补人与机器之间的交流隔阂。

1. 自然语言处理的基本介绍

1.1 与语言相关的概念

在定义NLP之前，先了解几个相关概念：

• 语言（Language）：是人类用于沟通的一种结构化系统，可以包括声音、书写符号或手势。

• 自然语言（Natural Language）：是指自然进化中通过使用和重复，无需有意计划或预谋而形成的语言。

• 计算语言学（Computational Linguistics）：是语言学和计算机科学之间的跨学科领域，它包括：

  a.计算机辅助语言学（Computer-aided Linguistics）：利用计算机研究语言的学科，主要为语言学家所实践。

  b.自然语言处理（NLP）：使计算机能够解决以自然语言表达的数据问题的技术，主要由工程师和计算机科学家实践。

​ NLP的研究范围广泛，包括但不限于语言理解（让计算机理解输入的语言）、语言生成（让计算机生成人类可以理解的语言）、机器翻译（将一种语言翻译成另一种语言）、情感分析（分析文本中的情绪倾向）、语音识别和语音合成等。

​ 在中文环境下，自然语言处理的定义和应用也与英文环境相似，但需要考虑中文的特殊性，如中文分词、中文语法和语义分析等，因为中文与英文在语言结构上有很大的不同，这对NLP技术的实现提出了特殊的挑战。自然语言处理使计算机不仅能够理解和解析人类的语言，还能在一定程度上模仿人类的语言使用方式，进行有效的沟通和信息交换。

1.2 为什么使用NLP

• 每种动物都有自己的语言，机器也是！

• 自然语言处理（NLP）就是在机器语言和人类语言之间沟通的桥梁，以实现人机交流的目的。人类通过语言来交流，猫通过喵喵叫来交流。

• 机器也有自己的语言，那就是数字信息。

• NLP 就是让机器学会处理我们的语言！
  

• 人类和机器之间是否可以通过“翻译”的方式来直接交流呢？
  

2. NLP的应用方向

• 多种多样的NLP研究方向，paperwithcode网站上总结的有308项。
  

2.1 自然语言理解

典型的自然语言理解（NLU）任务包括：

• 情感分析：对给定的文本输入，在给定的选项范围内分析文本的情绪是正面还是负面；
  
• **文本分类：**对给定的文本输入，在给定的选项范围内对文本进行二分类或多分类；
  
• **信息检索：**搜索引擎依托于多种技术，如网络爬虫技术、检索排序技术、网页处理技术、大数据处理技术、自然语言处理技术等，为信息检索用户提供快速、高相关性的信息服务；
  
• **抽取式阅读理解：**对给定的文本输入，用文本中的内容回答问题；
  
  
• **语义匹配：**对给定的两个文本输入，判断是否相似；
• **自然语言推理：**对给定的两个文本输入，判断是蕴涵、矛盾还是无关；
• **命名实体识别：**对给定的文本输入，返回含有命名实体及其对应标签的映射，例如{‘糖尿病’:‘疾病’}；
  
• **文本摘要：**对给定的文本输入，用文本中的内容对文本进行摘要。
  

2.2 自然语言转换

自然语言转换（NLT）任务包括但不限于：

• **机器翻译：**将一种自然语言转换为另一种自然语言，包括从源语言到目标语言的文本或语音的转换；

  机器学习模型目前常用seq2seq模型来实现，由Encoder和Decoder组成。
  

• **非抽取式阅读理解：**接受给定文本的输入，能够理解自然语言问题，并回答问题；

• **文本风格转换：**将文本从一种风格转换为另一种风格，如将正式文本转换为非正式文本；

• **语音识别：**将人类的语音转换为文本，用于语音指令、口述文本、会议记录等。

  苹果的用户肯定都体验过,就是典型的语音识别，微信里有一个功能是"文字语音转文字" ，也利用了语音识别，最近流行的智能音箱就是以语音识别为核心的产品，比较新款的汽车基本都有语音控制的功能
  

• 意图改写：对给定的文本输入，将原始文本中的意图或核心信息重新表述，以不同的词汇和句式表达相同的意思，同时保持原意的准确性和完整性；

2.3 自然语言生成

自然语言生成（NLG）任务则更为灵活了：

• **文本生成：**根据给定的上下文或提示，自动生成文本，如自动写作、诗歌创作、故事生成等。

  https://github.com/yanqiangmiffy/char-rnn-writer

• **语音合成：**将文本转换为听起来自然的语音，用于有声书、导航系统、虚拟助手等。

• **聊天机器人：**能够与人类实现多轮对话的聊天助手；

• **文本到知识：**从文本中提取知识，构建知识图谱或语义网络；

• **语义解析：**将自然语言表达转换为形式化的逻辑表示，用于命令解析、查询理解等。

---

应用方向又可以分为

​ 序列到序列（Sequence-to-Sequence, Seq2Seq）问题是指模型将一个输入序列转换为一个输出序列的任务。这类问题可以同步或异步进行，具体取决于输入序列和输出序列的处理方式。

1. 同步序列到序列（Synchronous Seq2Seq）

• 特点：输入序列和输出序列是严格对齐的，即在处理一个输入序列的元素时，模型会即时产生相应的输出序列的元素。
• 典型应用：通常应用在那些输入和输出之间存在一对一对齐关系的任务中。例如，逐词对齐、词性标注（POS tagging）、命名实体识别（NER）。
• 优点：处理速度快，因为输入和输出同步生成，不需要等待整个输入处理完毕。
• 缺点：要求输入和输出严格对齐，不适合处理输入输出之间存在较复杂映射关系的任务。

