nlp分類模型（Nlp分類模型要新增一個標(biāo)簽有哪些做法）

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于nlp分類模型的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

• 1、NLP自然語言處理中的閱讀理解

• 2、05-ELMo/BERT/GPT-NLP預(yù)訓(xùn)練模型

• 3、NLP基本術(shù)語與基本概念-上

• 4、常見文本分類模型

一、NLP自然語言處理中的閱讀理解

我們在上學(xué)的時候經(jīng)常會做閱讀理解的題目，根據(jù)文章內(nèi)容提取出其中的答案。NLP中的閱讀理解同樣是提出文章中的中心句，不過不同的是，這是利用機(jī)器自動提取出來，其中涉及到NLP中LR（邏輯回歸）分類算法、XGboost模型。

LR(邏輯回歸)分類算法 是一個二分類算法，主要作用是預(yù)測事務(wù)發(fā)生的概率。通過利用一致的自變量來預(yù)測一個離散型因變量的值。

優(yōu)點：計算代價不高，易于理解和實現(xiàn)

缺點：容易欠擬合，分類精度可能不高

適用數(shù)據(jù)類型：數(shù)值型和標(biāo)稱型數(shù)據(jù)

XGboost模型 一個監(jiān)督模型，xgboost對應(yīng)的模型是一堆CART樹。xgboost出名的原因一是準(zhǔn)，二是快，之所以快，其中就有選用CART樹的一份功勞。由于CART樹的葉子節(jié)點對應(yīng)的值是一個實際的分?jǐn)?shù)，而非一個確定的類別，這將有利于實現(xiàn)高效的優(yōu)化算法

利用閱讀理解的技術(shù)，提取word文檔中重點內(nèi)容。當(dāng)用戶提出問題后，機(jī)器能自動從多個文檔中找到對應(yīng)的答案推送給用戶查看，從而解決用戶的問題

用戶要咨詢的問題作為作為一個輸入源，大量的文檔是檢索的對象。

根據(jù)問題內(nèi)容，機(jī)器去多個文檔中檢索，找出前N個與問題相關(guān)的所有文檔中的段落，可以是意思相近，可以是包含相同關(guān)鍵詞等。找出后利用LR算法進(jìn)行二次分類，提取出其中機(jī)器認(rèn)為質(zhì)量較好的前30個段落。

然后再利用xgboost模型做分類，從30個段落中，找出前10個段落。使用閱讀理解方式，從10個段落中挑選一個段落出來，作為多文檔閱讀理解的最終答案

1.僅將用戶的問題作為輸入，范圍太小，需要將問題進(jìn)行語義泛化

2.僅憑問題去多個文檔中進(jìn)行檢索答案，準(zhǔn)確性有多高還需待驗證

二、05-ELMo/BERT/GPT-NLP預(yù)訓(xùn)練模型

這里可以參考CSDN上的文章-BERT原理和實踐： https://blog.csdn.net/jiaowoshouzi/article/category/9060488

在解釋BERT，ELMO這些預(yù)訓(xùn)練模型之前，我們先看一下很久之前的計算機(jī)是如何讀懂文字的？

每個字都有自己的獨特的編碼。但是這樣是有弊端的，字和字之間的關(guān)聯(lián)關(guān)系是無法得知的，比如計算機(jī)無法知道dog和cat都是動物，它反而會覺得bag和dog是比較相近的。

所以后來就有了Word Class，將一系列的詞進(jìn)行分類然后讓一類詞語和一類詞語之間更有關(guān)聯(lián)，但是這樣的方法太過于粗糙，比如dog，cat，bird是一類，看不出哺乳動物鳥類的區(qū)別。

在這個基礎(chǔ)之上，我們有了Word Embedding，Word Embedding我們可以想象成是一種soft的word class，每個詞都用向量來表示，它的向量維度可能表示這個詞匯的某種意思，如圖中dog，cat，rabbit的距離相比其他更近。那么word embendding是如何訓(xùn)練出來的，是根據(jù)每個詞匯的上下文所訓(xùn)練的。

每個句子都有bank的詞匯，四個bank是不同的token，但是同樣的type。（注：token-詞例， type-詞型， class-詞類 or token是出現(xiàn)的總次數(shù)(還有種理解是token是具有一定的句法語義且獨立的最小文本成分。 )，type是出現(xiàn)的不同事物的個數(shù)。）

