語義分析，本文指運用各種機器學(xué)習(xí)方法，挖掘與學(xué)習(xí)文本、圖片等的深層次概念。wikipedia上的解釋：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)。

工作這幾年，陸陸續(xù)續(xù)實踐過一些項目，有搜索廣告，社交廣告，微博廣告，品牌廣告，內(nèi)容廣告等。要使我們廣告平臺效益最大化，首先需要理解用戶，Context(將展示廣告的上下文)和廣告，才能將最合適的廣告展示給用戶。而這其中，就離不開對用戶，對上下文，對廣告的語義分析，由此催生了一些子項目，例如文本語義分析，圖片語義理解，語義索引，短串語義關(guān)聯(lián)，用戶廣告語義匹配等。

接下來我將寫一寫我所認識的語義分析的一些方法，雖說我們在做的時候，效果導(dǎo)向居多，方法理論理解也許并不深入，不過權(quán)當(dāng)個人知識點總結(jié)，有任何不當(dāng)之處請指正，謝謝。

本文主要由以下四部分組成：文本基本處理，文本語義分析，圖片語義分析，語義分析小結(jié)。先講述文本處理的基本方法，這構(gòu)成了語義分析的基礎(chǔ)。接著分文本和圖片兩節(jié)講述各自語義分析的一些方法，值得注意的是，雖說分為兩節(jié)，但文本和圖片在語義分析方法上有很多共通與關(guān)聯(lián)。最后我們簡單介紹下語義分析在廣點通“用戶廣告匹配”上的應(yīng)用，并展望一下未來的語義分析方法。

1 文本基本處理

在講文本語義分析之前，我們先說下文本基本處理，因為它構(gòu)成了語義分析的基礎(chǔ)。而文本處理有很多方面，考慮到本文主題，這里只介紹中文分詞以及Term Weighting。

1.1 中文分詞

拿到一段文本后，通常情況下，首先要做分詞。分詞的方法一般有如下幾種：

• 基于字符串匹配的分詞方法。此方法按照不同的掃描方式，逐個查找詞庫進行分詞。根據(jù)掃描方式可細分為：正向最大匹配，反向最大匹配，雙向最大匹配，最小切分(即最短路徑)；總之就是各種不同的啟發(fā)規(guī)則。
• 全切分方法。它首先切分出與詞庫匹配的所有可能的詞，再運用統(tǒng)計語言模型決定最優(yōu)的切分結(jié)果。它的優(yōu)點在于可以解決分詞中的歧義問題。下圖是一個示例，對于文本串“南京市長江大橋”，首先進行詞條檢索(一般用Trie存儲)，找到匹配的所有詞條（南京，市，長江，大橋，南京市，長江大橋，市長，江大橋，江大，橋），以詞網(wǎng)格(word lattices)形式表示，接著做路徑搜索，基于統(tǒng)計語言模型(例如n-gram)[18]找到最優(yōu)路徑，最后可能還需要命名實體識別。下圖中“南京市 長江 大橋”的語言模型得分，即P(南京市，長江，大橋)最高，則為最優(yōu)切分。
  

  圖1. “南京市長江大橋”語言模型得分

• 由字構(gòu)詞的分詞方法。可以理解為字的分類問題，也就是自然語言處理中的sequence labeling問題，通常做法里利用HMM，MAXENT，MEMM，CRF等預(yù)測文本串每個字的tag[62]，譬如B，E，I，S，這四個tag分別表示：beginning, inside, ending, single，也就是一個詞的開始，中間，結(jié)束，以及單個字的詞。 例如“南京市長江大橋”的標(biāo)注結(jié)果可能為：“南(B)京(I)市(E)長(B)江(E)大(B)橋(E)”。由于CRF既可以像最大熵模型一樣加各種領(lǐng)域feature，又避免了HMM的齊次馬爾科夫假設(shè)，所以基于CRF的分詞目前是效果最好的，具體請參考文獻[61,62,63]。除了HMM，CRF等模型，分詞也可以基于深度學(xué)習(xí)方法來做，如文獻[9][10]所介紹，也取得了state-of-the-art的結(jié)果。
  

