语义分析的一些方法(一)

Bertha 。 2022-07-13 06:47 133阅读 0赞

转：[http://mp.weixin.qq.com/s?\_\_biz=MzA4NzgwNDkyOA==&mid=207015511&idx=1&sn=8c06231e26387cbf78d2fbbf39256514&mpshare=1&scene=1&srcid=1229lvQCLI8xJ4H3bbfte19O\#rd][http_mp.weixin.qq.com_s_biz_MzA4NzgwNDkyOA_mid_207015511_idx_1_sn_8c06231e26387cbf78d2fbbf39256514_mpshare_1_scene_1_srcid_1229lvQCLI8xJ4H3bbfte19O_rd]

##### 来源：火光摇曳，腾讯广点通团队 #####

[![640\_结果][640]][640_640]

语义分析，本文指运用各种机器学习方法，挖掘与学习文本、图片等的深层次概念。wikipedia上的解释：In machine learning, semantic analysis of a corpus is the task of building structures that approximate concepts from a large set of documents(or images)。

工作这几年，陆陆续续实践过一些项目，有搜索广告，社交广告，微博广告，品牌广告，内容广告等。要使我们广告平台效益最大化，首先需要理解用户，Context(将展示广告的上下文)和广告，才能将最合适的广告展示给用户。而这其中，就离不开对用户，对上下文，对广告的语义分析，由此催生了一些子项目，例如文本语义分析，图片语义理解，语义索引，短串语义关联，用户广告语义匹配等。

接下来我将写一写我所认识的语义分析的一些方法，虽说我们在做的时候，效果导向居多，方法理论理解也许并不深入，不过权当个人知识点总结，有任何不当之处请指正，谢谢。

本文主要由以下四部分组成：文本基本处理，文本语义分析，图片语义分析，语义分析小结。先讲述文本处理的基本方法，这构成了语义分析的基础。接着分文本和图片两节讲述各自语义分析的一些方法，值得注意的是，虽说分为两节，但文本和图片在语义分析方法上有很多共通与关联。最后我们简单介绍下语义分析在广点通“用户广告匹配”上的应用，并展望一下未来的语义分析方法。

##### 1 文本基本处理 #####

在讲文本语义分析之前，我们先说下文本基本处理，因为它构成了语义分析的基础。而文本处理有很多方面，考虑到本文主题，这里只介绍中文分词以及Term Weighting。

###### 1.1 中文分词 ######

拿到一段文本后，通常情况下，首先要做分词。分词的方法一般有如下几种：

*  基于字符串匹配的分词方法。此方法按照不同的扫描方式，逐个查找词库进行分词。根据扫描方式可细分为：正向最大匹配，反向最大匹配，双向最大匹配，最小切分(即最短路径)；总之就是各种不同的启发规则。
 *  全切分方法。它首先切分出与词库匹配的所有可能的词，再运用统计语言模型决定最优的切分结果。它的优点在于可以解决分词中的歧义问题。下图是一个示例，对于文本串“南京市长江大桥”，首先进行词条检索(一般用Trie存储)，找到匹配的所有词条（南京，市，长江，大桥，南京市，长江大桥，市长，江大桥，江大，桥），以词网格(word lattices)形式表示，接着做路径搜索，基于统计语言模型(例如n-gram)\[18\]找到最优路径，最后可能还需要命名实体识别。下图中“南京市 长江 大桥”的语言模型得分，即P(南京市，长江，大桥)最高，则为最优切分。

[![0\_结果][0]][0_0]

图1. “南京市长江大桥”语言模型得分

*  由字构词的分词方法。可以理解为字的分类问题，也就是自然语言处理中的sequence labeling问题，通常做法里利用HMM，MAXENT，MEMM，CRF等预测文本串每个字的tag\[62\]，譬如B，E，I，S，这四个tag分别表示：beginning, inside, ending, single，也就是一个词的开始，中间，结束，以及单个字的词。 例如“南京市长江大桥”的标注结果可能为：“南(B)京(I)市(E)长(B)江(E)大(B)桥(E)”。由于CRF既可以像最大熵模型一样加各种领域feature，又避免了HMM的齐次马尔科夫假设，所以基于CRF的分词目前是效果最好的，具体请参考文献\[61,62,63\]。除了HMM，CRF等模型，分词也可以基于深度学习方法来做，如文献\[9\]\[10\]所介绍，也取得了state-of-the-art的结果。