對于典型的Word Embedding認(rèn)為，每個詞type有一個embedding，所以就算是不同的token只要是一樣的type那么word embedding就是一樣的，語義也就是一樣的。

而事實上并非如此，1,2句bank指的是銀行，3,4為水庫。所以我們希望讓機(jī)器給不同意思的token而且type還一致，給予不同的embedding。在這個問題上，之前的做法是從字典中去查找這個詞包含幾種意思，但是這樣的做法顯然跟不上現(xiàn)實中詞語的一些隱含的含義。比如bank有銀行的意思，與money一起是銀行的意思，而與blood一起卻是血庫的意思。

所以我們想讓機(jī)器今天進(jìn)一步做到每一個word token都可以有自己的embedding(之前是每個type有一個embedding或者有固定的一個或多個embedding)，那么怎么知道一個word應(yīng)該有怎樣的embedding呢？我們可以取決于該詞的上下文，上下文越相近的token它們就會越相近的embedding。比如之前提到的bank，下面兩個句子它們的word token的embedding可能是相近的，而和上面的word token的embedding是相遠(yuǎn)的。

所以我們想使用一種能夠基于上下文的Contextual word Embedding來解決一詞多義的問題。

這里使用ELMO可以做到這件事情，即每個word token擁有不同的word embedding。(右上角動物是芝麻街(美國公共廣播協(xié)會（PBS）制作播出的兒童教育電視節(jié)目)里的角色)。

它是基于RNN的預(yù)訓(xùn)練模型，它只需要搜集大量語料(句子)且不需要做任何標(biāo)注，就可以訓(xùn)練這個基于RNN的語言模型，預(yù)測下一個token是什么，學(xué)習(xí)完了之后就得到了上下文的embedding。因為我們可以將RNN的隱藏層中的某一節(jié)點拿出來(圖中橙藍(lán)色節(jié)點)，它就是輸入當(dāng)前結(jié)點的詞匯的word embedding。

從當(dāng)計算識別到<BOS>，模型訓(xùn)練開始。首先輸入"潮水"，然后當(dāng)作輸入輸出"退了"，退了當(dāng)做輸入輸出"就"。

假設(shè)當(dāng)前要得到”退了”這個詞的上下文embedding，首先，因為前邊的RNN只考慮到了前文而沒有考慮到后文，所以這里就使用了同前文一樣的反向的RNN。然后，它從句尾開始進(jìn)行，比如給它喂”知道”，它就要預(yù)測”就”，給它喂”就”，它就要預(yù)測”退了”。這時候就不僅考慮每個詞匯的前文，還會考慮每個詞的后文。最后將正向和逆向得到的兩個不同的上下文embedding(因為方向不同訓(xùn)練結(jié)果也不一樣)拼接起來。

現(xiàn)在我們訓(xùn)練的程度都會越來越深度，當(dāng)層數(shù)增加，這樣就會產(chǎn)生Deep的RNN，因為很多層，而且每一層都會產(chǎn)生上下文Embedding，那么我們到底應(yīng)該使用哪一層？每一層這種深度LSTM中的每個層都可以生成潛在表示(方框處)。同一個詞在不同的層上會產(chǎn)生不同的Embedding，那么我們應(yīng)該使用哪一層呢？ELMo的策略是每一層得到的上下文embedding都要。

在上下文embedding的訓(xùn)練模型中，每個詞輸入進(jìn)去都會有一個embedding輸出來。但是在ELMo中，每個詞匯輸入進(jìn)去，都會得到不止一個embedding，因為每層的RNN都會給到一個embedding，ELMo將它們統(tǒng)統(tǒng)加起來一起使用。

以圖中為例，這里假設(shè)ELMo有兩層RNN，這里是將α1(黃色，第一層得到的embedding)和α2(綠色，第二層得到embedding)加起來得到藍(lán)色的embedding，并做為接下來要進(jìn)行不同任務(wù)的輸入。

但是這里存在一些問題，α1和α2是學(xué)習(xí)得到的，而且它是根據(jù)當(dāng)前要進(jìn)行的任務(wù)(如QA，POS of tagging )，然后根據(jù)接下來要進(jìn)行的這些任務(wù)一起被學(xué)習(xí)出來。所以就導(dǎo)致不同任務(wù)導(dǎo)向下的α1和α2也不一樣。

