复旦大学教授邱锡鹏：NLP 任务中有哪些巧妙的 idea？

在知乎中自然语言处理话题下有一个非常有意思的话题 "NLP 任务中有哪些巧妙的idea？" ，目前已经有1188+关注，40000+浏览量，今天就为大家分享下获得最高点赞的答案，复旦大学邱锡鹏教授的回答：

这个问题很有趣！看了下目前的回答都是深度学习之后的，我就回答几个深度学习之前的吧：

先从语义表示说起，个人觉得都是简单并且巧妙的想法 ( 但其背后的理论不一定简单 )。

1. 分布式假设 ( Distributional Hypothesis )

"Linguistic items with similar distributions have similar meanings."

直白点就是，一个词的语义可以用它的上下文表示。

对 NLP 来说，个人觉得分布式假设是来自语言学的最有价值的 "理论" 之一。

2. 词袋模型 ( Bag-of-Words )

将一篇文档看作是一个词的集合，不考虑语法，甚至是词序信息也都抛弃了。

BoW 模型解决了用机器学习来做 NLP 的一个痛点问题：怎样把一个变成的文本序列转换为定长的向量。

相关扩展：N-gram，TF-IDF 等。

3. 潜在语义分析 ( Latent Semantic Analysis )

基于上面的分布式假设和词袋模型，我们可以构建一个词-文档矩阵 (term-document matrix )。这个矩阵很有意思，每一列为一个文档的表示 ( BoW 向量 )，每一行为一个词的语义表示 ( 分布式假设，其中上下文是以文档为基本单位 )。这样我们就可以用表示文档和文档之间的关系，用表示词与词之间的关系。这个矩阵还可以进行 SVD 分解，得到词和文档的稠密向量表示，可以发现潜在的语义信息 ( 比如主题等 )。

4. 概率主题模型 ( Probabilistic Topic Models )

概率主题模型比词袋模型多引入了一个 "主题 ( Topic )" 作为隐变量。词和文档的之间关联变成了：文档 -> 主题 -> 词。这个想法合情合理，听上去就更好。如果你觉得哪里不好，又可以魔改。概率主题模型的数学基础 ( 概率有向图模型 ) 十分漂亮，并且基于吉布斯采样的推断简单到不可思议，甚至不需要图模型的知识就可以理解。PTM 是前深度学习时代 NLP 领域的一个大宝矿 ( Shui Keng )！

5. 基于 BMES 的中文分词或基于 BIO 的 NER/Chunking

BMES 是 Begin/Middle/End/Single 的缩写，代表所标记的字符是一个词语的开始/中间/结尾/单字词。

BIO 是 Begin/Inside/Outside 的缩写，表示所标记的词是一个实体名的开始/内部/外部。

这种标记将带有分割性质的 NLP 任务转换为序列标注任务，可以使用 HMM、CRF 等成熟的机器学习模型。

6. 基于 PageRank 的 TextRank

PageRank 本身非常巧妙了，TextRank 更是巧妙地将 PageRank 应用到 NLP 中的词排序或句子排序上面，比如关键词抽取、文本摘要等。

参考资料

1. "Linguistic items with similar distributions have similar meanings."

https://en.wikipedia.org/wiki/Distributional_semantics

2. term-document matrix

https://en.wikipedia.org/wiki/Term-document_matrix

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

A

BOUT

分享嘉宾

邱锡鹏：复旦大学计算机科学技术学院 副教授，博士生导师，于复旦大学获得理学学士和博士学位。中国中文信息学会青年工作委员会执委、计算语言学专委会委员、中国人工智能学会青年工作委员会常务委员、自然语言理解专委会委员。主要研究领域包括人工智能、机器学习、深度学习、自然语言处理等，并且在上述领域的顶级期刊、会议（ACL/EMNLP/IJCAI/AAAI等）上发表过50余篇论文。自然语言处理开源工具FudanNLP作者，2015年入选首届中国科协青年人才托举工程，2017年ACL杰出论文奖。