聊天机器人-Noisy Channel Model

作者: 魏鹏飞 | 来源:发表于2019-10-09 17:00 被阅读0次

1. Noisy Channel Model

公式： $P(text|source)∝ P(source|text)P(text)\tag{1.1}$

应用场景：语音识别、机器翻译、拼写纠错、OCR、密码破解...（信号到文本）

机器翻译：
P(中文|英文) ∝ P(英文|中文)*P(中文)
P(英文|中文)定义为翻译模型，P(中文)定义为语言模型。
拼写纠错：
P(正确的写法|错误的写法) ∝ P(错误的写法|正确的写法)*P(正确的写法)
P(错误的写法|正确的写法)定义为编辑距离，P(正确的写法)定义为语言模型。
语音识别：
P(文本|语音信号) ∝ P(语音信号|文本)*P(文本)
P(语音信号|文本)定义为翻译模型或Recognition Model，P(文本)定义为语言模型。
密码破解：
P(明文|密文) ∝ P(密文|明文)*P(明文)
P(密文|明文)定义为翻译模型，P(明文)定义为语言模型。

2. Language Model `(NLP最为重要的概念)`

语言模型用来判断：是否一句话从语法上通顺。
比较：
P(今天是周三) VS P(今天周三是)
P(人工智能是趋势) VS P(趋势人工智能是)

一个翻译系统一个单词一个单词翻译后，需要把这些单词转换成一个通顺的句子。

目标：Compute the probability of a sentence or sequence of words. $P(s)=P(w_1,w_2,w_3,w_4,w_5...w_n)$ 。

举例：
P(人工智能是趋势)=P(人工智能)P(是|人工智能)P(趋势|人工智能, 是)

语料库：
....今天是国庆我们都休息................................
.....................................................
.....................................................
.....................................................
今天是国庆我们都放假....................................
.....................................................
.....................................................

P(休息|今天, 是, 国庆, 我们, 都) = 1/2
P(出门|今天, 是, 国庆, 我们, 都) = 0
关键词：Sparsing

3. Markov Assumption(马尔科夫假设) 与 Unigram、Bigram、N-gram

1st order markov (Bigram)
$P(休息|今天, 是, 国庆, 我们, 都)\approx P(休息|都)\tag{3.1.1}$

$P(w_1,w_2,w_3,w_4,w_5...w_n)=P(w_1)P(w_2|w_1)P(w_3|w_2)...P(w_n|w_{n-1})\\ =P(w_1)\prod_{i=2}^nP(w_n|w_{n-1}) \tag{3.1.2}$

2st order markov (Trigram)
$P(休息|今天, 是, 国庆, 我们, 都)\approx P(休息|我们, 都)\tag{3.2.1}$

$P(w_1,w_2,w_3,w_4,w_5...w_n)=P(w_1)P(w_2|w_1)P(w_3|w_1, w_2)...P(w_n|w_{n-1}, w_{n-2})\\ =P(w_1)P(w_2|w_1)\prod_{i=3}^nP(w_n|w_{n-1}, w_{n-2}) \tag{3.2.2}$

3st order markov
$P(休息|今天, 是, 国庆, 我们, 都)\approx P(休息|国庆, 我们, 都)\tag{3.3.1}$

$P(w_1,w_2,w_3,w_4,w_5...w_n)=P(w_1)P(w_2|w_1)P(w_3|w_1, w_2)P(w_4|w_1, w_2, w_3)...P(w_n|w_{n-1}, w_{n-2}, w_{n-3})\\ =P(w_1)P(w_2|w_1)P(w_3|w_1, w_2)\prod_{i=4}^nP(w_n|w_{n-1}, w_{n-2}, w_{n-3}) \tag{3.3.2}$

(使用1st)比较：今天是周三 VS 今天周三是

给出概率：
P(是\|今天)=0.01
P(今天)=0.002
P(周三\|是)=0.001
P(周三\|今天)=0.0001
P(周日)=0.02
P(是\|周三)=0.0002

P(今天是周三) = P(今天)P(是|今天)P(周三|是) = 0.002 * 0.01 * 0.001

P(今天周三是) = P(今天)P(周三|今天)P(是|周三) = 0.002 * 0.0001 * 0.0002

4. Estimating Probability(估计语言模型概率)

Unigram
$P(w_1, w_2, w_3, w_4, w_5...w_n)=P(w_1)P(w_2)P(w_3)...P(w_n)$
$P(w_1) = \frac{\#w_1}{V}, w_1$ 为单词个数， $V$ 为词表个数。
Bigram
$P(w_1, w_2, w_3, w_4, w_5...w_n)=P(w_1)P(w_2|w_1)P(w_3|w_2)...P(w_n|w_{n-1})$
$P(w_2|w_1) = \frac{\#(w_1,w_2)}{\#w_1}, (w_1,w_2)$ 为前后相邻单词个数， $w_1$ 为单词个数。
N-gram
当N=3时，同理。但是有时 $\#(w_1,w_2,w_3,w_4,w_5)$ 到 $w_5$ 时，可能语料库中没有出现过。

