簡(jiǎn)而言之，我們將單詞和短語的含義以數(shù)字的形式儲(chǔ)存在計(jì)算機(jī)上。目前，市場(chǎng)上有許多這類產(chǎn)品，比如將單詞轉(zhuǎn)換成向量形式的工具word2vec，該工具使用淺人工神經(jīng)網(wǎng)絡(luò)來計(jì)算文字嵌入。此外也有一些諸如記憶網(wǎng)絡(luò)的技術(shù)，能夠自主學(xué)習(xí)文本，進(jìn)行一些簡(jiǎn)單有限的問答。
在過去的幾年中，由于先進(jìn)的人工神經(jīng)網(wǎng)絡(luò)算法有了許多驚人的成果，圖像識(shí)別和數(shù)字信號(hào)處理技術(shù)異?；鸨?。但是相比較之下，同是人工智能領(lǐng)域的理解自然語言方面似乎顯得困難得多，為什么呢?
自然語言處理本質(zhì)上是另一種約束關(guān)系的問題
研究自然語言是困難的，很多時(shí)候甚至超過了我們的想象——因?yàn)檎Z言永遠(yuǎn)不變的是改變，因?yàn)槿澜缬星f種語言……無論你的觀點(diǎn)是什么，自然語言難以為算法所處理的最大原因是——我們沒有足夠多的樣本。
確實(shí)，我們擁有大量的文本資源，包括書籍、博客、社交媒體等。但即便如此，我們得到的用以分析的文本相對(duì)來說還顯得不足?？匆豢匆韵聢D片：
當(dāng)我們分析音頻數(shù)據(jù)，或者圖像數(shù)據(jù)時(shí)，事實(shí)上我們得到的數(shù)據(jù)信息比人類意識(shí)中的要多。以佳能5D Mark III相機(jī)為例，攝影領(lǐng)域的人通常會(huì)說這是一個(gè)令人尊敬的相機(jī)，因?yàn)樗兄?760 x 3840的分辨率。因?yàn)槊總€(gè)顏色像數(shù)都分別由紅、藍(lán)、綠、α值(RGBA)來表示，所以每個(gè)像素?fù)碛?個(gè)標(biāo)準(zhǔn)數(shù)值。在其原始格式當(dāng)中，一張這種像素的圖片大約含有 88.47 MB數(shù)據(jù)。相比較之下，莎士比亞的所有作品也只有4.4 MB。一個(gè)像數(shù)等于4個(gè)字節(jié)，一個(gè)字符則占一個(gè)字節(jié)。
這意味著：
1、解析文本的時(shí)候，每一個(gè)令牌(字詞的NLP術(shù)語)更多的是影響文本的整體分析。
2、生成文本的時(shí)候，每一個(gè)被選出來的令牌才能影響結(jié)果。
換句話說，在文本當(dāng)中，字符和令牌才是占據(jù)主要成分的元素，和像素不同。
好了，那我們是如何處理文本的呢?在一個(gè)嚴(yán)格的解析系統(tǒng)中，我們需要用數(shù)值格式來表示文本，提示為向量形式?，F(xiàn)在我們還是要繼續(xù)理解很簡(jiǎn)單的向量表示，而未來則可以處理更為復(fù)雜的表達(dá)了。
我們來以幾個(gè)詞組為例：
1. Turn on the lights(開燈)
2. Power on the lights(打開燈的電源)
3. What time is it?(現(xiàn)在幾點(diǎn)?)
4. What is the current time?(當(dāng)前時(shí)間是幾點(diǎn)?)
我們需要做的是創(chuàng)建一個(gè)叫詞典的東西。換句話說，我們想要將現(xiàn)有的詞組用特有的令牌技術(shù)來創(chuàng)建一個(gè)詞匯表。然后，我們需要對(duì)信息做一些隱式預(yù)處理，去掉標(biāo)點(diǎn)符號(hào)等。最后，我們給每一個(gè)唯一碼賦予其各自的索引，從而生成自己的詞匯向量：
0 turn
1 on
2 the
3 lights
4 power
5 what
6 time
7 is
8 it
9 current
由于每一個(gè)字代表一個(gè)索引，因此我們可以使用反向散列數(shù)據(jù)結(jié)構(gòu)來得到每個(gè)單詞的索引，然后無論是否每一個(gè)字都是給定文本，我們都可以將這些字表示為一系列的布爾值(布爾值：是“真” True 或“假” False 中的一個(gè))。比如，上述例句就可以表示為：
1. { 1, 1, 1, 1, 0, 0, 0, 0, 0, 0 }
2. { 0, 1, 1, 1, 1, 0, 0, 0, 0, 0 }
3. { 0, 0, 0, 0, 0, 1, 1, 1, 1, 0 }
4. { 0, 0, 1, 0, 0, 1, 1, 1, 0, 1}
有了這些向量，我們可以使用向量點(diǎn)積得到一個(gè)粗略的相似度計(jì)算。所謂點(diǎn)積，就是接受在實(shí)數(shù)R上的兩個(gè)向量并返回一個(gè)實(shí)數(shù)值標(biāo)量的二元運(yùn)算。
所以，上述前兩個(gè)例句的點(diǎn)積就是：
1 * 0 = 0
1 * 1 = 1
1 * 1 = 1
1 * 1 = 1
0 * 0 = 0
0 * 0 = 0
0 * 0 = 0
0 * 0 = 0
0 * 0 = 0
0 * 0 = 0
這些數(shù)值加起來和是3。而如果將第一個(gè)和第三個(gè)句子做同樣的處理：
1 * 0 = 0
1 * 0 = 0
1 * 0 = 0
1 * 0 = 0
0 * 0 = 0
0 * 1 = 0
0 * 1 = 0
0 * 1 = 0
0 * 1 = 0
0 * 0 = 0
那么和為0。這就是說，“Turn on the lights”和“What time is it”沒有絲毫的相似。
你也許會(huì)發(fā)現(xiàn)，我們目前的詞匯處理規(guī)模小到只有10個(gè)詞。不過，未來當(dāng)我們探索更多語義詞嵌入時(shí)，我們還可以壓縮向量，獲得更準(zhǔn)確的上下文理解和表達(dá)。
延伸閱讀：
a&s傳媒是全球知名展覽公司法蘭克福展覽集團(tuán)旗下的專業(yè)媒體平臺(tái)，自1994年品牌成立以來，一直專注于安全&自動(dòng)化產(chǎn)業(yè)前沿產(chǎn)品、技術(shù)及市場(chǎng)趨勢(shì)的專業(yè)媒體傳播和品牌服務(wù)。從安全管理到產(chǎn)業(yè)數(shù)字化，a&s傳媒擁有首屈一指的國際行業(yè)展覽會(huì)資源以及豐富的媒體經(jīng)驗(yàn)，提供媒體、活動(dòng)、展會(huì)等整合營銷服務(wù)。
粵公網(wǎng)安備 44030402000264號(hào)