[![0(1)\_结果][0_1]][0_1_0_1]

图2. 基于深度学习的中文分词

上图是一个基于深度学习的分词示例图。我们从上往下看，首先对每一个字进行Lookup Table，映射到一个固定长度的特征向量(这里可以利用词向量，boundary entropy，accessor variety等)；接着经过一个标准的神经网络，分别是linear，sigmoid，linear层，对于每个字，预测该字属于B,E,I,S的概率；最后输出是一个矩阵，矩阵的行是B,E,I,S 4个tag，利用viterbi算法就可以完成标注推断，从而得到分词结果。

一个文本串除了分词，还需要做词性标注，命名实体识别，新词发现等。通常有两种方案，一种是pipeline approaches，就是先分词，再做词性标注；另一种是joint approaches，就是把这些任务用一个模型来完成。有兴趣可以参考文献\[9\]\[62\]等。

一般而言，方法一和方法二在工业界用得比较多，方法三因为采用复杂的模型，虽准确率相对高，但耗时较大。

###### 1.2 语言模型 ######

前面在讲“全切分分词”方法时，提到了语言模型，并且通过语言模型，还可以引出词向量，所以这里把语言模型简单阐述一下。

语言模型是用来计算一个句子产生概率的概率模型，即P(w\_1,w\_2,w\_3…w\_m)，m表示词的总个数。根据贝叶斯公式：P(w\_1,w\_2,w\_3 … w\_m) = P(w\_1)P(w\_2|w\_1)P(w\_3|w\_1,w\_2) … P(w\_m|w\_1,w\_2 … w\_\{m-1\})。

最简单的语言模型是N-Gram，它利用马尔科夫假设，认为句子中每个单词只与其前n–1个单词有关，即假设产生w\_m这个词的条件概率只依赖于前n–1个词，则有P(w\_m|w\_1,w\_2…w\_\{m-1\}) = P(w\_m|w\_\{m-n+1\},w\_\{m-n+2\} … w\_\{m-1\})。其中n越大，模型可区别性越强，n越小，模型可靠性越高。

N-Gram语言模型简单有效，但是它只考虑了词的位置关系，没有考虑词之间的相似度，词语法和词语义，并且还存在数据稀疏的问题，所以后来，又逐渐提出更多的语言模型，例如Class-based ngram model，topic-based ngram model，cache-based ngram model，skipping ngram model，指数语言模型（最大熵模型，条件随机域模型）等。若想了解更多请参考文章\[18\]。

最近，随着深度学习的兴起，神经网络语言模型也变得火热\[4\]。用神经网络训练语言模型的经典之作，要数Bengio等人发表的《A Neural Probabilistic Language Model》\[3\]，它也是基于N-Gram的，首先将每个单词w\_\{m-n+1\},w\_\{m-n+2\} … w\_\{m-1\}映射到词向量空间，再把各个单词的词向量组合成一个更大的向量作为神经网络输入，输出是P(w\_m)。本文将此模型简称为ffnnlm（Feed-forward Neural Net Language Model）。ffnnlm解决了传统n-gram的两个缺陷：(1)词语之间的相似性可以通过词向量来体现；(2)自带平滑功能。文献\[3\]不仅提出神经网络语言模型，还顺带引出了词向量，关于词向量，后文将再细述。

[![0(2)\_结果][0_2]][0_2_0_2]

图3. 基于神经网络的语言模型

从最新文献看，目前state-of-the-art语言模型应该是基于循环神经网络(recurrent neural network)的语言模型，简称rnnlm\[5\]\[6\]。循环神经网络相比于传统前馈神经网络，其特点是：可以存在有向环，将上一次的输出作为本次的输入。而rnnlm和ffnnlm的最大区别是：ffnnmm要求输入的上下文是固定长度的，也就是说n-gram中的 n 要求是个固定值，而rnnlm不限制上下文的长度，可以真正充分地利用所有上文信息来预测下一个词，本次预测的中间隐层信息(例如下图中的context信息)可以在下一次预测里循环使用。

