斯坦福大学深度学习与自然语言处理第一讲：引言

morinson

斯坦福大学深度学习与自然语言处理第一讲：引言

发表于 2015年05月21号 由 52nlp 授权转载

本文链接地址：斯坦福大学深度学习与自然语言处理第一讲：引言

      斯坦福大学在三月份开设了一门“深度学习与自然语言处理”的课程：CS224d: Deep Learning for Natural Language Processing，授课老师是青年才俊 Richard Socher，他本人是德国人，大学期间涉足自然语言处理，在德国读研时又专攻计算机视觉，之后在斯坦福大学攻读博士学位，拜师NLP领域的巨牛 Chris Manning 和 Deep Learning 领域的巨牛 Andrew Ng，其博士论文是《Recursive Deep Learning for Natural Language Processing and Computer Vision》，也算是多年求学生涯的完美一击。毕业后以联合创始人及CTO的身份创办了MetaMind，作为AI领域的新星创业公司，MetaMind创办之初就拿了800万美元的风投，值得关注。
      回到这们课程CS224d,其实可以翻译为“面向自然语言处理的深度学习（Deep Learning for Natural Language Processing）”，这门课程是面向斯坦福学生的校内课程，不过课程的相关材料都放到了网上，包括课程视频，课件，相关知识，预备知识，作业等等，相当齐备。课程大纲相当有章法和深度，从基础讲起，再讲到深度学习在NLP领域的具体应用，包括命名实体识别，机器翻译，句法分析器，情感分析等。Richard Socher此前在ACL 2012和NAACL 2013 做过一个Tutorial，Deep Learning for NLP (without Magic)，感兴趣的同学可以先参考一下: Deep Learning for NLP (without Magic) – ACL 2012 Tutorial – 相关视频及课件 。另外，由于这门课程的视频放在Youtube上，@爱可可-爱生活 老师维护了一个网盘链接：http://pan.baidu.com/s/1pJyrXaF ，同步更新相关资料，可以关注。

第一讲：引言-自然语言处理与深度学习简介(Intro to NLP and Deep Learning)
推荐阅读材料：

• 线性代数相关知识点回顾：[Linear Algebra Review]
• 概率相关知识点回顾：[Probability Review]
• 凸优化相关知识点回顾: [Convex Optimization Review]
• 优化相关的另一篇介绍（来自于斯坦福CS231课程资料），随机梯度下降相关[More Optimization (SGD) Review]
• 语义向量空间模型的一篇综述[From Frequency to Meaning: Vector Space Models of Semantics]
• 课程第一部分的Notes，涉及第一讲和第二讲[Lecture Notes 1]
• python及numpy简介[python tutorial]
• 第一讲Slides[slides]
• 第一讲视频[video]
  

以下是第一讲的相关笔记，主要参考自课程的slides，视频和其他相关资料。
什么是自然语言处理（NLP）

• 自然语言处理是一门交叉学科，包括计算机科学，人工智能和语言学
• 目标：让计算机去处理或“理解”自然语言, 完成一些有用的任务例如问答系统，机器翻译
• 完全理解或者表示语言的意义（甚至去定义它）都是一个虚幻的目标
• 完美的理解语言是一个“AI-complete”的问题
  

自然语言处理的层次

自然语言处理的应用

• 应用范围从简单到复杂
• 拼写检查, 关键词提取&搜索，同义词查找&替换
• 从网页中提取有用的信息例如产品价格，日期，地址，人名或公司名等
• 分类，例如对教科书的文本进行分级，对长文本进行正负情绪判断
• 机器翻译
• 口语对话系统
• 复杂的问答系统
  

工业届里的NLP应用

• 搜索引擎
• 在线广告
• 自动的或辅助的翻译技术
• 市场营销或者金融交易领域的情感分析
• 语音识别
  

NLP为什么这么难

• 语言在表达上就很复杂，使用的时候要综合考虑使用情境
• Jane hit June and then she [fell/ran].
• 歧义问题：“I        made her duck”
  

什么是深度学习（DL）

• 深度学习是机器学习的一个分支
• 大多数机器学习方法很有效主要依靠人工精心设计的特征，例如下表是一个命名实体识别任务中设计的特征模板(Finkel,        2010)
  
