刘知远LLM入门到实战——自然语言基础

为什么NLP等领域的模型越来越大？
大模型会带来哪些新的范式和挑战？

自然语言处理基础

让计算机理解人类语言，图灵测试就是基于对话的方式。

• 研究历史：2011年IBM Watson DeepQA在线问答节目战胜所有人类
• 基本任务：词性标注（动词、名词、形容词）、命名实体的识别（识别出名词是否为实体，如人名、地名、机构名）、共指消解（代词是指代哪个实体）、依赖关系（主语、谓语、修饰关系、中文的自动分词）
• 应用：
• • 搜索引擎：匹配用户搜索的query和document的关系，以及反馈相应的广告。评估页面的内容质量。知识图谱的构建。
• • 智能音箱。
• • 翻译
• • 情感分析

词表示

• 词和词之间相似度计算：星星-太阳
• 词和词之间的关系：中国-北京

怎么表示词义呢？

• 过去：用相关的词（近义词、反义词）来表示
• 存在问题：词义存在细微差别难以表达；相关词需要大量人工标注；有的词会出现新的词义，如Apple；近义词等的标注存在主观性问题。
• 解决：对每个词进行one-hot编码。适用于文档之间的相似度计算。但是在词的层面，one-hot假设词与词之间彼此正交，没有体现上下文的关系。
• 改进：用上下文表示词。存在问题：词表越来越大时对存储的要求；出现频率低的词上下文就少，会很稀疏，不好表示。
• 大模型的思路：word embedding
  建立一个低维的稠密向量空间，尝试把每个词都学到这个空间里，用这个空间所对应的位置表示这个词。从而找出词之间的对应关系
  代表工作：Word2Vec

语言模型

根据前文预测下一个词是什么，接龙。
需要的能力：1. 计算词的序列成为一句话的概率，即联合概率；2. 根据上文预测下一个词是什么
如何完成？
基本的假设：假设一个未来的词只会受前面的词的影响（马尔可夫性）。可以将联合概率拆解为条件概率相乘

N-gram Model

看前面出现了几个词对后面词的频度
4-gram：前面出现了3个词对下一个词的频度。统计学的模型

Bigram：只考虑前面一个词，N=2
Trigram：只考虑前面2个词，N=3

存在问题：基于符号的统计问题：统计结果稀疏，数据量巨大；不能理解词之间的相似度dog-cat

Neural Language Model:

首先把词表示为低维的向量；再将前几个词的向量拼接在一起；用向量来预测后面的词。
相似的词，向量也会比较相似