  圖2. 基于深度學(xué)習(xí)的中文分詞

  上圖是一個基于深度學(xué)習(xí)的分詞示例圖。我們從上往下看，首先對每一個字進行Lookup Table，映射到一個固定長度的特征向量(這里可以利用詞向量，boundary entropy，accessor variety等)；接著經(jīng)過一個標(biāo)準(zhǔn)的神經(jīng)網(wǎng)絡(luò)，分別是linear，sigmoid，linear層，對于每個字，預(yù)測該字屬于B,E,I,S的概率；最后輸出是一個矩陣，矩陣的行是B,E,I,S 4個tag，利用viterbi算法就可以完成標(biāo)注推斷，從而得到分詞結(jié)果。

一個文本串除了分詞，還需要做詞性標(biāo)注，命名實體識別，新詞發(fā)現(xiàn)等。通常有兩種方案，一種是pipeline approaches，就是先分詞，再做詞性標(biāo)注；另一種是joint approaches，就是把這些任務(wù)用一個模型來完成。有興趣可以參考文獻[9][62]等。

一般而言，方法一和方法二在工業(yè)界用得比較多，方法三因為采用復(fù)雜的模型，雖準(zhǔn)確率相對高，但耗時較大。

1.2 語言模型

前面在講“全切分分詞”方法時，提到了語言模型，并且通過語言模型，還可以引出詞向量，所以這里把語言模型簡單闡述一下。

語言模型是用來計算一個句子產(chǎn)生概率的概率模型，即P(w_1,w_2,w_3…w_m)，m表示詞的總個數(shù)。根據(jù)貝葉斯公式：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})。

最簡單的語言模型是N-Gram，它利用馬爾科夫假設(shè)，認為句子中每個單詞只與其前n–1個單詞有關(guān)，即假設(shè)產(chǎn)生w_m這個詞的條件概率只依賴于前n–1個詞，則有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，模型可區(qū)別性越強，n越小，模型可靠性越高。

N-Gram語言模型簡單有效，但是它只考慮了詞的位置關(guān)系，沒有考慮詞之間的相似度，詞語法和詞語義，并且還存在數(shù)據(jù)稀疏的問題，所以后來，又逐漸提出更多的語言模型，例如Class-based ngram model，topic-based ngram model，cache-based ngram model，skipping ngram model，指數(shù)語言模型（最大熵模型，條件隨機域模型）等。若想了解更多請參考文章[18]。

最近，隨著深度學(xué)習(xí)的興起，神經(jīng)網(wǎng)絡(luò)語言模型也變得火熱[4]。用神經(jīng)網(wǎng)絡(luò)訓(xùn)練語言模型的經(jīng)典之作，要數(shù)Bengio等人發(fā)表的《A Neural Probabilistic Language Model》[3]，它也是基于N-Gram的，首先將每個單詞w_{m-n+1},w_{m-n+2} … w_{m-1}映射到詞向量空間，再把各個單詞的詞向量組合成一個更大的向量作為神經(jīng)網(wǎng)絡(luò)輸入，輸出是P(w_m)。本文將此模型簡稱為ffnnlm（Feed-forward Neural Net Language Model）。ffnnlm解決了傳統(tǒng)n-gram的兩個缺陷：(1)詞語之間的相似性可以通過詞向量來體現(xiàn)；(2)自帶平滑功能。文獻[3]不僅提出神經(jīng)網(wǎng)絡(luò)語言模型，還順帶引出了詞向量，關(guān)于詞向量，后文將再細述。

