⭐️我叫忆_恒心，一名喜欢书写博客的在读研究生👨‍🎓。
如果觉得本文能帮到您，麻烦点个赞👍呗！

近期会不断在专栏里进行更新讲解博客~~~ 有什么问题的小伙伴 欢迎留言提问欧，喜欢的小伙伴给个三连支持一下呗。👍⭐️❤️
Qt5.9专栏定期更新Qt的一些项目Demo
项目与比赛专栏定期更新比赛的一些心得，面试项目常被问到的知识点。

⭐️最近在整理以前的学习资料时，看到了之前之前入门NLP的一些学习笔记，就进行了一些整理。

一、热点与背景

各位同学，欢迎来到今天的课程！我们将会探索一门有趣且富有挑战性的领域——自然语言处理。在本次课程中，我将先介绍一下当下人工智能领域的热点，以此引出什么是什么是自然语言处理，以及它的应用，以及自然语言基石的“词向量Word2Vec。

相信各位同学最近都听过ChatGPT，GPT-4，百度的文言一心甚至有些同学也已经玩上了这些工具，大家都知道这是人工智能的产物，但是ChatGPT有哪些功能,我们进行一个简单的介绍。

我们输入一句：

作为一名刚入门自然语言处理的同学，第一堂课的学习，你能给些建议吗？

即使这个输入，可能含有错别字。

那这背后运用的是那些技术的呢？

是CV还是自然语言处理

二、什么是自然语言处理

上述设计到的模型所用的人工智能领域技术是自然语言处理，那么什么是自然语言处理呢？

我们来看一下维基百科上是如何进行定义的：

计算机科学与语言学领域交叉的一门学科，目的是让计算机能够理解、解释、生成人类语言。

这么说可能会优点抽象，简单来说就是：

自然语言处理 (Nautral Language Process, NLP) =自然语言理解(Natural Language Understand, NLU) + 自然语言生成
(Natural Language Generate, NLG)。

可能这在你看来是很神奇的一件事情，但其实ChatGPT也就做了这两部分的内容。

总的来说：NLP = NLU + NLR。

ChatGPT可以说是自然语言处理综合应用的一个典型的模型了

自然语言处理技术可以看出是两个阶段。

我们以ChatGPT为例，他是如何做到这些功能的呢？

（通过一个图 人–>电脑 电脑—人）

以ChatGPT为例，我们每一次向他输入一段话的时候，会发生哪些事情呢？

其中词法分析、句法分析、语义分析属于NLU任务，对话管理、生成回复属于NLG任务。

我门进行一个简单的小结。

三、目前自然语言处理有哪些挑战呢？

与图像处理相比，自然语言处理更为复杂。

图像：所见即所得

文本：所要的文字背后的语义。

简单来说自然语言处理，普遍遇到以下三个问题：

万丈高楼平地起，接下来我们讲解一下自然语言处理的基石Word2Vec

四、Word2Vec

自然语言处理以及语言模型的本质是词向量。

我们以问题为导向进行Word2Vec的学习。

4.1 为什么要学习Word2Vec

从自然语言的发展趋势来看：

从词向量表示方法出现后，短短5年时间，自然语言处理就得到了大幅度进展(预训练语言模型BERT、GPT).。

4.2 为什么需要词向量？

一句话或一个文章都是一个词一个词组成。

解决了基于规则和基于统计学习方法遗留的问题：

•输入词的语序问题。

•词之间相似性的问题。

1、词语序的问题

基于统计的方法：

只看一个词的出现和总体的关系。

但是这种统计词频，避免不了一个问题，就是比如一个词出现在不同的位置，所表达的语义是不同的。如下面的例句。

Input1:我|要|学习|自然|语言|处理。

Input2:我|要|语言|自然|地|学习。

2、词相似性带来的问题

比如：

“自然语言处理”=“NLP”

但与“吃饭”无关。

不同语义的文字相似度应该低，相同语义的相似度高。

具体表现在二维空间上是距离的疏远

相关性

越相近的表达离得越近 。

通过一些问题来解释。

这里有个前提大家先熟悉了神经网络，不过多强调神经网络而是把重点放到词向量模型中。

先考虑第一个问题：

4.3 Word2Vec有什么意义呢？

看起来比较抽象，可以先从人的角度来观察。

比如说，现在来了一个人，我们应该如何对其进行描述呢？

对一个人进行打分，一个指标相当于一个维度****。

身高、性格、能力等综合特征多个维度构成了一个独特的人的描述。

当我们有了这种多个指标构成的多种维度时，我们就可以进行向量的运算。

比如相似度计算：

欧拉公式、余弦公式通过距离计算他们的相似度。

4.4 Word2Vec的维度意义

在实际的训练过程中，数据的维度越高，能提供的信息也就越多，从而计算结果的可靠性就更值得信赖。(通常为50-300维)

一、词向量模型训练

•输入：词的特征。

•黑盒：通过神经神经网络反向传播调整模型参数

•输出：下个单词的预测

二、词向量模型训练–黑盒

我们来看一下一个整体的结果：

训练过程：

1.从embedding表中查找输入词的初始embedding值

2.通过神经网络来预测下一个值。

3.前向传播：求损失函数的值

4.反向传播：更新权重参数和输入的embedding值

三、Word2Vec的实现方法

输入：自然 语言 处理 包含 很多 任务

分为两个部分

简单来说：

就是输入的不同，CBow,以上下文预测中渐次。Skip-gram 以一个中间词预测上下文。

四、直接建模的问题——以Skip-gram为例

输入：自然 语言 处理 包含 很多 任务

Window Size = 3

存在的问题：求解一个Length(corpus)的多分类问题。

解释：因为从预测结果来看，候选词为长度-1 个。

解决办法：将输入与输出同时作为输入，计算候选输出的概率。

解释：然而由于输入包含了输出的标签，预测目标全为1，因此模型进行乱猜导致无法训练。

五、负采样方法的引入——以Skip-gram为例

由于训练过程只有正样本，导致模型训练无法收敛，因此可以适当添加错误的样本。

负采样(Negative Sample)方法：在输入样本中加入负样本(错误的样本)

输入：自然 语言 处理 包含 很多 任务

根据大量实验的经验值：负样本个数3-5个比较合适

六、小结

1. Word2Vec的意义
2. 词向量模型的训练
3. Word2Vec实现方法
4. 直接建模的问题
5. 负采样的引入

附录：词向量长什么样子：

输出Word2Vec下面是一个五十维的向量:

我们用热度图来判断他们之间的相似性

我们用热度图来判断他们之间的相似性，其中红色越深 关系越强。

假设我们已经训练好了词向量，

观察一下当前的词向量的相似性：

可以可视化的观察到，词向量的相关性。

最后，最后
如果觉得有用，麻烦三连👍⭐️❤️支持一下呀，希望这篇文章可以帮到你，你的点赞是我持续更新的动力