ELMo的論文中提到，在不同任務(wù)下(SRL,Coref,SNLI,SQuAD,SST-5)。藍(lán)色的上下文embedding在經(jīng)過token(這里為沒有經(jīng)過上下文的embedding)，LSTM1，LSTM2后，它在不同階段需要的weight也不一樣。

BERT相當(dāng)于是Transformer的Encoder部分，它只需要搜集大量的語料去從中學(xué)習(xí)而不經(jīng)過標(biāo)注(不需要label)，就可以將Encoder訓(xùn)練完成。如果之前要訓(xùn)練Encoder，我們需要通過一些任務(wù)來驅(qū)動學(xué)習(xí)(如機(jī)器翻譯)。

BERT就是句子給進(jìn)去，每個句子給一個embedding。

這里可以回憶下，Transformer的Enoder中有self-attention layer，就是給進(jìn)去一個sequence，輸出也得到一個sequence。

雖然圖中使用是用詞作為單元進(jìn)行輸入，但是在使用BERT進(jìn)行中文的訓(xùn)練時，字會是一個更好的選擇。比如，我們在給BERT進(jìn)行輸入時，用one-hot給詞進(jìn)行編碼，但是詞在中文中數(shù)量龐大，會導(dǎo)致維度過高。但是，字的話相對會少很多，特別是中文(大約幾千個，可以窮舉)。這樣以字為單位進(jìn)行輸入會占很大優(yōu)勢。

共有兩種方法，一種是Mask LM遮蓋語言模型，另一種是Next Sentence Prediction下一句預(yù)測。

下面用上圖的例子來理解BERT是怎么樣來進(jìn)行填空的：

1）這里假設(shè)在所有句子中的詞匯的第2個位置上設(shè)置一個<MASK>；

2）接下來把所有的詞匯輸入BERT，然后每個輸入的token都會得到一個embedding；

3）接下來將設(shè)置為<MASK>的embedding輸入到Linear Multi-class Classifier中中，要求它預(yù)測被<MASK>的詞匯是哪個詞匯？

但是這個Linear Multi-class Classifier它僅僅是一個線性分類器，所以它的能力十分弱，這也就需要在之前的BERT模型中需要將它的層數(shù)等參數(shù)設(shè)計的相當(dāng)好，然后得到非常出色的representation，便于線性分類器去訓(xùn)練。

那么我們怎么知道最后得到的embedding是什么樣的呢？如果兩個<MASK>下的詞匯(輸入時設(shè)置的<MASK>和最后預(yù)測的<MASK>)都放回原來的位置而且沒有違和感(就是語句還算通順)，那它們就有類似的embedding(比如退下和落下)。

如圖中，給定兩個句子1)醒醒吧 和 2)你沒有妹妹。其中特殊符號[SEP]是告訴BERT兩個句子的分隔點在哪里。

特殊符號[CLS]一般放在句子的開頭，它用來告訴BERT從這開始分類任務(wù)，[CLS]輸入BERT后得到embedding然后通過Linear Binary Classifier得出結(jié)果說明：經(jīng)過BERT預(yù)測后現(xiàn)在我們要預(yù)測的兩個句子是接在一起 or 不應(yīng)該被接在一起。

這里可能會有疑問，為什么不將[CLS]放在句尾，等BERT訓(xùn)練完兩個句子再輸出結(jié)果？

對于上圖中的任務(wù)，BERT現(xiàn)在要做的事情就是給定兩個句子，讓BERT輸出結(jié)果這兩個句子是不是應(yīng)該接在一起？

所以在語料庫的大量句子中，我們是知道哪些句子是可以接在一起的，所以也需要我們告訴BERT哪些句子是接在一起的。

Linear Binary Classifier和BERT是一起被訓(xùn)練的，通過預(yù)測下一句這個任務(wù)，我們就可以把將BERT部分的最優(yōu)參數(shù)訓(xùn)練出來。

現(xiàn)在我們知道了任務(wù)一和任務(wù)二，在原論文中兩種任務(wù)是要同時進(jìn)行的，這樣才能將BERT的性能發(fā)揮到最佳。

現(xiàn)在我們知道了BERT要做什么事情，那么我們要如何去使用它？共有四種方法。論文中是將【BERT模型和接下來你要進(jìn)行的任務(wù)】結(jié)合在一起做訓(xùn)練。

