过去十年中，从文本数据中提取信息的技术发生了巨大变化，自然语言处理这一术语已经超跃文本挖掘，成为该领域的主导方法。与此同时，该方法也发生了翻天覆地的变化。引发变化的主要驱动因素是语言模型的出现，它旨在从原始文本中提取有价值的见解，成为了许多应用程序的基础。

语言模型使用机器学习预测单词的概率分布，基于前一个条目来预测句子中最有可能出现的下一个单词。语言模型从文本中学习，可用于生成原始文本、预测文本中的下一个单词、语音识别、光学字符识别和手写识别。

在自然语言处理的学习过程中，我对过去几年中语言模型的演变非常着迷，你或许已经听说过GPT-3及其它所构成的潜在威胁，但又是如何走到这一步的呢？机器又是如何制作出一篇模仿记者的文章的呢？

语言模型预测单词或单词序列的概率分布。在项目实践中，它给出了某个单词序列是“有效的”的概率，此时的有效性并不是指语法上的有效性，相反，它是指类似于人类的写作方式，这便是语言模型所学习的东西。正如其他机器学习模型，特别是深度神经网络一样，语言模型并不是在变魔术，它只是一个以简洁的方式合并丰富信息的工具，可以重用样本外的语境。

对自然语言的抽象理解是从语境中推断单词概率的必要条件，可以用于多项任务。词性化或词干化的目的是将一个词简化为其最基本的形式，从而大幅度减少标记的数量。如果知道这个词的词性，算法会工作得更好，动词的后缀可以不同于名词的后缀，因此，词性标记（或pos标记）是语言模型的基本原理，同时也是语言模型的一项常见任务。

有了良好的语言模型，便可以对文本进行提取或抽象摘要。有了不同语言的模型，可以非常容易地建立一个机器翻译系统。用例包括回答问题（带或不带语境，请参见文末的示例）。语言模型还可用于语音识别、OCR、手写识别等领域，有很各种各样的应用。

有两种类型的语言模型：

1. 概率统计方法。

2. 基于神经网络的现代语言模型

注意区分二者之间的不同非常重要。

通过计算单词的n-gram概率，建立起一个简单的概率语言模型。n-gram是由n个单词组成的序列，n为大于0的整数。n-gram概率是n-gram单词跟随一个特定的n-1 gram单词（省去最后一个单词）的条件概率，即在n-1gram之后，省略掉最后一个单词的比例。这个概念是一个马尔可夫假设。给定n-1 gram（现在），n-gram概率（未来）不依赖于n-2、n-3（过去）单词的概率。

这种方法也有一些明显的缺点：前面的n个单词会影响下一个单词的概率分布。复杂的文本有深刻的语境，可能对下一个词的选择产生决定性的影响。因此，即使n等于20或50，从前面的n个单词中推导出下一个单词的并非轻而易举。一个术语对之前的用词会产生影响：如果出现了United这个单词，那么States of America紧随其后的概率便有可能大得多，称之为语境问题。

最为重要的是，很明显，这种方法并不适合大规模学习。随着(n)的增加，单词排列的数量飙升，即便文本中从未发生大多数的单词排列，并且所有发生的概率（或全部n-gram计数）都必须计算和存储。此外，未出现的n-gram计数会产生稀疏性问题，概率分布的粒度会相当低。单词概率鲜有不同的值，绝大多数单词具有相同的概率。

基于神经网络的语言模型通过编码输入的方式，解决了稀疏性问题。Word嵌入层为每个单词创建一个任意大小的向量，向量中同时包含了语义关系，连续的向量在下一个单词的概率分布中创建了所需的粒度。此外，语言模型同时也是一个函数，所有的神经网络都有大量的矩阵计算，所以无需存储所有的n-gram计数来生成下一个单词的概率分布。

尽管神经网络解决了稀疏性问题，但语境问题仍然存在。首先，语言模型更有效地解决了语境问题——引入越来越多的语境词来影响概率分布。其次，目标是创建一个架构，使模型能够学习哪些语境词更为重要。

前文概述的第一个模型，是一个密集的（或隐含的）层和一个输出层，堆叠在一个连续的单词包（CBOW）Word2Vec模型之上。CBOW Word2Vec模型被训练成从上下文中猜测单词；Skip-Gram Word2Vec模型则相反，从单词中猜测上下文。在项目实践中，需要通过多个结构化的示例训练 CBOW Word2Vec模型：输入是在单词之前和/或之后的n个单词，从中可以看到，语境问题依然没有得到解决。

递归神经网络（RNNs）是对这一问题的一个改进，RNN既可以是一个长短期记忆（LSTM），也可以是一个基于门控循环单元（GRU）单元的网络，它们在选择下一个单词的同时考虑了所有先前的单词。AllenNLP的ELMo进一步提出了这个概念，利用一个双向的LSTM，将单词计数前后的语境考虑进来。

基于RNN架构的主要缺点在于它们的序列性质，因为没有并行化，长序列的训练时间会飙升。解决这个问题的方法是采用Transformer架构。

OpenAI的GPT和谷歌的BERT模型均采用了Transformer架构，与此同时，这些模型还采用了一种称为“注意力”的机制，通过这种机制，模型可以学习在某些情况下哪些输入比其他输入更值得关注。

在模型架构方面，有数量级飞跃的首先是RNN，尤其是LSTM和GRU，很好地解决了稀疏性问题，减少语言模型对磁盘空间的占用，其次是Transformer架构，使并行化成为可能，并创建了注意力机制。但是，架构并不是语言模型之所以优越的唯一考量。

与GPT-1架构相比，除了规模上变大了之外，GPT-3实际上没有什么新颖之处。GPT-3有1750亿个参数，并且是在普通训练集的大语料库上训练的。语言模型的半监督训练策略，使得这在一定程度上成为可能，将省略一些单词的文本作为训练示例。GPT-3令人难以置信的力量在于，它或多或少阅读了过去几年出现在互联网上的所有文本，而且能够准确反映自然语言所包含的绝大多数复杂性。

最后，我想回顾一下谷歌的T5模型。以前，语言模型被用于标准的自然语言处理任务，如词性（POS）标注或经过轻微修改的机器翻译。只要经过重新训练，BERT就可以成为一个pos标记器，因为它具有理解自然语言底层结构的抽象能力。

对于T5，无需对NLP任务进行任何修改，如果它获取到一个带标记的文本，它就知道用哪些标记来填充适当单词的空白；它也可以回答问题，如果它在问题之后收到了一些语境信息，它会从中搜索出答案。否则，它会根据自己的知识得出答案。有趣的是：它在问答小测试中击败了自己的创造者。

我个人认为，这是离创造人工智能最近的领域。关于人工智能有很多非议，从市场营销的角度来看，许多简单的决策系统和神经网络均可称之为人工智能。根据定义，人工智能涉及到由机器执行的类人智能能力。迁移学习在计算机视觉领域很突出，迁移学习的概念对人工智能系统至关重要，同一模型可以完成广泛的自然语言处理任务，并可以从输入中推断出该做什么，它让我们离真正创造类人智能系统又近了一步。

原文链接：https://builtin.com/data-science/beginners-guide-language-models

*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。