5. Evaluation of Language Model

Q：训练出来的语言模型效果好还是坏？

理想情况下
1. 假设有两个语言模型A，B
2. 选定一个特定的任务比如拼写纠错
3. 把两个模型A，B都应用在此任务中
4. 最后比较准确率，从而判断A，B的表现

image.png

如何不依赖于具体任务，对语言模型进行评估呢？
答：Perplexity越小越好。
$Perplexity = 2^{-x}, x: average\ log\ likelihood\tag{5.1}$

评估方法

6. Smoothing(平滑方法)

Add-one Smoothing
$P_{MLE}(w_i|w_{i-1})=\frac{c(w_{i-1},w_i)}{c(w_{i-1})}\\ P_{Add-1}(w_i|w_{i-1})=\frac{c(w_{i-1},w_i)+1}{c(w_{i-1})+V}, V词表大小\tag{6.1}$

语料库	概率
今天上午的天气很好	$P_{Add-1}(上午\|今天)=\frac{2+1}{2+17}=\frac{3}{19}$
我很想出去运动	$P_{Add-1}(的\|今天=\frac{0+1}{2+17})=\frac{1}{19}$
但今天上午有课程	...
NLP 明天才开始	$P_{Add-1}(有\|今天)=\frac{1}{19}$

Add-K Smoothing
$P_{Add-1}(w_i|w_{i-1})=\frac{c(w_{i-1},w_i)+k}{c(w_i)+kV}, V词表大小\tag{6.2}$

训练集语料库	验证集语料库	如何选择k?
今天上午的天气很好		k=1,2,3...,100...
我很想出去运动	今天上午想出去运动	比较验证集中： $f(k)=perplexity=2^{-x}$
但今天上午有课程	明天才开始 NLP	minimize $f(k)$
NLP 明天才开始		$\hat{k}=\arg\min_kf(k)$

Interpolation
核心思路：在计算Trigam概率时同时考虑Unigram, Bigram, Trigram出现的频次。

$\begin{cases} \lambda_1+\lambda_2+\lambda_3=1 \\ P(w_n|w_{n-1}, w_{n-2})=\lambda_1P(w_n|w_{n-1}, w_{n-2})+\lambda_2P(w_n|w_{n-1})+\lambda_3P(w_n) \end{cases}\tag{6.3}$

问题	解决方案`(重要的事情说三遍)`
C(in the kitchen)=0 C(the kitchen)=3 C(kitchen)=4 C(arboretum)=0	公式(6.3)
P(kitchen \| in the)=0 P(arboretum \| in the)=0	公式(6.3)
未来数据量多些时，kitchen的概率其实要比arboretum概率大的	公式(6.3)

Good-Turning Smoothing
定义： $N_c$ 出现c次的单词个数。
例：Tom I am I am Tom I do not eat

统计单词出现次数	给出定义解释
Tom : 2次，I : 3次	$N_3=1$ : 有多少单词出现3次
am : 2次，do : 1次	$N_2=2$ : 有多少单词出现2次
not : 1次，eat : 1次	$N_1=3$ : 有多少单词出现1次

假设你在钓鱼，已经抓到了18只鱼： 10条鲤鱼，3条黑鱼，2条刀鱼，1条鲨鱼，1条草鱼，1条鳗鱼......

没有出现过的单词	出现过的单词
$P_{MLE}=0 \\ P_{GT}=\frac{N_1}{N}$	$P_{MLE}=\frac{c}{N} \\ P_{GT}=\frac{(c+1)N_{c+1}}{N_c*N}$
$P_{MLE}(飞鱼)=\frac{0}{18}=0\\P_{GT}(飞鱼)=\frac{N_1}{N}=\frac{3}{18}=\frac{1}{6}$	$P_{MLE}(草鱼)=\frac{1}{18}\\P_{GT}(草鱼)=\frac{(c+1)N_{c+1}}{N_cN}=\frac{(1+1)1}{3*18}=\frac{1}{27}$

聊天机器人-Noisy Channel Model

1. Noisy Channel Model

2. Language Model `(NLP最为重要的概念)`

3. Markov Assumption(马尔科夫假设) 与 Unigram、Bigram、N-gram

4. Estimating Probability(估计语言模型概率)

5. Evaluation of Language Model

6. Smoothing(平滑方法)

相关文章

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读

聊天机器人-Noisy Channel Model

1. Noisy Channel Model

2. Language Model (NLP最为重要的概念)

3. Markov Assumption(马尔科夫假设) 与 Unigram、Bigram、N-gram

4. Estimating Probability(估计语言模型概率)

5. Evaluation of Language Model

6. Smoothing(平滑方法)

相关文章

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读

2. Language Model `(NLP最为重要的概念)`