第一種，假設(shè)當(dāng)前任務(wù)是Input一個sentence，out一個class，舉例來說輸入一句話來判斷分類。

訓(xùn)練流程：1）將做要分類的句子丟給BERT；

2）需要在句子開始加上分類的特殊符號，這個特殊符號經(jīng)過BERT輸出的embedding經(jīng)過線性分類器，輸出結(jié)果為當(dāng)前的句子屬于的類別是真還是假。BERT和Linear Classifier的參數(shù)一起進(jìn)行學(xué)習(xí)；

3）這里的Linear Classifier是Trained from Scratch是白手起家從頭開始，即它的參數(shù)隨機(jī)初始化設(shè)置，然后開始訓(xùn)練；

4）而BERT則是加上Fine-tune微調(diào)策略(一種遷移學(xué)習(xí)方式*)，例如Generative Pre-trained Transformer(OpenAI GPT生成型預(yù)訓(xùn)練變換器)(Radford等，2018)，引入了最小的任務(wù)特定參數(shù)，并通過簡單地微調(diào)預(yù)訓(xùn)練參數(shù)在下游任務(wù)中進(jìn)行訓(xùn)練。

*這里不得不提一下遷移學(xué)習(xí)中的Fine-tune，這里可以參考csdn的一篇文章： https://blog.csdn.net/u013841196/article/details/80919857

( https://arxiv.org/abs/1805.12471 )

第二種，假設(shè)當(dāng)前任務(wù)是input一個sentence，輸出這個句子中的每個詞匯屬于正例還是負(fù)例。舉例現(xiàn)在的任務(wù)是slot filling填槽任務(wù)(填槽指的是為了讓用戶意圖轉(zhuǎn)化為用戶明確的指令而補(bǔ)全信息的過程)（另一種解釋是從大規(guī)模的語料庫中抽取給定實體（query）的被明確定義的屬性（slot types）的值（slot fillers））(槽可以理解為實體已明確定義的屬性)，輸入的句子是 arrive Taipei on November 2nd輸出的槽是other dest on time time

訓(xùn)練流程：

1）將句子輸入BERT，句子中的每個詞匯都會映射出一個embedding；

2）每個詞匯的embedding輸入Linear Classifier，輸出結(jié)果；

3）Linear Classifier 白手起家和Bert微調(diào)的方式一起去做學(xué)習(xí)。

第三種，假設(shè)當(dāng)前任務(wù)是input輸入兩個句子，輸出class。舉例現(xiàn)在要進(jìn)行自然語言預(yù)測，讓機(jī)器根據(jù)premise前提，預(yù)測這個hypothesis假設(shè)是True還是False還是unknown不知道。實際上，我們可以把這個任務(wù)當(dāng)成三分類問題。

訓(xùn)練過程：

1）在一個sentence前設(shè)置特殊符號[CLS]，然后在要輸入的兩個sentence中間設(shè)置[SEP]分隔符號；

2）將兩個sentence連同特殊符號一起輸入到BERT中；

3）將[CLS]輸入BERT后得到的embedding，再把它輸入linear Classifier中，得到class。

如圖所示，假設(shè)gravity的token序號是17，即 ，我們現(xiàn)在有一個問題通過QA Model后得到的s=17，e=17，那么答案就是 為gravity；

同理，假設(shè)within a cloud的序號順序是77到79，即 到 ,我們現(xiàn)在有一個問題通過QA Model后得到的s=77，e=79，那么答案就是 為within a cloud。

https://arxiv.org/abs/1905.05950

https://openreview.net/pdf?id=SJzSgnRcKX

這張圖顯示了BERT從0-24層的層數(shù)在針對不同的NLP任務(wù)上的表現(xiàn)。

https://d4mucfpksywv.cloudfront.net/better-language-models/language_models_are_unsupervised_multitask_learners.pdf

而所謂的GPT,它其實就是Transformer的Decoder。

我們簡單的描述下GPT的訓(xùn)練過程：這里我們input<BOS>這個token和潮水，想要GPT預(yù)測輸出“退了”這個詞匯。

1）首先輸入[BOS]（begin of sentence）和潮水，通過Word Embedding再乘上matrix W變成a 1到a 4，然后把它們丟進(jìn)self-attention 層中，這時候每一個input都分別乘上3個不同的matrix產(chǎn)生3個不同的vector，分別把它們命名為q，k，v。

q代表的是query (to match others用來去匹配其它的向量)

k代表的是key (to be matched用來去被query匹配的向量)

v代表的是value(information to be extracted用來被抽取的信息的向量)

