CS224N Lecture One学习笔记

本文是斯坦福大学CS224N课程(课程主页:http://web.stanford.edu/class/cs224n/) lecture one的学习笔记。

自然语言处理的定义

自然语言处理是计算机科学、人工智能、语言学交叉领域，目的是使电脑具有处理并理解自然语言的能力以执行某些任务（例如：问答、翻译等）。目前而言，完全理解并表示语义还十分困难。下图表示NLP的各个级别。形态分析（Morphological）是分析该词的构造形式（主要针对英语而言，例如，uninterested = un(前缀）+ interest(词干) + ed(后缀)）。句法分析是确定句子的语法结构句子中词汇之间的依存关系。本课程着重讲解句法分析和语义表示（其余级别可自行百度或者谷歌，这里不再解释）

自然语言处理的应用

目前，NLP已经应用在各式各样的应用中，例如：语音识别、机器翻译（现在谷歌翻译已经很强大了）、搜索引擎等等。

人类语言

正如自然语言处理定义中提到，自然语言处理目的是为了让机器理解自然语言，所以我们有必要了解人类语言。
人类语言是一个符号化系统，用于表达speaker/writer的意图，例如使用rocket符号（symbols）表示、使用violin表示。
符号（symbols）能通过以下几种方式编码成信号：声音（即人类说话）、手势（通过手势表达一个词语）、图片（例如前面的火箭图标）、文本。

深度学习

深度学习是机器学习的子领域。与传统机器学习算法相比，深度学习的优势在于自动学习表征（传统机器学习需要花费大量人力和精力手工设计特征）。下面两幅图是传统机器学习和深度学习流程对比，其中深度学习将特征工程和算法合而为一，也就是端到端模型（数据输入到模型直接得到输出，特征工程和算法可看成黑盒子）


DeepNLP = Deep Learning + NLP，即使用深度学习解决NLP的任务和应用（利用深度学习强大的自动特征学习能力），例如：词性标注、命名实体识别、机器翻译、情感分析等等。

NLP困难的原因

上文中提到，虽然NLP有很多应用，但是目前NLP还有许多困难。课程提到其中一个困难是人类语言是模棱两可的（这与编程语言不相同，编程语言不会存在歧义性）。例如：I made her duck，这句话具有歧义。人类会利用常识知识和场景知识解释一句话，但是计算机并没有常识知识。这也是NLP难以解决最大的原因。下图是一些其他例子：

NLP的表征

由于NLP目的是使机器理解自然语言，为此，第一步是需要将自然语言转化为向量。
在传统的方法中，我们常常会使用one-hot向量（one-hot向量只有一个元素为1，其余元素都为0），但one-hot向量有以下两个缺点：（1）稀疏 （2）不具有词义信息。
为了改进这些缺点，我们现在常常使用word2vec或glove技术将单词转化为向量（转化方法下两节课会详细讲解，这里只是提一下），该向量能够表达单词的意思（注意，向量的元素并没有可解释性），同义词在向量空间往往聚集，如下图：

不仅是单词，前缀、后缀、词干、句子、文档等所有级别都使用向量表示。

结论

本节课课程内容简要概述自然语言处理和深度学习的定义，解释了NLP困难的原因，并且也提出将单词意义转化为向量的想法。同时，为了加深对自然语言处理的理解，课程也简述了人类语言的定义。除此之外，本节课列举NLP不同任务所使用传统方法与深度学习方法，具体可以看slide和视频。