2. 异步序列到序列（Asynchronous Seq2Seq）

• 特点：输入序列和输出序列之间不需要严格对齐，模型可以在处理完整个输入序列后，再开始生成输出序列。大多数的Seq2Seq模型都是异步的。
• 典型应用：用于需要对整个输入序列进行全局上下文理解后，才能生成输出的任务。例如，机器翻译（句子级别）、文本摘要生成、问答系统等。经典的Seq2Seq模型，如基于RNN或Transformer的模型，通常都属于异步类型。
• 优点：模型可以利用输入序列的全局上下文信息进行更准确的输出生成。
• 缺点：生成速度较慢，因为需要等待整个输入序列处理完毕后才开始生成输出。

3. NLP基础概念

下面总结一些NLP中常用的概念名词，便于理解任务。

​ （1）词表/词库（Vocabulary）：文本数据集中出现的所有单词的集合。

​ （2）语料库（Corpus）：用于NLP任务的文本数据集合，可以是大规模的书籍、文章、网页等。

​ （3）词嵌入（Word Embedding）：将单词映射到低维连续向量空间的技术，用于捕捉单词的语义和语法信息。

​ （4）停用词（Stop Words）：在文本处理中被忽略的常见单词，如"a"、“the”、"is"等，它们通常对文本的意义贡献较 小。

​ （5）分词（Tokenization）：将文本分割成一个个单词或标记的过程，为后续处理提供基本的单位。

​ （6） 词频（Term Frequency）：在给定文档中，某个单词出现的次数。

​ （7）逆文档频率（Inverse Document Frequency）：用于衡量一个单词在整个语料库中的重要性，是将词频取倒数并取 对数的值。

​ （8） TF-IDF（Term Frequency-Inverse Document Frequency）：一种常用的文本特征表示方法，综合考虑了词频和逆文档频率。

​ （9） 词袋模型（Bag of Words）：将文本表示为一个单词的集合，忽略了单词的顺序和语法结构。

（10）N-gram：连续的N个单词构成的序列，用于捕捉文本中的局部特征和上下文信息。

（11）序列：指的是一个按顺序排列的元素集合。这些元素可以是字符、单词、句子，甚至更抽象的结构。序列的每个元素都有特定的顺序和位置，这意味着它们不能随意重排，否则会影响其意义或功能。

序列的常见类型

1. 字符序列：
   • 一个字符串就是一个字符序列，每个字符按顺序排列。
   • 例子："hello" 是一个由 h、e、l、l、o 组成的字符序列。
2. 单词序列：
   • 一句话可以看作是一个单词序列，每个单词按照一定顺序排列。
   • 例子："I love NLP" 是一个由 I、love、NLP 组成的单词序列。
3. 时序数据：
   • 在时间序列中，元素是按时间顺序排列的，常用于预测问题。
   • 例子：股票价格数据可以看作是随时间变化的数值序列。
4. 语音序列：
   • 在语音处理任务中，语音信号可以被分解为按时间顺序排列的帧序列（特征向量序列）。
5. 其他序列：
   • 序列还可以表示一些更抽象的结构，比如DNA序列（由碱基组成的序列）、事件序列等。

---

​

4. NLP的发展历史

1950年代 - 自然语言处理的起点
1954年，乔治城-IBM实验展示了基于规则的机器翻译系统，能够将俄语翻译成英语，标志着NLP的起点。

1990年代 - 统计方法的兴起
随着计算能力的提升，基于统计的语言处理方法成为主流。n元语法、**隐马尔科夫模型（HMM）**被广泛用于机器翻译、语音识别等任务。

2000年代 - 机器学习的普及
支持向量机（SVM）、朴素贝叶斯等传统机器学习算法被用于文本分类、情感分析等任务，推动了数据驱动方法的发展；以及NNLM 语言模型的提出。

2013年 - 词向量模型Word2Vec的提出
Mikolov等人提出Word2Vec模型，能够将词表示为连续的向量，捕捉词的语义关系，这是词嵌入技术的重大突破。

• RNN，LSTM等递归神经网络的兴起，甚至在2014年提出了另一种改进的递归神经网络结构，称为门控循环单元（GRU），与LSTM类似，但结构更简单，性能上也表现良好。

2014年 - Seq2Seq模型用于文本生成和机器翻译
Sutskever等人提出了序列到序列（Seq2Seq）模型，并成功应用于机器翻译、文本摘要等任务，引入了编码器-解码器结构。

2015年 - 注意力机制（Attention）的提出
Bahdanau等人提出了注意力机制，大幅提升了Seq2Seq模型的效果，使得模型能够更加灵活地处理长序列依赖问题，尤其在机器翻译中取得了突破性进展。

2017年 - Transformer模型的提出
Vaswani等人提出了Transformer模型，完全基于自注意力机制，取代了传统RNN结构，成为后来许多NLP模型的基础。

2018年 - BERT模型的提出
谷歌发布了BERT（Bidirectional Encoder Representations from Transformers），这是第一个双向预训练的语言模型，能够在多个NLP任务中实现最先进的性能。

2020年 - GPT-3的发布
OpenAI发布了GPT-3，一个拥有1750亿参数的大型语言模型，展示了强大的少样本学习和文本生成能力，在对话系统和内容生成等任务中表现优异。

2021年 - 多模态模型的兴起
OpenAI发布了CLIP和DALL·E，将文本和图像结合，实现了跨模态内容理解与生成，进一步扩展了NLP的应用领域。

2024年 - deepseek

deepseek 爆火带动了全国人民使用大模型。

5. NLP的基本流程

​ 中文NLP的基本流程和英文相比有一些特殊性，主要表现在文本预处理环节。首先，中文文本没有像英文单词那样用空格隔开,因此不能像英文一样直接用最简单的空格和标点符号完成分词,一般需要用分词算法完成分词。其次，中文的编码不是utf-8，而是Unicode，因此在预处理的时候，有编码处理的问题。中文NLP的基本流程由语料获取、语料预处理、文本向量化、模型构建、模型训练和模型评价等六部分组成。