2）現(xiàn)在要做的工作就是用每個query q 去對每個 key k做attention（吃2個向量，輸出就是告訴你這2個向量有多么匹配或者可以說輸入兩個向量輸出一個分?jǐn)?shù)alpha（而怎么去吃2個向量output一個分?jǐn)?shù)，有很多不同的做法））。這里要預(yù)測潮水的下一個詞，所以乘 ， 乘上 , 乘上 再經(jīng)過soft-max分別得到 到 。

3)我們用 和每一個v相乘， 和 相乘加上 和 相乘。以此類推并相加，最終得到 。

4)然后經(jīng)過很多層的self-attention，預(yù)測得到”退了”這個詞匯。

同理，現(xiàn)在要預(yù)測”退了”的下一個詞匯，按照前面的流程可以得到 ，然后經(jīng)過很多層的self-attention層，得到”就”這個詞匯。

GPT的神奇之處在于它可以在完全沒有訓(xùn)練數(shù)據(jù)的情況下，就可以做到閱讀理解，摘要，翻譯。折線圖中顯示了它在參數(shù)量上升的情況下，F(xiàn)1的值的效果。

1.Transformer的問題：

word Embedding 無上下文

監(jiān)督數(shù)據(jù)太少

解決方法：

Contextual Word Embedding

2.ELMo( E mbeddings from L anguages Mo del)

- 多層雙向的LSTM的NNLM

- RNN-based language models(trained from lots of sentences)

ELMo的問題：

Contextual Word Embedding作為特征

不適合特定任務(wù)

3.OpenAI GPT的改進(jìn)

根據(jù)任務(wù)Fine-Tuning

使用Transformer替代RNN/LSTM

OpenAI GPT的問題：

單向信息流的問題

Pretraining(1)和Fine-Tuning(2)不匹配

解決辦法：

Masked LM

NSP Multi-task Learning

Encoder again

Tips：

- 使用中文模型

- max_seq_length可以小一點，提高效率

- 內(nèi)存不夠，需要調(diào)整train_batch_size

- 有足夠多的領(lǐng)域數(shù)據(jù)，可以嘗試Pretraining

三、NLP基本術(shù)語與基本概念-上

詞是最小的能夠獨立活動的有意義的語言成分，英文單詞之間是以空格作為自然分界符的，而漢語是以字為基本的書寫單位，詞語之間沒有明顯的區(qū)分標(biāo)記，因此，中文詞語分析是中文分詞的基礎(chǔ)與關(guān)鍵。中文和英文都存在分詞的需求，不過相較而言，英文單詞本來就有空格進(jìn)行分割，所以處理起來相對方便。但是，由于中文是沒有分隔符的，所以分詞的問題就比較重要。分詞常用的手段是基于字典的最長串匹配，據(jù)說可以解決85%的問題，但是歧義分詞很難。舉個例子，“美國會通過對臺售武法案”，我們既可以切分為“美國/會/通過對臺售武法案”，又可以切分成“美/國會/通過對臺售武法案”。

中文分詞技術(shù)可分為三大類：

基于機(jī)器學(xué)習(xí)的方法里，往往需要對詞的詞性進(jìn)行標(biāo)注。詞性一般是指動詞、 名詞、形容詞等。標(biāo)注的目的是表征詞的一-種隱藏狀態(tài)，隱藏狀態(tài)構(gòu)成的轉(zhuǎn)移就構(gòu)成了狀態(tài)轉(zhuǎn)移序列。例如:我/r愛/v北京/ns天安門/ns。其中，ns代表名詞，v代表動詞，ns、v都是標(biāo)注，以此類推。