[![0(3)\_结果][0_3]][0_3_0_3]

图4. 基于simple RNN(time-delay neural network)的语言模型

如上图所示，这是一个最简单的rnnlm，神经网络分为三层，第一层是输入层，第二层是隐藏层(也叫context层)，第三层输出层。 假设当前是t时刻，则分三步来预测P(w\_m)：

*  单词w\_\{m-1\}映射到词向量，记作input(t)
 *  连接上一次训练的隐藏层context(t–1)，经过sigmoid function，生成当前t时刻的context(t)
 *  利用softmax function，预测P(w\_m)

参考文献\[7\]中列出了一个rnnlm的library，其代码紧凑。利用它训练中文语言模型将很简单，上面“南京市 长江 大桥”就是rnnlm的预测结果。

基于RNN的language model利用BPTT(BackPropagation through time)算法比较难于训练，原因就是深度神经网络里比较普遍的vanishing gradient问题\[55\]（在RNN里，梯度计算随时间成指数倍增长或衰减，称之为Exponential Error Decay）。所以后来又提出基于LSTM(Long short term memory)的language model，LSTM也是一种RNN网络，关于LSTM的详细介绍请参考文献\[54,49,52\]。LSTM通过网络结构的修改，从而避免vanishing gradient问题。

[![0(4)\_结果][0_4]][0_4_0_4]

图5. LSTM memory cell

如上图所示，是一个LSTM unit。如果是传统的神经网络unit，output activation bi = activation\_function(ai)，但LSTM unit的计算相对就复杂些了，它保存了该神经元上一次计算的结果，通过input gate，output gate，forget gate来计算输出，具体过程请参考文献\[53，54\]。

###### 1.3 Term Weighting ######

###### Term重要性 ######

对文本分词后，接下来需要对分词后的每个term计算一个权重，重要的term应该给与更高的权重。举例来说，“什么产品对减肥帮助最大？”的term weighting结果可能是: “什么 0.1，产品 0.5，对 0.1，减肥 0.8，帮助 0.3，最大 0.2”。Term weighting在文本检索，文本相关性，核心词提取等任务中都有重要作用。

*  Term weighting的打分公式一般由三部分组成：local，global和normalization \[1,2\]。即  
    TermWeight=L\_\{i,j\} G\_i N\_j。L\_\{i,j\}是term i在document j中的local weight，G\_i是term i的global weight，N\_j是document j的归一化因子。  
    常见的local，global，normalization weight公式\[2\]有：

[![0(5)\_结果][0_5]][0_5_0_5]

图6. Local weight formulas

[![0(6)\_结果][0_6]][0_6_0_6]

图7. Global weight formulas

[![0(7)\_结果][0_7]][0_7_0_7]

图8. Normalization factors

Tf-Idf是一种最常见的term weighting方法。在上面的公式体系里，Tf-Idf的local weight是FREQ，glocal weight是IDFB，normalization是None。tf是词频，表示这个词出现的次数。df是文档频率，表示这个词在多少个文档中出现。idf则是逆文档频率，idf=log(TD/df)，TD表示总文档数。Tf-Idf在很多场合都很有效，但缺点也比较明显，以“词频”度量重要性，不够全面，譬如在搜索广告的关键词匹配时就不够用。

除了TF-IDF外，还有很多其他term weighting方法，例如Okapi，MI，LTU，ATC，TF-ICF\[59\]等。通过local，global，normalization各种公式的组合，可以生成不同的term weighting计算方法。不过上面这些方法都是无监督计算方法，有一定程度的通用性，但在一些特定场景里显得不够灵活，不够准确，所以可以基于有监督机器学习方法来拟合term weighting结果。

[![0(8)\_结果][0_8]][0_8_0_8]

图9. Okapi计算公式

*  利用有监督机器学习方法来预测weight。这里类似于机器学习的分类任务，对于文本串的每个term，预测一个\[0,1\]的得分，得分越大则term重要性越高。既然是有监督学习，那么就需要训练数据。如果采用人工标注的话，极大耗费人力，所以可以采用训练数据自提取的方法，利用程序从搜索日志里自动挖掘。从海量日志数据里提取隐含的用户对于term重要性的标注，得到的训练数据将综合亿级用户的“标注结果”，覆盖面更广，且来自于真实搜索数据，训练结果与标注的目标集分布接近，训练数据更精确。下面列举三种方法(除此外，还有更多可以利用的方法)：
    