（1）语料获取

在进行NLP之前，人们需要得到文本语料。文本语料的获取一般有以下几种方法。
(1）利用已经建好的数据集或第三方语料库，这样可以省去很多处理成本。

(2）获取网络数据。很多时候要解决的是某种特定领域的应用，仅靠开放语料库无法满足需求,这时就需要通过爬虫技术获取需要的信息。

(3）与第三方合作获取数据。通过购买的方式获取部分需求文本数据。

（2）语料预处理

获取语料后还需要对语料进行预处理，常见的语料预处理如下。
(1）去除数据中非文本内容。大多数情况下，获取的文本数据中存在很多无用的内容，如爬取的一些HTML代码、CSS标签和不需要的标点符号等，这些都需要分步骤去除。少量非文本内容可以直接用 Python的正则表达式删除，复杂的非文本内容可以通过 Python的 Beautiful Soup库去除。

(2）中文分词。常用的中文分词软件有很多，如jieba、FoolNLTK、HanLP、THULAC、NLPIR、LTP等。其中jieba是使用 Python语言编写的，其安装方法很简单，使用“pip install jieba”命令即可完成安装。

(3）词性标注。词性标注指给词语打上词类标签，如名词、动词、形容词等,常用的词性标注方法有基于规则的算法、基于统计的算法等。

(4）去停用词。停用词就是句子中没必要存在的词，去掉停用词后对理解整个句子的语义没有影响。中文文本中存在大量的虚词、代词或者没有特定含义的动词、名词，在文本分析的时候需要去掉。

（3）文本向量化（特征工程）

​ 文本数据经过预处理去除数据中非文本内容、中文分词、词性标注和去停用词后，基本上是干净的文本了。但此时还是无法直接将文本用于任务计算，需要通过某些处理手段，预先将文本转化为特征向量。一般可以调用一些模型来对文本进行处理，常用的模型有词袋模型(Bag of Words Model）、独热表示、TF-IDF 表示、n元语法(n-gram)模型和 Word2Vec模型等。

（4）模型构建
文本向量化后，根据文本分析的需求选择合适的模型进行模型构建，同类模型也需要多准备几个备选用于效果对比。过于复杂的模型往往不是最优的选择，模型的复杂度与模型训练时间呈正相关，模型复杂度越高，模型训练时间往往也越长，但结果的精度可能与简单的模型相差无几。NLP中使用的模型包括机器学习模型和深度学习模型两种。常用的机器学习模型有SVM、Naive Bayes、决策树、K-means 等。常用的深度学习模型有TextCNN、RNN、LSTM、GRU、Seq2Seq、transformer等。

（5）模型训练
模型构建完成后，需要进行模型训练，其中包括模型微调等。训练时可先使用小批量数据进行试验，这样可以避免直接使用大批量数据训练导致训练时间过长等问题。在模型训练的过程中要注意两个问题：一个为在训练集上表现很好，但在测试集上表现很差的过拟合问题；另一个为模型不能很好地拟合数据的欠拟合问题。同时；还要避免出现梯度消失和梯度爆炸问题。
仅训练一次的模型往往无法达到理想的精度与效果,还需要进行模型调优迭代，提升模型的性能。模型调优往往是一个复杂、冗长且枯燥的过程，需要多次对模型的参数做出修正;调优的同时需要权衡模型的精度与泛用性，在提高模型精度的同时还需要避免过拟合。在现实生产与生活中，数据的分布会随着时间的推移而改变，有时甚至会变化得很急剧，这种现象称为分布漂移(Distribution Drift)。当一个模型随着时间的推移，在新的数据集中的评价不断下降时，就意味着这个模型无法适应新的数据的变化，此时模型需要进行重新训练。

（6）模型评价
模型训练完成后，还需要对模型的效果进行评价。模型的评价指标指主要有准确率(Accuracy)、精确率(Precision)、召回率、F1值、ROC曲线、AUC线等。针对不同类型的模型，所用的评价指标往往也不同,例如分类模型常用的评价方法有准确率、精确率AUC曲线等。同一种评价方法也往往适用于多种类型的模型。在实际的生产环境中，模型性能评价的侧重点可能会不一样,不同的业务场景对模型的性能有不同的要求，如可能造成经济损失的预测结果会要求模型的精度更高。

二、NLP中的特征工程

0. 引入

让我们从一个例子开始，了解使用向量来表示事物。

您是否知道五个数字（向量）的列表可以代表您的个性？

个性嵌入：你的个性怎么样？

使用0到100的范围表示你的个性（其中0是最内向的，100是最外向的）。

五大人格特质测试，这些测试会问你一个问题列表，然后在很多方面给你打分，内向/外向就是其中之一。

图:测试结果示例。它可以真正告诉你很多关于你自己的事情，并且在学术、个人和职业成功方面都具有预测能力。
假设我的测试得分为38/100。我们可以用这种方式绘制：

让我们将范围切换到从-1到1：

了解一个人，一个维度的信息不够，所以让我们添加另一个维度 - 测试中另一个特征的得分。

你可能不知道每个维度代表什么，但仍然可以从一个人的个性的向量表示中获得了很多有用的信息。

我们现在可以说这个向量部分代表了我的个性。当你想要将另外两个人与我进行比较时，这种表示的有用性就出现了。在下图中，两个人中哪一个更像我？

处理向量时，计算相似度得分的常用方法是余弦相似度：

一号人物与我的余弦相似度得分高，所以我们的性格比较相似。

然而，两个方面还不足以捕获有关不同人群的足够信息。几十年的心理学研究已经研究了五个主要特征（以及大量的子特征）。所以我们在比较中使用所有五个维度：

我们没法在二维上绘制出来五个维度，这是机器学习中的常见挑战，我们经常需要在更高维度的空间中思考。但好处是余弦相似度仍然有效。它适用于任意数量的维度：

NLP中特征的概念

特征是数据中抽取出来的对结果预测有用的信息。

​ 在自然语言处理（NLP）中，特征工程是指将文本数据转换为适合机器学习模型使用的数值表示的过程。文本是一种非结构化数据，机器学习模型无法直接处理，因此必须通过特征工程来提取有用的信息。

