前言

本文主要介绍一些自然语言处理基础知识，涉及RNN、LSTM、CNN、transformer、bert等模型以及一些常见的问答、摘要、文本生成等典型应用场景。

早期语言表示的两种范式：概念驱动（WordNet）与符号驱动（独热编码）

早期自然语言处理（NLP）中存在两种基础且截然不同的词语表示方法：WordNet，它代表着强调人工语义结构的知识驱动/概念驱动范式；以及独热编码（One-Hot Encoding），它标志着将词视为离散符号的数据驱动范式开端。

一、知识驱动范式：基于概念的语义网络 (WordNet)

WordNet 是一个以“概念”为核心构建的英语词汇语义网络（lexical semantic database）。其核心思想源于认知科学：人类组织语言知识的基础是概念，而非孤立的词汇。

1.1 WordNet 的工作原理

WordNet 将语义相同或相近的一组词（即同义词）归入一个称为 同义词集（Synset） 的单元中。

唯一标识：一个词的具体含义可通过其所属的 Synset 唯一标识，格式为 {$词}.{$词性}.{$同义词集编号}。
示例：
- “I ate a red apple.” 中的水果“apple”表示为 apple.n.01。
- “I bought the new Apple.” 中的科技公司“Apple”表示为 Apple.n.02。

这种基于 Synset 的表示方法，本质上实现了词义消歧。

1.2 WordNet 的固有局限性

WordNet 虽语义清晰，但作为人工知识库存在固有缺陷：

局限性	描述
高度依赖人工构建	词义标注与网络扩展成本高、效率低，且带有主观性。
覆盖范围静态且有限	仅收录已有词形，难以涵盖新兴词汇、网络用语或领域特定术语（如 “ikun”）。
缺乏上下文感知能力	每个词义是静态固定的，无法根据具体语境动态调整；语义相似度基于人工结构，而非真实语言使用中的上下文统计。

二、数据驱动范式：基于符号的局部表示 (独热编码)

独热编码（One-Hot Encoding）思想将词语视为离散的符号（discrete symbols），而非连续的语义实体。这种方法被称为局部表示（Localist Representation）。它是现代深度学习语言模型的起点。

2.1 独热编码的工作原理

在独热编码体系中，每个词在词汇表中占据一个独立位置。它将每一个单词表示为一个高维稀疏向量，其中只有一个元素为 1（对应其在词汇表中的索引），其余均为 0。

词汇表：假设 ['apple', 'banana', 'cherry', 'dog', 'cat']
编码示例：
- apple = [1, 0, 0, 0, 0]
- banana = [0, 1, 0, 0, 0]
向量特性：向量维度等于词汇表大小（N），因此是 N 维极度稀疏的向量。

2.2 独热编码的根本缺陷

独热编码的“符号性”带来了结构上的简单性，但也导致了无法克服的缺陷：

缺陷	描述
维度灾难 (Curse of Dimensionality)	向量长度与词汇量成正比。当词汇量达数十万时，计算成本和存储效率急剧恶化。
无法捕捉语义关系	任意两个不同词的向量彼此正交（点积为 0，余弦相似度为 0），即模型认为“hotel”和“motel”的相似度等同于“hotel”和“cat”的相似度。

现代统计NLP最成功的理念：基于上下文的分布表示

早期表示方法（WordNet 的人工概念和独热编码的孤立符号）的局限性，促使研究人员寻求一种数据驱动且能捕捉语义连续性的新方法。现代统计自然语言处理（NLP）最成功的理念基于一个核心假设：“一个单词的语义是由经常出现在它周围的单词给出的。”

因此，我们不再将词语视为孤立的符号，而是用一个词的上下文来构建它的语义表示，这种表示也叫分布式表示（Distributional Representation）。Word2Vec 是将分布式表示理念成功应用并推广的关键技术，它为后续的深度学习语言模型奠定了基础。

三、Word2Vec：分布式表示的开创性工作

3.1 Word2Vec 的核心训练流程

Word2Vec 通过无监督方式从大规模未标注文本语料中学习词的语义向量表示，即词嵌入（Word Embedding）。其训练流程主要包括以下三个步骤：

语料准备与预处理
模型以海量原始文本作为输入，无需人工标注。系统首先对文本进行分词、去噪等预处理，构建一个由所有唯一词组成的词汇表（vocabulary）。
初始化词向量
词汇表中的每个词被赋予一个可学习的低维稠密向量（通常维度为 100–300），作为模型参数的一部分。这些向量在训练开始时随机初始化，最终通过优化过程获得具有语义意义的嵌入表示。
建模上下文关系并优化概率分布
对于语料中任意位置 ( t )，设中心词为 ( w_t )，其上下文由窗口大小 ( C ) 内的邻近词 ( {w_{t+j} \mid -C \leq j \leq C, j \neq 0} ) 构成。Word2Vec 通过中心词与上下文词，计算条件概率，并使用 Softmax 函数进行归一化，从而建模词语间的共现统计规律。

3.2 两种概率模型架构与目标函数

Word2Vec 提出两种对称但方向相反的概率模型，均以最小化平均负对数似然为优化目标：

Skip-Gram（SG）模型

建模方向：以中心词预测上下文。
目标：给定中心词 ( w_t )，最大化其在窗口内所有上下文词的联合条件概率。
似然函数： [ L(\theta) = \prod_{t=1}^{T} \prod_{\substack{-C \leq j \leq C \ j \neq 0}} P(w_{t+j} \mid w_t; \theta) ]
损失函数（平均负对数似然）： [ J_{\text{SG}}(\theta) = -\frac{1}{T} \sum_{t=1}^{T} \sum_{\substack{-C \leq j \leq C \ j \neq 0}} \log P(w_{t+j} \mid w_t; \theta) ]

Continuous Bag-of-Words（CBOW）模型

建模方向：以上下文预测中心词。
目标：利用窗口内所有上下文词（通常取其向量的平均或求和）预测中间的中心词 ( w_t )。
似然函数： [ L(\theta) = \prod_{t=1}^{T} P\big(w_t \mid w_{t-C}, \dots, w_{t-1}, w_{t+1}, \dots, w_{t+C}; \theta\big) ]
损失函数： [ J_{\text{CBOW}}(\theta) = -\frac{1}{T} \sum_{t=1}^{T} \log P\big(w_t \mid \text{Context}(w_t); \theta\big) ]

两种模型在实践中各有优势——Skip-Gram 更适合小规模语料和稀有词建模，而 CBOW 训练更快、对高频词更稳定。

前言