自然语言处理

用途

深度学习

深度学习的基础模型就是神经网络。根据模型进行优化，右边就是优化过程`。

为什么要进行深度学习。
相对于普通的机器学习算法来说，它具有下面这些优点。

语言模型

实例


存在问题

N-Gram模型

N的取值就是看这个词的出现依赖钱买你多少词。

第二个表格就是，当i出现时i,want,to…等出现的次数（i后边接着（want\to\eat）的次数）。，由此可以计算出第三个表格中的概率值及i后面出现want的次数是827，i出现总词数是2533，所以i后面出现want的概率为827/2533，算出来就是第三个表格对应的0.33.

参数规模

词向量

相近意思的词用词向量表示应该也是相近的。

对于两种语言构建出来的词向量应该是类似的，右边是西班牙语。

神经网络模型

优势

因为词向量类似，所以会把这几个句子看所是一个句子将所有句子的出现次数加起来，看作是一个句子出现的次数。

Hierarchical Softmax

神经网络两种实现模型。
CBOW就是输入几个词（上下文）然后经过一系列层预测出当前这一个词是什么。
Kkip-gram正好相反，输入是当前这个词，然后预测他的上下文。

CBOW

哈夫曼树。可以将权值看作词语出现的次数。

构造过程。可以进行编码。

逻辑回归-sigmoid函数来决定走哪个分支。

CBOW

输入词向量（每个大小为m维），在投影层将n-1个m维向量合在一起，然后进行求和。
不断更新的是词向量和参数值。


输入上下文，希望得到足球这个结果的概率是最大的。假设往右走是正例，往左走是负例，想要达到足球，要经过负例、正例、正例和负例；然后将这些概率值乘起来。

CBOW求解目标

使用似然函数求解，为了好求结果，使用对数似然函数。使用参数上角标来判断是正例还是负例，d=0时，表示正例，那后面部分就为1。后边的化简就是log（a*b）=log(a)+log(b).

梯度上升
化简得到更新表达式。因为是梯度上升，所以每次加上一个步长。

负采样