​ 通过特征工程能让机器学习到文本数据中的一些特征，比如词性、语法、相似度等。

​ 比如在英文中可以学到

我希望得到的特征工程训练后的结果，从向量空间里面的分布角度看

1. 词向量

​ 词向量（Word Vector）是对词语义或含义的数值向量表示，包括字面意义和隐含意义。 词向量可以捕捉到词的内涵，将这些含义结合起来构成一个稠密的浮点数向量，这个稠密向量支持查询和逻辑推理。

​ 词向量也称为词嵌入，其英文均可用 Word Embedding，是自然语言处理中的一组语言建模和特征学习技术的统称，其中来自词表的单词或短语被映射为实数的向量，这些向量能够体现词语之间的语义关系。从概念上讲，它涉及从每个单词多维的空间到具有更低维度的连续向量空间的数学嵌入。当用作底层输入表示时，单词和短语嵌入已经被证明可以提高 NLP 任务的性能，例如文本分类、命名实体识别、关系抽取等。

​ 词嵌入实际上是一类技术，单个词在预定义的向量空间中被表示为实数向量，每个单词都映射到一个向量。举个例子，比如在一个文本中包含“猫”“狗”“爱情”等若干单词，而这若干单词映射到向量空间中，“猫”对应的向量为（0.1 0.2 0.3），“狗”对应的向量为（0.2 0.2 0.4），“爱情”对应的映射为（-0.4 -0.5 -0.2）（本数据仅为示意）。像这种将文本X{x1,x2,x3,x4,x5……xn}映射到多维向量空间Y{y1,y2,y3,y4,y5……yn }，这个映射的过程就叫做词嵌入。
​ 之所以希望把每个单词都变成一个向量，目的还是为了方便计算，比如“猫”，“狗”，“爱情”三个词。对于我们人而言，我们可以知道“猫”和“狗”表示的都是动物，而“爱情”是表示的一种情感，但是对于机器而言，这三个词都是用0,1表示成二进制的字符串而已，无法对其进行计算。而通过词嵌入这种方式将单词转变为词向量，机器便可对单词进行计算，通过计算不同词向量之间夹角余弦值cosine而得出单词之间的相似性。

​ 此外，词嵌入还可以做类比，比如：v(“国王”)－v(“男人”)＋v(“女人”)≈v(“女王”)，v(“中国”)＋v(“首都”)≈v(“北京”)，当然还可以进行算法推理。有了这些运算，机器也可以像人一样“理解”词汇的意思了。

词向量的发展历程

词向量作为词的分布式表示方法，经过多年研究，产生了非常多的词向量的生成模型。

2. 传统NLP中的特征工程

2.1 独热编码 one - hot

​ 独热编码（One-Hot Encoding） 是一种常见的特征表示方法，通常用于将离散的类别型数据转换为数值型表示，以便输入到机器学习模型中。它的特点是将每个类别表示为一个向量，在该向量中，只有一个元素为1，其余元素全部为0。

One-Hot Encoding 的工作原理

假设你有一个包含以下类别的分类任务：

• 红色（red）
• 绿色（green）
• 蓝色（blue）

要将这些类别转换为 One-Hot 编码，我们会为每个类别创建一个独特的二进制向量：

• 红色：[1, 0, 0]
• 绿色：[0, 1, 0]
• 蓝色：[0, 0, 1]

例如，如果输入数据是“红色”，在使用 One-Hot 编码后，它将被表示为 [1, 0, 0]。

在NLP当中

• Time flies like an arrow.
• Fruit flies like a banana.

构成词库{time, fruit, flies, like, a, an, arrow, banana}

banana的one-hot表示就是：[0，0，0，0，0，0，0，1]，"like a banana” 的one-hot表示就是：[0，0，0，1，1，0，0，1]。

示例

2.2 词频-逆文档频率(TF-IDF)

（1）词频

​ 将文本中的每个单词视为一个特征，并将文本中每个单词的出现次数除以该单词在所有文档中的出现次数，以调整单词的权重。

注意：在计算词频（TF）时，分母是文档中的总词数，而不考虑每个词是否重复。这意味着无论词是否重复，分母始终是文档中所有词的数量总和。

举个例子，如果词 “cat” 在一篇包含 100 个词的文章中出现了 5 次，那么它的词频为：

• 短语，句子或者文档的词频表示就是其组成单词‘one-hot’表示向量的总和。
• “Fruit flies like time flies a fruit”，DF表示为：[1,2,2,1,1,0,0,0]，TF表示为：[0.14,0.29,0.29,0.14,0.14,0,0,0]
• 根据词库{time, fruit, flies, like, a, an, arrow, banana}验证上面的表示Fruit flies like a banana.

（2）逆文档频率（Inverse Document Frequency, IDF）

​ 逆文档频率用来衡量一个词在整个文档集合（语料库）中的重要性。它的目的是降低那些在很多文档中频繁出现的词的权重，例如“the”、“is”这种常见词，或者低频罕见词tetrafluoroethylene(四氟乙烯)。计算公式如下：

其中，D 表示文档集合，t 是要计算的词。+1 是为了避免分母为 0 的情况。

例如，如果有 1000 篇文档，而词 “cat” 仅在 10 篇文档中出现过，那么它的 IDF 计算如下：

（3）TF-IDF 计算

​ 最终，TF-IDF 是将 TF 和 IDF 相乘得出的结果，公式如下：

通过这个方法，一个词在特定文档中出现的频率越高（TF高），并且在整个语料库中出现得越少（IDF高），它的 TF-IDF 值就越高。这样可以使模型更加关注那些在某篇文档中特别重要但不常见的词。