詞性作為對詞的一種泛化，在語言識別、句法分析、信息抽取等任務(wù)中有重要作用。

http://blog.csdn.net/truong/article/details/18847549

命名實體是指從文本中識別具有特定類別的實體(通常是名詞),例如人名、地名、機(jī)構(gòu)名、專有名詞等。主要包含兩部分：

命名實體識別是信息提取、問答系統(tǒng)、句法分析、機(jī)器翻譯、面向SemanticWeb的元數(shù)據(jù)標(biāo)注等應(yīng)用領(lǐng)域的重要基礎(chǔ)工具。

https://blog.csdn.net/u012879957/article/details/81777838

句法分析往往是一種基于規(guī)則的專家系統(tǒng)。當(dāng)然也不是說它不能用統(tǒng)計學(xué)的方法進(jìn)行構(gòu)建，不過最初的時候，還是利用語言學(xué)專家的知識來構(gòu)建的。句法分析的目的是解析句子中各個成分的依賴關(guān)系。所以，往往最終生成的結(jié)果是一棵 句法分析樹。句法分析可以解決傳統(tǒng)詞袋模型不考慮上下文的問題。比如，“小李是小楊的班長”和“小楊是小李的班長”，這兩句話，用詞袋模型是完全相同的，但是句法分析可以分析出其中的主從關(guān)系，真正理清句子的關(guān)系。

中文中代詞出現(xiàn)的頻率很高，它的作用的是用來表征前文出現(xiàn)過的人名、地名等。例如，清華大學(xué)坐落于北京，這家大學(xué)是目前中國最好的大學(xué)之-。 在這句話中， 其實“清華大學(xué)”這個詞出現(xiàn)了兩次，“這家大學(xué)指代的就是清華大學(xué)。但是出于中文的習(xí)慣，我們不會把“清華大學(xué)”再重復(fù)一遍。

一般情況下，指代分為2種：回指和共指。

回指是指當(dāng)前的照應(yīng)語與上文出現(xiàn)的詞、短語或句子（句群）存在密切的語義關(guān)聯(lián)性，指代依存于上下文語義中，在不同的語言環(huán)境中可能指代不同的實體，具有非對稱性和非傳遞性；

共指主要是指2個名詞(包括代名詞、名詞短語)指向真實世界中的同一參照體，這種指代脫離上下文仍然成立。

目前指代消解研究主要側(cè)重于等價關(guān)系，只考慮2個詞或短語是否指示現(xiàn)實世界中同一實體的問題，即共指消解。

中文的指代主要有3種典型的形式：

所謂情感識別，本質(zhì)上是分類問題，經(jīng)常被應(yīng)用在輿情分析等領(lǐng)域。情感一般可以分為兩類，即正面、負(fù)面，也可以是三類，在前面的基礎(chǔ)上，再加上中性類別。一般來說，在電商企業(yè)，情感識別可以分析商品評價的好壞，以此作為下一個環(huán)節(jié)的評判依據(jù)。通?？梢曰谠~袋模型+分類器，或者現(xiàn)在流行的詞向量模型+RNN。經(jīng)過測試發(fā)現(xiàn)，后者比前者準(zhǔn)確率略有提升。

自動糾錯在搜索技術(shù)以及輸人法中利用得很多。由于用戶的輸人出錯的可能性比較大，出錯的場景也比較多。所以，我們需要一個糾錯系統(tǒng)。具體做法有很多，可以基于N-Gram進(jìn)行糾錯，也可以通過字典樹、有限狀態(tài)機(jī)等方法進(jìn)行糾錯。

這是一種類似機(jī)器人的人工智能系統(tǒng)。比較著名的有:蘋果Siri、IBM Watson、微軟小冰等。問答系統(tǒng)往往需要語音識別、合成，自然語言理解、知識圖譜等多項技術(shù)的

問答系統(tǒng)（Question Answering System, QA）是信息檢索系統(tǒng)的一種高級形式，它能用準(zhǔn)確、簡潔的自然語言回答用戶用自然語言提出的問題。

基于自由文本的問答系統(tǒng)，基本上分為三個模塊：

問句分析->文檔檢索->答案抽?。炞C）

https://blog.csdn.net/class_guy/article/details/81535287

針對目標(biāo)句子，進(jìn)行各種句法分析，如分詞、詞性標(biāo)記、命名實 體識別及鏈接、句法分析、語義角色識別和多義詞消歧等。

抽取目標(biāo)文本中的主要信息，比如從一-條新聞中抽取關(guān)鍵信息。主要是了解是誰、于何時、為何、對誰、做了何事、產(chǎn)生了有什么結(jié)果。涉及實體識別、時間抽取、因果關(guān)系抽取等多項關(guān)鍵技術(shù)。