圖3. 基于神經(jīng)網(wǎng)絡(luò)的語言模型

從最新文獻看，目前state-of-the-art語言模型應(yīng)該是基于循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network)的語言模型，簡稱rnnlm[5][6]。循環(huán)神經(jīng)網(wǎng)絡(luò)相比于傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)，其特點是：可以存在有向環(huán)，將上一次的輸出作為本次的輸入。而rnnlm和ffnnlm的最大區(qū)別是：ffnnmm要求輸入的上下文是固定長度的，也就是說n-gram中的 n 要求是個固定值，而rnnlm不限制上下文的長度，可以真正充分地利用所有上文信息來預(yù)測下一個詞，本次預(yù)測的中間隱層信息(例如下圖中的context信息)可以在下一次預(yù)測里循環(huán)使用。

圖4. 基于simple RNN(time-delay neural network)的語言模型

如上圖所示，這是一個最簡單的rnnlm，神經(jīng)網(wǎng)絡(luò)分為三層，第一層是輸入層，第二層是隱藏層(也叫context層)，第三層輸出層。 假設(shè)當(dāng)前是t時刻，則分三步來預(yù)測P(w_m)：

• 單詞w_{m-1}映射到詞向量，記作input(t)
• 連接上一次訓(xùn)練的隱藏層context(t–1)，經(jīng)過sigmoid function，生成當(dāng)前t時刻的context(t)
• 利用softmax function，預(yù)測P(w_m)

參考文獻[7]中列出了一個rnnlm的library，其代碼緊湊。利用它訓(xùn)練中文語言模型將很簡單，上面“南京市 長江 大橋”就是rnnlm的預(yù)測結(jié)果。

基于RNN的language model利用BPTT(BackPropagation through time)算法比較難于訓(xùn)練，原因就是深度神經(jīng)網(wǎng)絡(luò)里比較普遍的vanishing gradient問題[55]（在RNN里，梯度計算隨時間成指數(shù)倍增長或衰減，稱之為Exponential Error Decay）。所以后來又提出基于LSTM(Long short term memory)的language model，LSTM也是一種RNN網(wǎng)絡(luò)，關(guān)于LSTM的詳細介紹請參考文獻[54,49,52]。LSTM通過網(wǎng)絡(luò)結(jié)構(gòu)的修改，從而避免vanishing gradient問題。

圖5. LSTM memory cell

如上圖所示，是一個LSTM unit。如果是傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)unit，output activation bi = activation_function(ai)，但LSTM unit的計算相對就復(fù)雜些了，它保存了該神經(jīng)元上一次計算的結(jié)果，通過input gate，output gate，forget gate來計算輸出，具體過程請參考文獻[53，54]。

1.3 Term Weighting

Term重要性

對文本分詞后，接下來需要對分詞后的每個term計算一個權(quán)重，重要的term應(yīng)該給與更高的權(quán)重。舉例來說，“什么產(chǎn)品對減肥幫助最大？”的term weighting結(jié)果可能是: “什么 0.1，產(chǎn)品 0.5，對 0.1，減肥 0.8，幫助 0.3，最大 0.2”。Term weighting在文本檢索，文本相關(guān)性，核心詞提取等任務(wù)中都有重要作用。

• Term weighting的打分公式一般由三部分組成：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的歸一化因子。
  常見的local，global，normalization weight公式[2]有：

  圖6. Local weight formulas

  圖7. Global weight formulas

  圖8. Normalization factors

  Tf-Idf是一種最常見的term weighting方法。在上面的公式體系里，Tf-Idf的local weight是FREQ，glocal weight是IDFB，normalization是None。tf是詞頻，表示這個詞出現(xiàn)的次數(shù)。df是文檔頻率，表示這個詞在多少個文檔中出現(xiàn)。idf則是逆文檔頻率，idf=log(TD/df)，TD表示總文檔數(shù)。Tf-Idf在很多場合都很有效，但缺點也比較明顯，以“詞頻”度量重要性，不夠全面，譬如在搜索廣告的關(guān)鍵詞匹配時就不夠用。