特性：

结论：

• 文档频率和样本语义贡献程度呈反相关
• 文档频率和逆文档频率呈反相关
• 逆文档频率和样本语义贡献度呈正相关

2.3 n-grams

n-grams 是特征工程中的一种技术，它通过将文本中的连续 n 个词（或字符）组合起来，形成一个短语来捕捉文本中的局部上下文信息。n 可以为 1、2、3 等，具体取决于希望捕捉的上下文范围。

什么是 n-grams？

• 1-gram（Unigram）：每个单独的词作为一个单位。例如，“I love NLP” 的 1-gram 是 ["I", "love", "NLP"]。
• 2-grams（Bigram）：相邻的两个词组合成一个短语。例如，“I love NLP” 的 2-grams 是 ["I love", "love NLP"]。
• 3-grams（Trigram）：相邻的三个词组合成一个短语。例如，“I love NLP” 的 3-grams 是 ["I love NLP"]。

n-grams 的作用

使用 n-grams 可以捕捉词之间的局部上下文关系。例如，1-gram 只关心词的独立出现频率，而 bigram 和 trigram 能捕捉到词之间的顺序关系。例如，bigram "love NLP" 表示词 “love” 和 “NLP” 是一起出现的，这种信息在建模中会比仅仅知道 “love” 和 “NLP” 出现频率更有价值。

n-grams 的示例

假设句子为 “I love NLP and machine learning”：

• 1-gram（Unigram）: ["I", "love", "NLP", "and", "machine", "learning"]
• 2-grams（Bigram）: ["I love", "love NLP", "NLP and", "and machine", "machine learning"]
• 3-grams（Trigram）: ["I love NLP", "love NLP and", "NLP and machine", "and machine learning"]

通过这些 n-grams，模型可以捕捉到词与词之间的局部依赖关系。

​ 将 n-grams 与 TF-IDF 相结合是文本特征工程中非常常见的做法，它不仅能够捕捉词与词之间的局部关系，还能通过 TF-IDF 来衡量这些短语在整个语料库中的重要性。结合的过程基本上是先生成 n-grams，然后对这些 n-grams 计算 TF-IDF 权重。

结合 n-grams 与 TF-IDF 的步骤：

1. 生成 n-grams：首先从文本中生成 n-grams（n 可以是 1, 2, 3 等）。这些 n-grams 就像是词的组合，通常使用 CountVectorizer 或类似的工具生成。
2. 计算词频 (TF)：统计每个 n-gram 在文本中出现的频率。
3. 计算逆文档频率 (IDF)：计算 n-gram 在所有文档中出现的频率，稀有的 n-grams 会得到较高的权重，而常见的 n-grams 权重较低。
4. 计算 TF-IDF：将每个 n-gram 的 TF 和 IDF 相乘，得到 TF-IDF 权重，表示该 n-gram 对特定文本的重要性。

注意：当使用 2-grams 时，I love 和 love NLP 被看作是两个单独的特征，总共有两个特征（总特征数 = 2）。

举例说明

假设我们有以下两个文本：

1. "I love NLP"
2. "NLP is fun"

我们的词汇表为 {"I", "love", "NLP", "is", "fun"}，并且我们想要计算 2-grams 的 TF-IDF 值。

步骤 1：生成 2-grams

对于 "I love NLP"，生成的 2-grams 是：

• ["I love", "love NLP"]

对于 "NLP is fun"，生成的 2-grams 是：

• ["NLP is", "is fun"]

所以我们的 n-grams 词汇表为 {"I love", "love NLP", "NLP is", "is fun"}。

步骤 2：计算词频（TF）

在每个文本中，计算每个 2-gram 的出现次数：

• 文本 1 (

  "I love NLP"
  

  ) 的 2-grams 词频：

  • I love: 1/2
  • love NLP: 1/2

• 文本 2 (

  "NLP is fun"
  

  ) 的 2-grams 词频：

  • NLP is: 1/2
  • is fun: 1/2

步骤 3：计算逆文档频率（IDF）

步骤 4：计算 TF-IDF

现在，我们计算每个 2-gram 的 TF-IDF 值：

• 文本 1 (“I love NLP”)：
  • I love 的 TF = 0.5，IDF = 0.693，所以 TF-IDF(I love) = 0.5×0.693=0.3465
  • love NLP 的 TF =0.5，IDF = 0.693，所以 TF-IDF(love NLP) = 0.5×0.693=0.3465
• 文本 2 (“NLP is fun”)：
  • NLP is 的 TF =0.5，IDF = 0.693，所以 TF-IDF(NLP is) = 0.5×0.693=0.3465
  • is fun 的 TF =0.5，IDF = 0.693，所以 TF-IDF(is fun) = 0.5×0.693=0.3465

传统NLP中的特征工程缺点

3. 深度学习中NLP的特征输入

​ 深度学习使用分布式单词表示技术（也称词嵌入表示)，通过查看所使用的单词的周围单词(即上下文)来学习单词表示。这种表示方式将词表示为一个粘稠的序列，在保留词上下文信息同时，避免维度过大导致的计算困难。

3.1 稠密编码（特征嵌入)

​ 稠密编码（Dense Encoding），在机器学习和深度学习中，通常指的是将离散或高维稀疏数据转化为低维的连续、密集向量表示。这种编码方式在特征嵌入（Feature Embedding）中尤为常见。

​ 稠密向量表示：不再以one-hot中的一维来表示各个特征，而是把每个核心特征（词，词性，位置等)都嵌入到d维空间中，并用空间中的一个向量表示。通常空间维度d远小于每个特征的样本数(40000的词表，100/200维向量)。嵌入的向量(每个核心特征的向量表示)作为网络参数与神经网络中的其他参数一起被训练。