主要包含了對文本的聚類、分類、信息抽取、摘要、情感分析以及對挖掘的信息和知識的可視化、交互式的呈現(xiàn)界面。

將輸人的源語言文本通過自動翻譯轉(zhuǎn)化為另種語言的文本。根據(jù)輸人數(shù)據(jù)類型的不同，可細(xì)分為文本翻譯、語音翻譯、手語翻譯、圖形翻譯等。機(jī)器翻譯從最早的基于規(guī)則到二十年前的基于統(tǒng)計的方法，再到今天的基于深度學(xué)習(xí)(編解碼)的方法，逐漸形成了一套比較嚴(yán)謹(jǐn)?shù)姆椒w系。

對大規(guī)模的文檔進(jìn)行索引。可簡單對文檔中的詞匯，賦以不同的權(quán)重來建立索引，也可使用算法模型來建立更加深層的索引。查詢時，首先對輸人比進(jìn)行分析，然后在索引里面查找匹配的候選文檔，再根據(jù)一個排序機(jī)制把候選文檔排序，最后輸出排序得分最高的文檔。

針對某個自然語言表達(dá)的問題，由問答系統(tǒng)給出一個精準(zhǔn)的答案。需要對自然語言查詢語句進(jìn)行語義分析，包括實體鏈接、關(guān)系識別，形成邏輯表達(dá)式，然后到知識庫中查我可能的候選答案并通過-個排序機(jī)制找出最佳的答案。

系統(tǒng)通過多回合對話，跟用戶進(jìn)行聊天、回答、完成某項任務(wù)。主要涉及用戶意圖理解、通用聊天引擎、問答引擎、對話管理等技術(shù)。此外，為了體現(xiàn)上下文相關(guān)，要具備多輪對話能力。同時，為了體現(xiàn)個性化，對話系統(tǒng)還需要基于用戶畫像做個性化回復(fù)

參考： https://mp.weixin.qq.com/s/QjpOzO8Mt17mtnC7efT8nQ

四、常見文本分類模型

Fasttext 模型架構(gòu)和 Word2vec 的 CBOW 模型架構(gòu)非常相似，下面就是 FastText 模型的架構(gòu)圖：

與傳統(tǒng)圖像的CNN網(wǎng)絡(luò)相比, TextCNN 在網(wǎng)絡(luò)結(jié)構(gòu)上沒有任何變化, 從下圖可以看出 TextCNN 其實只有一層 convolution ，一層 max-pooling , 最后將輸出外接 softmax 來 n分類

一般取 前向/反向LSTM 在最后一個時間步長上隱藏狀態(tài)，然后進(jìn)行拼接，在經(jīng)過一個 softmax 層進(jìn)行一個多分類；或者取 前向/反向LSTM 在每一個時間步長上的隱藏狀態(tài)，對每一個時間步長上的兩個隱藏狀態(tài)進(jìn)行 拼接concat ，然后對所有時間步長上拼接后的隱藏狀態(tài)取均值，再經(jīng)過一個 softmax層 進(jìn)行一個多分類

與 TextCNN 比較類似，都是把文本表示為一個嵌入矩陣，再進(jìn)行卷積操作。不同的是 TextCNN 中的文本嵌入矩陣每一行只是文本中一個詞的向量表示，而在 RCNN 中，文本嵌入矩陣的每一行是當(dāng)前詞的詞向量以及上下文嵌入表示的拼接

相對于以前的文本分類中的 BiLSTM 模型， BiLSTM+Attention 模型的主要區(qū)別是在 BiLSTM 層之后，全連接 softmax 分類層之前接入了一個叫做 Attention Layer 的結(jié)構(gòu)

第一層采用 text region embedding ，其實就是對一個 n-gram 文本塊進(jìn)行卷積，得到的 feature maps 作為該文本塊的 embedding 。然后是 convolution blocks 的堆疊，就是兩個卷積層與 shortcut 的組合。 convolution blocks 中間采用 max-pooling ，設(shè)置步長為2以進(jìn)行負(fù)采樣。最后一個 pooling層 將每個文檔的數(shù)據(jù)整合成一個向量

NLP新人，歡迎大家一起交流，互相學(xué)習(xí)，共同成長~~

以上就是關(guān)于nlp分類模型相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。

推薦閱讀：

newbing免費（newbinlie）

online是什么意思（地球online是什么意思）

chatonline翻譯中文（chatting online翻譯）

如何分享銷售經(jīng)驗和技巧（如何分享銷售經(jīng)驗和技巧呢）

杭州車牌競價成功率（杭州車牌競價成功率多少）