• 最终这些机器学习问题会变成优化问题：优化这些特征权重以达到最好的预测效果
  

机器学习 vs 深度学习

什么是深度学习（DL）续

• 表示学习 or 表达学习（Representation Learning）尝试自动的学习合适的特征及其表征
• 深度学习（Deep Learning) 算法尝试学习（多层次）的表征以及输出
• 从一个“原生”的输入x(例如“单词”）
  
  

深度学习的历史

• 这门课主要关注至今为止在解决NLP问题上有效果的深度学习技术
• 关于深度学习模型的相关历史，推荐参考《Deep Learning in Neural Networks: An Overview》
  

探索深度学习的原因

• 人工设计的特征常常定义过多，不完整并且需要花费大量的时间去设计和验证
• 自动学习的特征容易自适应，并且可以很快的学习
• 深度学习提供了一个弹性的，通用的学习框架用来表征自然的，视觉的和语言的信息。
• 深度学习可以用来学习非监督的（来自于生文本）和有监督的（带有特别标记的文本，例如正向和负向标记）
• 在2006年深度学习技术开始在一些任务中表现出众，为什么现在才热起来？
  
  • 深度学习技术受益于越来越多的数据
  • 更快的机器与更多核CPU/GPU对深度学习的普及起了很大的促进作用
  • 新的模型，算法和idea层出不穷
    
• 通过深度学习技术提升效果首先发生在语音识别和机器视觉领域，然后开始过渡到NLP领域
  

面向语音识别的深度学习

• “深度学习”在大数据集上的第一个突破性进展发生在语音识别领域
• Paper：Context-Dependent Pre-trained Deep Neural Networks for Large Vocabulary Speech Recognition Dahl et al. (2010)
  
  

面向计算机视觉的深度学习

• 很多深度学习研究小组把大量的精力放在计算机视觉上（直到现在也是）
• 突破性的Paper: ImageNet Classification with Deep Convolutional Neural Networks by Krizhevsky et al. 2012
  
  

Deep Learning + NLP = Deep NLP        

• 综合使用一些深度学习的方法来解决NLP的相关问题
• 近几年在NLP的一些应用领域效果有了较大的提升
  
  • 层次：语音，词形，句法，语义
  • 应用：机器翻译，情感分析，问答系统
    

音位学层次的表示

• 传统的方法：音素
  
• 深度学习：通过声音特征并将这些特征表示为向量直接来预测音素（或词语）
  

形态学层次的表示

• 传统的方法：语素，例如前缀，词干，后缀等
• 深度学习：
  
  • 每个语素都用向量表示
  • 神经网络用于向量的两两合并
  • Thang et al. 2013
    
    

句法层次的表示

• 传统的方法：将一个短语或句子划分到多个句法标记，例如NP，VP等
  
• 深度学习
  
  • 每个单词或者短语都是一个向量
  • 神经网络用于向量的两两合并
  • Socher et al. 2011
    
    

语义层次的表示

• 传统的方法：        Lambda算子 or Lambda演算(Lambda calculus)
  
  • 非常精细的函数设计
  • 需要指定其他函数的输入
  • 没有相似性的概念或者模糊语言
    
    
• 深度学习
  
  • 每个单词或者短语或者逻辑表达式都是一个向量
  • 神经网络用于向量的两两合并
  • Bowman et al. 2014
    
    

NLP应用：情感分析

• 传统的方法：精选的情感词典+词袋模型（忽略词序）+人工设计的特征（很难覆盖所有的信息）
• 深度学习：和上述词素，句法和语义相似的深度学习模型–>RNN
• Demo: http://nlp.stanford.edu/sentiment/
  
  

NLP应用：问答系统

• 传统的方法：用了非常多的特征工程去获取相关的知识，例如正则表达式，Berant et al. (2014)
  
• 深度学习：和上述词素，句法，语义，情感分析相似的深度学习模型
• 知识可以储备在向量中
  
  

NLP应用：机器翻译

• 过去尝试过很多层次的机器翻译方法
• 传统的机器翻译系统是一个非常大的复杂系统
• 可以思考一下在深度学习中中间语（interlingua）对于翻译系统是如何起作用的？
  
• 深度学习：
  
  • 源句子首先映射为向量，然后在输出的时候进行句子生成
    
  • Sequence to Sequence Learning with Neural Networks by Sutskever et al. 2014
  • 方法很新但是可以替换传统非常复杂的机器翻译架构
    

可以发现所有NLP层次的表示都涉及到向量（Vectors), 下一讲将讲到如何来学习词向量以及这些向量表示了什么？