特征嵌入（Feature Embedding）

​ 特征嵌入，也成为词嵌入，是稠密编码的一种表现形式，目的是将离散的类别、对象或其他类型的特征映射到一个连续的向量空间。通过这种方式，嵌入后的向量可以捕捉不同特征之间的语义关系，并且便于在后续的机器学习模型中使用。

特点：

• 低维度：相比稀疏表示（如独热编码），稠密编码的维度更低，能够减少计算和存储成本。
• 语义相似性：嵌入向量之间的距离（如欧氏距离或余弦相似度）可以表示这些对象之间的语义相似性。
• 可微学习：嵌入表示通常通过神经网络进行学习，并且通过反向传播算法进行优化。

3.2 词嵌入算法

3.2.1 Embedding Layer

​ 由于缺乏更好的名称，Embedding Layer是与特定自然语言处理上的神经网络模型联合学习的单词嵌入。该嵌入方法将清理好的文本中的单词进行one hot编码（独热编码），向量空间的大小或维度被指定为模型的一部分，例如50、100或200维。向量以小的随机数进行初始化。Embedding Layer用于神经网络的前端，并采用反向传播算法进行监督。

那么怎么得到词向量？

比如我们的目标是希望神经网络发现如下这样的规律：已知一句话的前几个字，预测下一个字是什么，于是有了NNLM 语言模型搭建的网络结构图：

具体怎么实施呢？先用最简单的方法来表示每个词，one-hot 表示为︰

dog=(0,0,0,0,1,0,0,0,0,…)；cat=(0,0,0,0,0,0,0,1,0,…) ；eat=(0,1,0,0,0,0,0,0,0,…)

可是 one-hot 表示法有诸多的缺陷，还是稠密的向量表示更好一些，那么怎么转换呢？加一个矩阵映射一下就好！

映射之后的向量层如果单独拿出来看，还有办法找到原本的词是什么吗？

One-hot表示法这时候就作为一个索引字典了，可以通过映射矩阵对应到具体的词向量。

词嵌入层的使用

​ 词嵌入层首先会根据输入的词的数量构建一个词向量矩阵，例如: 我们有 100 个词，每个词希望转换成 128 维度的向量，那么构建的矩阵形状即为: 100*128，输入的每个词都对应了一个该矩阵中的一个向量。

在 PyTorch 中，我们可以使用 nn.Embedding 词嵌入层来实现输入词的向量化。接下来，我们将会学习如何将词转换为词向量，其步骤如下:

1. 先将语料进行分词，构建词与索引的映射，我们可以把这个映射叫做词表，词表中每个词都对应了一个唯一的索引；
2. 然后使用 nn.Embedding 构建词嵌入矩阵，词索引对应的向量即为该词对应的数值化后的向量表示。

例如，我们的文本数据为: “北京冬奥的进度条已经过半，不少外国运动员在完成自己的比赛后踏上归途。”，接下来，我们看下如何使用词嵌入层将其进行转换为向量表示，步骤如下：

1. 首先，将文本进行分词；
2. 然后，根据词构建词表；
3. 最后，使用嵌入层将文本转换为向量表示。

nn.Embedding 对象构建时，最主要有两个参数:

1. num_embeddings 表示词的数量 词表的大小
2. embedding_dim 表示用多少维的向量来表示每个词

nn.Embedding(num_embeddings=10, embedding_dim=4)

接下来，我们就实现下刚才的需求：

import torch
import torch.nn as nn
import jiebatext = '北京冬奥的进度条已经过半，不少外国运动员在完成自己的比赛后踏上归途。'pass

输出的结果：

归纳：

• Embedding类的本质是一个大小为 (num_embeddings, embedding_dim) 的矩阵，每一行是某个词汇的嵌入向量。

• 通过索引，可以高效地从这个矩阵中提取对应词汇的向量表示，因为 nn.Embedding 在内部通过索引直接查找矩阵中的行，这种操作非常快速且方便。

练习

假设现在有语料库sentences = [“i like dog”, “i love coffee”, “i hate milk”, “i do nlp”] 通过词嵌入层算法和NNLM模型得到以下结果

[[‘i’, ‘like’], [‘i’, ‘love’], [‘i’, ‘hate’], [‘i’, ‘do’]] -> [‘dog’, ‘coffee’, ‘milk’, ‘nlp’]

sentences = ["i like dog", "i love coffee", "i hate milk", "i do nlp"]# 使用训练好的模型预测
predict = model(input_batch).max(1, keepdim=True)[1]
print(predict)
print(predict.shape)# 输出预测结果
print([sentence.split()[:-1] for sentence in sentences] ,"--> " , [id2word[n.item()] for n in predict.squeeze()])

说明：

(1) predict = model(input_batch).data.max(1, keepdim=True)[1]

1. model(input_batch)：

• 这部分是将 input_batch 输入到模型中，经过 forward 函数计算，得到网络的输出。

• 输出是一个二维张量，形状为 (batch_size, n_class)，其中每行代表一个样本的预测得分（未归一化的类别概率），每列对应词汇表中的一个单词类别。

  2..max(1, keepdim=True)：

• max 是一个 PyTorch 的函数，返回沿指定维度的最大值及其索引。

• 1：表示在第 1 维（即每行）上寻找最大值。第 0 维是批次（样本），第 1 维是类别的得分（对于每个单词的概率分布）。

• keepdim=True：表示保持原始维度，即结果张量的形状与原来的张量在没有被压缩的维度上保持一致。

返回的结果是一个包含两个元素的元组：

• 第一个元素：每行的最大值（在预测任务中通常是没有用到的）。

• 第二个元素：每行最大值的索引（即预测的类别）。

  3.[1]：

• 通过 [1] 取出最大值对应的索引，即上一步中返回的最大值的索引部分。这个索引对应预测的类别编号，也就是词汇表中的单词索引。

(2) [number_dict[n.item()] for n in predict.squeeze()]

