2024/1/27学习进度笔记

1) NLP 基本概念

① NLP（Natural Language Processing），也就是人们常说的「自然语言处理」，就是研究如何让计算机读懂人类语言，即将人的自然语言转换为计算机可以阅读的指令。

② 分词是 NLP 任务的一个起始，分词的好坏会影响整体模型的好坏。并且分词不一样，语义不一样。

1. 中国北京大学 → 中国、北京、大学，语义为北京的大学
2. 中国北京大学 → 中国、北京大学，语义为北京大学

② hanLP 是 NLP 处理工具，它是处理文本的工具，hanlp拥有：中文分词、命名实体识别、摘要关键字、依存句法分析、简繁拼音转换、智能推荐。

③ NLP 有很多处理工具，不同的处理工具处理的方法不一样，例如对一个词标注的标注可能不一样。

2) NLP 基础应用

1、分词

① 不同的分词模型，同一个句子可以分成不同的结果。

② BIO 序列标注方法[有监督学习算法]：B：代表块的开始 I：代表块的中间或者结束 O：单独一个块，例如，模型输入文本：我 在 中 国 北 京 大 学 读 书，输出标注后的序列为：O O B I I I I I B I。

1. 我在中国北京大学读书 → 我在、中国、北京、大学、读书
2. 我在中国北京大学读书 → 我在、中国北京、大学、读书
3. 我在中国北京大学读书 → 我、在、中国、北京大学、读书
4. 我在中国北京大学读书 → 我、在、中国、北京大学、读、书

2、词性标注

① 识别单词的词性，标注它是名词、动词、形容词、副词.....

② 词性标志有让标注工程师对所有词进行标注，也有算法工程师用代码先实现一遍文本的预标注，例如正则表达式，然后标注工程师直接检查是否标注错误，并补充没有标注的数据。

3. 命名实体识别

① 从PDF的句子中提取实体，例如人名、地名、时间等，通过实体寻找关系。

1. 文字型 PDF 提取实体方法：把 PDF 转成 xtml，再用 xpath 提取实体。
2. 扫描型 PDF 用 opencv 的方法把它转换为文字，再用 nlp 做命名实体识别，把实体框出来。

[ 1-3 都可以叫做序列标注问题 ]

4) 关键词提取

① 关键词代表句子意思，常通过摘要提取文本核心。

5) 关系提取

① 抽取句子中的实体和关系，生成实体和实体的关系叫做关系提取，如：乔布斯发明了苹果(句子输入模型中) 返回：乔布斯[实体]、苹果[实体]、发明[发明]。

6) 事件提取

① 提取文体中的事件(时间、地点、主体、金额......)。

7) 文本相似度

① 计算文本之间的相似度，例如，根据商品标题和商品描述信息的相似度找相似的商品。

8) 文本分类

① 对文件进行识别，分类出对应的类别，如：对文件进行新闻分类：体育、经济、政治、综艺.....，如：对文本进行情感分析：正面或者负面。

9) 文本表示(文本向量化、文本数值化)

① 把文本用数字转换，例如词袋模型。词袋模型首先会有一个语料库，语料库即一个文本，文本中含有成千上万个单词、每个单词对应向量，有2的n次方个单词就有以n为长度的向量。例如，"在" 对应向量为：[0,0,0,1,0,0,0]，"北京大学" 对应向量为：[0,0,0,0,1,0,0]，"读书"对应向量为：[0,0,0,0,1,0,0]。文本"我在北京大学读书" 分词为：我、在、北京大学、读书，转换为数值化为：[1,0,0,0,0,0,0] [0,0,0,1,0,0,0] [0,0,0,0,1,0,0] [0,0,0,0,1,0,0] ，然后用 [1,0,0,1,1,0,0] 用表示一段文本。

1. 同理，可以用文本向量化[1,0,1,1,0,0,0,0,0,0,0] 表示：我 打 你
2. 同理，可以用文本向量化[1,0,1,1,0,0,0,0,0,0,0] 表示：你 打 我

② 词袋模型缺陷：

1. 如果语料库很大，向量会稀疏，也就是一个向量里面很多都是零。
2. 没有顺序关系，向量"我打你"和向量"你打我"的文本向量表现形式一样。
3. 不能解决一词多译问题，例如，今天去店里买苹果，苹果手机还是吃的苹果，词袋模型的文本向量中无法表现出来。
4. 无法融合上下文关系，例如，今天去水果店里买苹果，苹果对应的向量仅仅是取词料库中的向量进行匹配，而并不是在前面的水果向量的基础上产生的向量，因此词向量无法融合上下文关系。

③ 静态词向量方法有：word2vec，不能解决一词多译问题；动态词向量方法有： elmo、opt、bert，能解决一词多译问题。