机器学习知识自然语言处理入门

news2025/5/17 19:10:47

一、引言：当文字遇上数学 —— 自然语言的数字化革命

在自然语言处理（NLP）的世界里，计算机要理解人类语言，首先需要将文字转化为数学向量。早期的 One-Hot 编码如同给每个词语分配一个唯一的 “房间号”，例如 “我爱北京天安门” 分词后，每个词用一个仅含一个 1 的高维向量表示。但这种方法如同用庞大的书架存放稀疏的书籍 —— 维度爆炸、语义割裂，无法捕捉词语间的潜在联系。

于是，** 分布式表示（Distributed Representation）** 应运而生，它如同为词语打造一张 “语义地图”，每个词被映射为低维空间中的一个点，相近的点代表语义相关的词。Word2Vec 正是这一思想的经典实现，它用简洁的神经网络架构，让计算机学会 “理解” 词语的隐含关系，甚至能完成 “king - man + woman = queen” 这样的语义推理。

二、Word2Vec：让词语在向量空间中 “对话”

2.1 从 One-Hot 到词向量：稀疏到稠密的跨越

One-Hot 编码的缺陷在于 “维度诅咒”：若词表有 N 个词，每个向量需 N 维，且仅有一个 1。而 Word2Vec 通过训练，将词语映射到d 维稠密向量（d 通常为 50-300），每个维度对应一种潜在语义特征（如 “性别”“地点”“情感” 等）。例如 “国王” 和 “女王” 可能在 “权力” 维度值高，在 “性别” 维度值相反。

2.2 模型架构：简化的神经网络魔法

Word2Vec 本质是一个两层神经网络，有两种经典模式：

CBOW（连续词袋模型）：用上下文词语预测目标词（如用 “I” 和 “learning” 预测 “deep”）。
Skip-gram：用目标词预测上下文（如用 “deep” 预测 “I” 和 “learning”）。

以 CBOW 为例，模型结构如下：

输入层：上下文词语的 One-Hot 向量（假设词表大小 V，向量维度 V）。
隐藏层：权重矩阵 W（V×d）与输入向量相乘，压缩为 d 维词向量。
输出层：通过 Softmax 计算目标词的概率（矩阵 W'（d×V）将隐藏层映射回 V 维空间）。

2.3 数据生成：滑动窗口里的语义世界

训练数据来自大规模文本（如维基百科），通过滑动窗口提取上下文 - 目标词对。例如句子 “I like deep learning and NLP”，窗口大小设为 3 时，可生成样本：

上下文 [“I”, “like”] → 目标词 “deep”
上下文 [“like”, “deep”] → 目标词 “learning”
...
滑动窗口遍历全文后，形成大量训练样本。为解决 Softmax 计算量过大的问题，引入负采样（Negative Sampling）：对每个正样本（真实上下文 - 目标词对），随机采样若干负样本（非目标词），将多分类问题转化为二分类，大幅提升训练效率。

三、训练 Word2Vec：让机器学会 “猜词”

训练的核心是通过反向传播优化权重矩阵 W 和 W'，使得预测目标词的概率最大化。过程可简化为：

初始化：随机初始化词向量矩阵。
前向传播：根据输入上下文计算目标词概率。
计算损失：用交叉熵衡量预测与真实标签的差距。
反向传播：更新权重，降低损失。

训练完成后，每个词语对应隐藏层的权重向量即为其词向量。这些向量不仅能通过余弦相似度衡量词语相关性（如 “猫” 与 “狗” 接近），还能通过向量运算发现语义规律，如 “中国” - “北京” + “巴黎” ≈ “法国”。

四、Word2Vec 的优缺点：通用但不完美的语义引擎

优点：

高效性：相比传统 Embedding，更低的维度和更快的训练速度。
语义关联性：能捕捉词语间的类比关系（如 “男人 - 女人” 对应 “国王 - 女王”）。
通用性：可迁移至多种 NLP 任务（如文本分类、机器翻译）。

缺点：

多义词困境：一个词对应一个向量，无法区分 “bank（银行 / 河岸）” 在不同语境的含义。
静态局限性：词向量固定，无法针对特定任务动态调整（如情感分析中 “棒” 的褒义强度）。

五、实战：用 Word2Vec 生成古诗

5.1 数据准备：构建诗词语料库

收集唐诗、宋词等古典文本，预处理步骤：

分词（保留单字，因古诗以字为基本单位）。
清洗（去除标点、特殊符号）。
构建词表（统计高频字，过滤生僻字）。

5.2 训练诗词专用词向量

调整 Word2Vec 参数：

窗口大小设为 2-5（捕捉近邻字的语义关联，如 “床前”“明月”）。
向量维度设为 100-200（平衡语义表达与计算效率）。
负采样数设为 5-10（增加训练难度，提升向量质量）。

训练完成后，“月”“夜”“酒” 等字的向量应在语义空间中接近，而 “江”“河”“湖” 形成地理相关的簇。

5.3 结合语言模型生成诗句

Word2Vec 仅提供词向量，生成古诗需结合序列模型（如 RNN/LSTM）：

编码层：将输入字转换为 Word2Vec 向量。
隐藏层：RNN 捕捉上下文依赖，输出隐藏状态。
解码层：通过 Softmax 预测下一个字的概率，采样生成诗句。

示例代码框架（伪代码）：

python

# 假设已训练好word2vec模型和RNN模型  
def generate_poem(seed_word, length=4):  
    poem = [seed_word]  
    for _ in range(length):  
        # 编码当前序列  
        vecs = [word2vec[word] for word in poem]  
        hidden_state = rnn(vecs)  
        # 预测下一字  
        next_word = softmax(hidden_state).sample()  
        poem.append(next_word)  
    return ''.join(poem)  

# 生成示例：以“春”开头的五言绝句  
print(generate_poem('春', 20))  # 输出类似“春眠不觉晓，处处闻啼鸟...”的诗句