1. predict.squeeze()：

• predict 是模型预测的结果，形状是 (batch_size, 1)。predict.squeeze() 用于去掉维度为 1 的那一维，使其从 (batch_size, 1) 变为 (batch_size)。

• squeeze() 函数会去掉张量中所有大小为 1 的维度。在这里，predict 的维度是 (batch_size, 1)，经过 squeeze() 后变成一维张量，形状为 (batch_size)，即包含 batch_size 个预测的类别索引。

  2.n.item()：

• n 是张量中的一个元素（预测的类别索引），n.item() 将这个单元素张量转换为普通的 Python 标量类型（整数）。

• item() 是 PyTorch 张量的方法，用于从单个元素的张量中提取值。它确保索引 n 是一个纯 Python 的整数，可以用于字典查找。

  3.number_dict[n.item()]：

• number_dict 是一个字典，它将单词索引映射回对应的单词，即 {index: word} 的映射。

• number_dict[n.item()] 用来通过索引 n.item() 从字典 number_dict 中查找对应的单词，将模型预测出的索引转换为实际的单词。

神经语言模型构建完成之后，就是训练参数了，这里的参数包括：

• 词向量矩阵C；
• 神经网络的权重；
• 偏置等参数

训练数据就是大堆大堆的语料库。训练结束之后，语言模型得到了：通过“”去预测第 个词是 的概率，但有点意外收获的是词向量“ ”也得到了。换言之，词向量是这个语言模型的副产品。

预训练模型

介绍：通常是一个LM（语言模型）的副产物。模型指的是对事物的数学抽象，那么语言模型指的就是对语言现象的数学抽象。

在自然语言处理（NLP）中，预训练模型是指在大量通用文本数据集上训练好的模型，它可以捕捉到语言的广泛特征，例如词汇、句法、语境相关性等。这些模型训练完成后，可以在特定的下游任务上进行微调（fine-tuning），以适应特定的应用场景，如情感分析、问答系统、文档摘要等。通过这种方式，预训练模型可以显著提高NLP任务的性能，尤其是在标注数据有限的情况下。

预训练模型的核心思想是利用大规模语料库中的无标签文本数据，学习到一般性的语言表示，然后将这些知识迁移到数据量较小的特定任务中。这种方法背后的假设是，语言中存在大量的通用性规律可被学习并用于各种具体任务。

3.2.2 word2vec

​ word2vec是Google研究团队里的Tomas Mikolov等人于2013年的《Distributed Representations ofWords and Phrases and their Compositionality》以及后续的《Efficient Estimation of Word Representations in Vector Space》两篇文章中提出的一种高效训练词向量的模型，基本出发点是上下文相似的两个词，它们的词向量也应该相似，比如香蕉和梨在句子中可能经常出现在相同的上下文中，因此这两个词的表示向量应该就比较相似。

word2vec一般分为CBOW（Continuous Bag-of-Words）与 Skip-Gram 两种模型：

1、CBOW：根据中心词周围的词来预测中心词，有negative sample和Huffman两种加速算法；

2、Skip-Gram：根据中心词来预测周围词；

二者的结构十分相似，理解了CBOW，对于Skip-Gram也就基本理解了。

论文里面的原图如下，左边CBOW，右边skip-gram。

3.2.2.1 Skip-gram 模型

Skip-gram 模型是一种根据目标单词来预测上下文单词的模型。具体来说，给定一个中心单词，Skip-gram 模型的任务是预测在它周围窗口大小为 n 内的上下文单词。

Skip-gram 模型的优点是：由于它是基于目标单词来预测上下文单词的，因此它可以利用目标单词的语义和语法特征来预测上下文单词；模型能够生成更多的训练数据，因此可以更好地训练低频词汇的表示；Skip-gram 模型在处理大规模语料库时效果比 CBOW 模型更好。

代码实现skip-gram（初级版）

#可视化词嵌入
for i, label in enumerate(word_list):W,WT = model.parameters() # 获取模型参数x,y = float(W[i][0]),float(W[i][1])plt.scatter(x, y) #  绘制散点图plt.annotate(label, xy=(x, y), xytext=(5, 2), textcoords='offset points', ha='right', va='bottom')plt.show()

3.2.2.2 CBOW模型

连续词袋模型（CBOW）是一种根据上下文单词来预测目标单词的模型。具体来说，给定一个窗口大小为 n 的上下文单词序列，连续词袋模型的任务是预测中间的目标单词。

CBOW模型∶使用文本的中间词作为目标词（标签），去掉了隐藏层。用上下文各词的词向量的均值代替NNLM拼接起来的词向量。

连续词袋模型的优点是：由于它是基于上下文单词来预测目标单词的，因此它可以利用上下文单词的信息来推断目标单词的语义和语法特征；模型参数较少，训练速度相对较快。CBOW对小型数据库比较合适。

输入∶上下文的语义表示

输出∶中间词是哪个词

练习：

之前案例中的模型换成CBOW模型

代码跟着敲
#可视化词嵌入
for i, label in enumerate(word_list):# 获取模型参数 映射矩阵Ww = model.embedding.weight.data.numpy()print(w.shape)x,y = float(w[i][0]), float(w[i][1])plt.scatter(x, y) #  绘制散点图plt.annotate(label, xy=(x, y), xytext=(5, 2), textcoords='offset points', ha='right', va='bottom')plt.show()

3.2.2.3 gensim API调用

Word2vec是一个用来产生词向量的模型。是一个将单词转换成向量形式的工具。
通过转换，可以把对文本内容的处理简化为向量空间中的向量运算，计算出向量空间上的相似度，来表示文本语义上的相似度。