    通过上面的方法，可以提取到大量质量不错的训练数据（数十亿级别的数据，这其中可能有部分样本不准确，但在如此大规模数据情况下，绝大部分样本都是准确的）。
    
    有了训练数据，接下来提取特征，基于逻辑回归模型来预测文本串中每个term的重要性。所提取的特征包括：
    
     *  term的自解释特征，例如term专名类型，term词性，term idf，位置特征，term的长度等；
     *  term与文本串的交叉特征，例如term与文本串中其他term的字面交叉特征，term转移到文本串中其他term的转移概率特征，term的文本分类、topic与文本串的文本分类、topic的交叉特征等。
     *  从搜索session数据里提取训练数据，用户在一个检索会话中的检索核心意图是不变的，提取出核心意图所对应的term，其重要性就高。
     *  从历史短串关系资源库里提取训练数据，短串扩展关系中，一个term出现的次数越多，则越重要。
     *  从搜索广告点击日志里提取训练数据，query与bidword共有term的点击率越高，它在query中的重要程度就越高。

###### 核心词、关键词提取 ######

*  短文本串的核心词提取。对短文本串分词后，利用上面介绍的term weighting方法，获取term weight后，取一定的阈值，就可以提取出短文本串的核心词。
 *  长文本串(譬如web page)的关键词提取。这里简单介绍几种方法。想了解更多，请参考文献\[69\]。
    
     *  采用基于规则的方法。考虑到位置特征，网页特征等。
     *  基于广告主购买的bidword和高频query建立多模式匹配树，在长文本串中进行全字匹配找出候选关键词，再结合关键词weight，以及某些规则找出优质的关键词。
     *  类似于有监督的term weighting方法，也可以训练关键词weighting的模型。
     *  基于文档主题结构的关键词抽取，具体可以参考文献\[71\]。

[http_mp.weixin.qq.com_s_biz_MzA4NzgwNDkyOA_mid_207015511_idx_1_sn_8c06231e26387cbf78d2fbbf39256514_mpshare_1_scene_1_srcid_1229lvQCLI8xJ4H3bbfte19O_rd]: http://mp.weixin.qq.com/s?__biz=MzA4NzgwNDkyOA==&mid=207015511&idx=1&sn=8c06231e26387cbf78d2fbbf39256514&mpshare=1&scene=1&srcid=1229lvQCLI8xJ4H3bbfte19O#rd
[640]: https://img-blog.csdn.net/20161229144159355
[640_640]: /images/20220713/4dde1d6d3c29401b92f195b24ce89ab4.png
[0]: https://img-blog.csdn.net/20161229144159964
[0_0]: /images/20220713/06ca6c14845d4e63b0d9ec8c14217112.png
[0_1]: https://img-blog.csdn.net/20161229144200766
[0_1_0_1]: /images/20220713/0b070986d60842a780fd2b830761e964.png
[0_2]: https://img-blog.csdn.net/20161229144201594
[0_2_0_2]: /images/20220713/f0b3d0195d0249539ae78b8135880754.png
[0_3]: https://img-blog.csdn.net/20161229144202042
[0_3_0_3]: /images/20220713/44ad9d1e9a3f48a4afc63720b461bc15.png
[0_4]: https://img-blog.csdn.net/20161229144202448
[0_4_0_4]: /images/20220713/e1514e09d1e44eafab9b2f7ef06ef2fa.png
[0_5]: https://img-blog.csdn.net/20161229144203402
[0_5_0_5]: /images/20220713/66dd2767b9444a7584e3e59d1ec1ce42.png
[0_6]: https://img-blog.csdn.net/20161229144203938
[0_6_0_6]: /images/20220713/56c5c631aeaf40ddb7714cf895881963.png
[0_7]: https://img-blog.csdn.net/20161229144204376
[0_7_0_7]: /images/20220713/2916affac06a4e888d584a2fc6278f80.png
[0_8]: https://img-blog.csdn.net/20161229144437409
[0_8_0_8]: /images/20220713/4b333202c65c4c459fbc94269a5abbc2.png