我学习自然语言是从Christopher D.Manning的统计自然语言处理基础这本书开始的，很多文本分析也是应用统计方法，或者机器学习的方法，而近年来深度学习逐渐渗入各个领域，其在自然语言处理领域中也取得了令人惊叹的效果，这成功的引起了我的重视，决定学习一下。何其所幸，让我找到了斯坦福大学深度学习与自然语言的课程，深得我心啊，所以打算好好学习一下，鉴于我爱自然语言处理中有相关课程的slides，我就直接复制粘贴了，接下来打算做的工作是对该课程中推荐阅读的部分论文做一些笔记。本人才疏学浅，专业水平不高，理解错误或不足之处，希望大家可以拿出来一同探讨，共同进步~
本文转载出处“我爱自然语言处理”：http://www.52nlp.cn
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
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？
注：原创文章，转载请注明出处“我爱自然语言处理”：http://www.52nlp.cn