参数	说明
sentences	可以是一个list，对于大语料集，建议使用BrownCorpus,Text8Corpus或lineSentence构建。
vector_size	word向量的维度，默认为100。大的size需要更多的训练数据，但是效果会更好。推荐值为几十到几百。
alpha	学习率
window	表示当前词与预测词在一个句子中的最大距离是多少。
min_count	可以对字典做截断。词频少于min_count次数的单词会被丢弃掉，默认值为5。
max_vocab_size	设置词向量构建期间的RAM限制。如果所有独立单词个数超过这个，则就消除掉其中最不频繁的一个。每一千万个单词需要大约1GB的RAM。设置成None则没有限制。
sample	高频词汇的随机降采样的配置阈值，默认为1e-3，范围是(0，1e-5)
seed	用于随机数发生器。与初始化词向量有关。
workers	参数控制训练的并行数。
sg	用于设置训练算法，默认为0，对应CBOW算法；sg=1则采用skip-gram算法。
hs	如果为1则会采用hierarchica·softmax技巧。如果设置为0（default），则negative sampling会被使用。
negative	如果>0，则会采用negative samping，用于设置多少个noise words。
cbow_mean	如果为0，则采用上下文词向量的和，如果为1（default）则采用均值。只有使用CBOW的时候才起作用。
hashfxn	hash函数来初始化权重。默认使用python的hash函数。
epochs	迭代次数，默认为5。
trim_rule	用于设置词汇表的整理规则，指定那些单词要留下，哪些要被删除。可以设置为None（min_count会被使用）或者一个接受()并返回RULE_DISCARD，utils。RULE_KEEP或者utils。RULE_DEFAULT的函数。
sorted_vocab	如果为1（default），则在分配word index 的时候会先对单词基于频率降序排序。
batch_words	每一批的传递给线程的单词的数量，默认为10000
min_alpha	随着训练的进行，学习率线性下降到min_alpha

常用方法

model.wv: 这个对象包含了所有单词的词嵌入向量。常用的方法有：

• model.wv[word]：返回某个特定单词的向量。
• model.wv.most_similar(word)：获取与某个单词最相似的词。
• model.wv.similarity(word1, word2)：计算两个词之间的相似度。

• model.save(“word2vec.model”)

  model = Word2Vec.load(“word2vec.model”)

  保存和加载模型

三、全面总结

核心目标：将离散文本转换为稠密、低维、连续的数值向量（词嵌入），使向量能有效捕捉语义、语法和上下文信息。

完整工作流 (以训练词向量为例)

• 数据准备：获取原始文本语料库（如新闻、维基百科）。
• 文本预处理：
  • 分词：将句子分割成单词或子词单元。
  • 构建词表：统计所有唯一词汇，为每个词分配一个唯一ID（索引），形成词到索引的映射。
  • （可选）清洗：去除低频词、停用词等。
• 模型选择与配置：
  • 选择模型（如 nn.Embedding + 语言模型，或 Word2Vec）。
  • 设置关键参数（见下文）。
• 模型训练：
  • 将预处理后的文本转换为词ID序列。
  • 模型根据其架构（如CBOW/Skip-Gram）生成训练样本（输入-输出对）。
  • 通过反向传播优化模型参数，核心是学习 Embedding 层的权重矩阵。
• 产出：训练完成后，Embedding 层的权重矩阵即为所有词的词向量表示，可用于下游任务。

三大核心组件与技术（重难点）：

特征嵌入 (Feature Embedding)

• 是什么：将离散特征（词、位置等）映射到连续向量空间的通用技术。
  • 特点：低维度（降维）、语义可计算（相似词向量近）、可微学习（能反向传播优化）。
• Embedding Layer (实现方式)
  • 本质：一个巨大的可学习查找矩阵 (词表大小 × 向量维度)。
  • 工作流：输入词 → 获取词ID → 查找矩阵 → 输出词向量。
  • 关键点：向量是模型参数，在训练（如语言模型）中通过反向传播联合学习。
  • 产出：词向量是训练过程的“副产品”，模型学会预测（如下一个词）的同时获得了词的表示。
  • PyTorch nn.Embedding 关键参数：
    • num_embeddings：词表的大小。即你的词汇表中不同词的总数。这是矩阵的行数。
    • embedding_dim：每个词向量的维度。即你希望将每个词表示为多少维的稠密向量。这是矩阵的列数。
• Word2Vec (经典预训练模型)
  • 目标：高效生成高质量词向量，核心假设：上下文相似的词，其向量也相似。
  • 两种架构：
    • CBOW (Continuous Bag-of-Words)：
      • 输入：中心词周围的上下文词（一个词的窗口）。
      • 输出：预测的中心词。
      • 优点：训练快，参数少，对高频词效果好。
      • 缺点：对低频词/沙词效果较差。
      • 适用：小规模数据集。
    • Skip-Gram：
      • 输入：一个中心词。
      • 输出：该中心词周围的一系列上下文词。
      • 优点：能更好地学习低频词/沙词的表示，在大规模语料上效果通常更优。
      • 缺点：训练速度较慢，计算量大。
• 关键参数与解释：
  • vector_size：词向量的维度。维度越高，能捕捉的信息越丰富，但需要更多数据和计算资源。常用值100-300。
  • window：上下文窗口大小。定义了中心词前后多少个词被视为上下文。值越大，考虑的上下文越广，但训练越慢。通常3-10。
  • min_count：词频阈值。出现次数低于此值的词会被忽略。用于过滤掉无意义的罕见词，减小词表和计算量。
  • sg：选择模型架构。sg=0 使用 CBOW，sg=1 使用 Skip-Gram。
  • epochs：训练轮数。遍历整个语料库的次数。太少会欠拟合，太多可能过拟合。
  • workers：并行训练的线程数。增加可加快训练速度（在多核CPU上）。

核心结论：
深度学习通过 Embedding Layer 或 Word2Vec 等技术，克服了传统方法（One-Hot, TF-IDF）的稀疏性、高维度和语义缺失问题。生成的词嵌入是NLP任务的强大基础，使得机器能够“理解”词语间的语义关系。词向量的质量直接决定了下游任务的性能上限。