正经说-自然语言处理

Posted 2021-04-12 京东金融大数据

策划 | 孟非

前言

久违了，各位父老乡亲们！啊哈~我胡汉三终于又回来了！经过一个月的蛰伏，我精准地在大家完全忘记我的时候出现了！微信里有零星好友问我，这个月你都干啥正经事儿了？为下一系列文章做准备？还是躺平了在家养膘啊！我真的不好意思说…我就在公司搬了一个月砖啊！！！（TAT四月份好多需求…）

为了能保持我们能站在时下流行科技的风口浪尖，特意挑选了这个主题。自然语言处理（Natural language processing，简称NLP），是一门结合了语言学、人工智能、数学于一体的科学。它研究的领域就是让计算机能理解人类的语言，并和人类进行有效沟通的各种理论和方法。

语言是区别人类与其他物种的本质特性，想指望计算机和我们高等生物一样理解语言，根本做不到。毕竟至今为止我们自己都没有完全摸清大脑的各种套路。大自然赋予了我们一颗very神秘的头颅…但是冰冷的机器也有其擅长的地方，那就是计算！我们如果能把每段语言都转化成可以计算的量，那即使再大量的运算它都能搞定！这就是自然语言处理的核心思路。计算的过程有点类似于人类逻辑思维的过程，说白了这就相当于机器的智商。整好了机器可以是T-800，红皇后，无往而不利甚至可以毁灭人类！整不好的话…试想一下，你回家的时候敲门和机器管家说“可以帮我开一下门吗？”它在屋里说：“能！”然后…就没有然后了。那你破门而入之后第一件事肯定是拆了它。机器肯定不服啊！心想昨儿晚上你搂着我的时候说“可以帮我保守秘密吗”，我回答“能”你很高兴啊，怎么现在我也回答“能”你就要弄死我…这两个问题看起来没毛区别啊！

 

由此可见，想让机器明白人语言中的意图是很有挑战的一件事儿。接下来的数月时间，我就和各位一起迎接这个挑战。于之前不同的是，这次我们是站在同一个起跑线上的，对于NLP，我现在也是个雏儿，不过我是个站在巨人肩膀上的雏儿。我会借助我们NLP团队的各位大咖，不断深入的探索他们的研究成果，汲取他们的精华，解锁NLP的各项技能。本文更像我学习的心得笔记，可以清晰地看出一个由浅入深的过程和我解决问题的思路，以及我蠢萌的各种心理。由于有各位高手把关，文章知识的权威性绝对毋庸置疑。文章的风格当然还是一贯的正经、亲民。

经常看到某某作品在前言部分写到，本文预设读者是XXX领域研究者、XXX从业者，我也跟个时髦，本文预设的读者是有计算机基础的AI爱好者！文章中可能涉及到的有阶段性成果的领域包括：智能客服，智能问答系统，医疗问诊，旅游，评论观点抽取，AI舆情系统。但不仅限于此。

处理方法

想必各位看客中有对于NLP完全不了解的，如果有那就太好了，请坚持观看！我们的文章就是面向大众AI爱好者的！这一章我们先抛开技术细节不谈（毕竟臣妾也在学习中…），来大致的看一下自然语言处理都在干些什么，我会挑选一些比较有代表性的处理环节，就不面面俱到了。

预处理

预处理的意思就是对语句进行计算前的处理，把每一句话格式化成统一的数据格式。那咱就先说说汉语处理所避之不开的一个步骤：分词。

分词很好理解，就是把一句话切分成一个一个的词。这算是我们大天朝的特色了吧，因为英文根本不需要分词啊！英文单词之间是以空格作为自然分隔符的。而我们复杂的汉语，以句子为单位，但从这个层面上来说，处理中文的难度要比处理英文上几个台阶。

别小看了分词，在NLP中这是极其重要也比较复杂的一步！肯定有不少朋友接触过lucene、elasticsearch、solr等检索服务器，对jieba分词，IK-Analyzer等分词器一定不陌生。确实和NLP的分词有相似之处，我们也会用到这些分词器，但是随着研究的深入，只做字面上的分词已经有些力不从心了。我们还需要基于语义理解、统计等原理，对语言进行理解性的分解，其中最常用的应该属HMM（隐马尔科夫模型）,CRF（条件随机场）了。

市面上绝大多数的自然语言处理方法都是基于分词的，但也不是说没有不分词的，正某人也曾经见过对单个字符进行处理的，大概的思路就是分字，然后每个字进行向量化去计算（把中文用英文的处理方式来处理）。我们先不讨论算法上的可行性和计算难度。想必单个字是没有词性的，直接导致歧义满天飞啊！就拿“牛”这个字来说，单拿出来你能说他是名词还是形容词吗？你说通过上下文判断来修正？那你上下文也都是一个字一个字的…这计算的复杂度可想而知。我对这种处理方式不看好，保持观望态度。
听起来就很厉害吧！下一章，我们将在首战挑战分词技术，介时详细讲解各种各样的黑科技，千万不要错过。

分完词，预处理还不算完。还得继续进行一些规范化和去停用词。规范化包括数字和号码的区分，阿拉伯数字和汉语数字的转换，是否保留标点符号等。去停用词（stop words），就是去掉一些没有什么实际意义的词，比如“的”、“了”、“呢”。或者根据你的需求去掉一些词，比如你只处理名词等。就是为了简化样本，可以节约空间并提高效率，后文我们实际用到的时候再细细体会。

向量化

我们再来介绍一个极其重要的步骤：向量化。上文说了机器是不能直接处理汉字的，哪怕是分好的词他也束手无策。我们还得嚼碎了喂给它…把这些词转化为机器可以直接用来计算的向量，转化方法有最基础的one-hot，tf-idf，还有谷歌开源的word2vec，都在我们涉猎的范围。如果后续的处理中带有情感分析、聚类相似词等步骤的，可以说是必须要进行向量化的。只可惜正某人现在对这些理解的也比较浅，稍后肯定会奉上精彩内容。

注：旅游评论分词聚类

另一个不做向量化的分支，可以直接标注词性或者直接对句法进行分析，这里的典型代表就是哈工大的语言云和斯坦福NLP，效果也是相当可以。

注：哈工大语言云在线演示

可以看出来词性标注和我们汉语中的“主谓宾定状补”还是有一定的区别的，分的要更加细致。

还有一些很重要的技术点，包括可以说是难度最大的消除歧义，语义理解，LDA主题模型，利用现在最火的CNN、RNN进行训练等等高科技，后续文章中肯定是一应俱全！具体就不做赘述了（臣妾现在也不会啊TAT）。

应用场景

NLP已经早已经悄悄地随风潜入夜，滋润着我们生活的方方面面了。曾几何时，以头条为代表的新闻类APP越来越吸引你，总能把有趣的新闻推送给你，就好像给你量身定做的；当你有疑问，想要询问客服的时候，再也不用排队了。总有一个秒回的小姐姐一直守候着你；在首富家或某东买东西的时候，再也不需要翻阅冗长的评论，几个标签言简意赅的准确的描述了该商品。

这些都是NLP为我们谋的福利。对文章进行分词，加权，可以准确的总结文章的主题，再综合用户的阅读习惯，可以做到精准推荐；通过分析客户咨询的问题，向量化后基于文本的相似性，定位最接近的问题，机器人客服可以准确地回答你问题；通过对商品的评论信息进行语义分析，情感分析，总结出现最多的正面评价，负面评价，一目了然的展示给更多用户。

假以时日，我前文中提到的机器管家的还会远吗？