  除了TF-IDF外，還有很多其他term weighting方法，例如Okapi，MI，LTU，ATC，TF-ICF[59]等。通過local，global，normalization各種公式的組合，可以生成不同的term weighting計算方法。不過上面這些方法都是無監(jiān)督計算方法，有一定程度的通用性，但在一些特定場景里顯得不夠靈活，不夠準(zhǔn)確，所以可以基于有監(jiān)督機器學(xué)習(xí)方法來擬合term weighting結(jié)果。

  圖9. Okapi計算公式

• 利用有監(jiān)督機器學(xué)習(xí)方法來預(yù)測weight。這里類似于機器學(xué)習(xí)的分類任務(wù)，對于文本串的每個term，預(yù)測一個[0,1]的得分，得分越大則term重要性越高。既然是有監(jiān)督學(xué)習(xí)，那么就需要訓(xùn)練數(shù)據(jù)。如果采用人工標(biāo)注的話，極大耗費人力，所以可以采用訓(xùn)練數(shù)據(jù)自提取的方法，利用程序從搜索日志里自動挖掘。從海量日志數(shù)據(jù)里提取隱含的用戶對于term重要性的標(biāo)注，得到的訓(xùn)練數(shù)據(jù)將綜合億級用戶的“標(biāo)注結(jié)果”，覆蓋面更廣，且來自于真實搜索數(shù)據(jù)，訓(xùn)練結(jié)果與標(biāo)注的目標(biāo)集分布接近，訓(xùn)練數(shù)據(jù)更精確。下面列舉三種方法(除此外，還有更多可以利用的方法)：
  • 從搜索session數(shù)據(jù)里提取訓(xùn)練數(shù)據(jù)，用戶在一個檢索會話中的檢索核心意圖是不變的，提取出核心意圖所對應(yīng)的term，其重要性就高。
  • 從歷史短串關(guān)系資源庫里提取訓(xùn)練數(shù)據(jù)，短串?dāng)U展關(guān)系中，一個term出現(xiàn)的次數(shù)越多，則越重要。
  • 從搜索廣告點擊日志里提取訓(xùn)練數(shù)據(jù)，query與bidword共有term的點擊率越高，它在query中的重要程度就越高。

  通過上面的方法，可以提取到大量質(zhì)量不錯的訓(xùn)練數(shù)據(jù)（數(shù)十億級別的數(shù)據(jù)，這其中可能有部分樣本不準(zhǔn)確，但在如此大規(guī)模數(shù)據(jù)情況下，絕大部分樣本都是準(zhǔn)確的）。

  有了訓(xùn)練數(shù)據(jù)，接下來提取特征，基于邏輯回歸模型來預(yù)測文本串中每個term的重要性。所提取的特征包括：

  • term的自解釋特征，例如term專名類型，term詞性，term idf，位置特征，term的長度等；
  • term與文本串的交叉特征，例如term與文本串中其他term的字面交叉特征，term轉(zhuǎn)移到文本串中其他term的轉(zhuǎn)移概率特征，term的文本分類、topic與文本串的文本分類、topic的交叉特征等。

核心詞、關(guān)鍵詞提取

• 短文本串的核心詞提取。對短文本串分詞后，利用上面介紹的term weighting方法，獲取term weight后，取一定的閾值，就可以提取出短文本串的核心詞。
• 長文本串(譬如web page)的關(guān)鍵詞提取。這里簡單介紹幾種方法。想了解更多，請參考文獻[69]。
  • 采用基于規(guī)則的方法。考慮到位置特征，網(wǎng)頁特征等。
  • 基于廣告主購買的bidword和高頻query建立多模式匹配樹，在長文本串中進行全字匹配找出候選關(guān)鍵詞，再結(jié)合關(guān)鍵詞weight，以及某些規(guī)則找出優(yōu)質(zhì)的關(guān)鍵詞。
  • 類似于有監(jiān)督的term weighting方法，也可以訓(xùn)練關(guān)鍵詞weighting的模型。
  • 基于文檔主題結(jié)構(gòu)的關(guān)鍵詞抽取，具體可以參考文獻[71]。

總結(jié)

以上是生活随笔為你收集整理的语义分析的一些方法(上篇)的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。