week08_文本匹配任务

1、文本匹配任务概述

狭义：

给定一组文本，判断其是否语义相似

今天天气不错   match  今儿个天不错呀    √

今天天气不错   match  你的代码有bug      ×

以分值形式给出相似度

今天天气不错   match  今儿个天不错呀   0.9

今天天气不错   match  这几天天气不错   0.7

今天天气不错   match  你的代码有bug    0.1

广义：

1、给定一组文本，计算某种自定义的关联度

2、Natural Language Inference

两句话判断是否有关联、矛盾、中立

明天要下雨  vs  明天大晴天

3、Text Entailment

给出一段文本，和一个假设，判断文本是否能支持或反驳这个假设

4、主题判断

文章标题匹配内容等

2、文本匹配的应用

问答对话：车载导航、手机助手、聊天机器人、智能音响、智能客服

信息检索：浏览器、短视频新媒体平台

3、智能问答

1.基础资源：包括faq库，书籍文档，网页，知识图谱等等

2.问答系统：对基础资源进行了加工处理，形成问答所需要的索引和模型等

3.用户输入问题

4.问答系统给出答案

智能问答的技术路线

1、依照基础资源划分： 

1）基于faq知识库的问答  

2）基于文档/网页/书籍的问答  

3）基于图像/视频的问答  

4）基于知识图谱的问答  

5）基于表格的问答  

6）基于特定领域知识的问答  

7）基于人工规则的问答

2、依照答案产出方式划分：

1）检索式的问答：答案原文或答案的多个片段，存在于基础资源中        

2）生成式的问答：答案文本不存在于基础资源，由问答系统来生成答案    

3）二者结合

3、依照NLP相关技术划分：

1）单轮问答   2）多轮问答   3）多语种问答   4）事实性问答（有固定答案）  

5）开放性问答（没有固定的明确答案）   6）多模态问答（和图像视频相结合）  

7）选择型问答   8）抽取式问答   9）生成式问答

Faq知识库问答

原始问题：列表展示所有常见问题，用户需要自己找到对应的问题，对用户不友好

改进：让用户以自然语言描述自己的问题，算法进行faq库的检索，给出对应的答案

相关名词

1.问答对                 一个（或多个相似的）问题与它对应的答案

2.faq库/知识库       很多问答对组成的集合

3.标准问                 每组问答对中的问题，有多个时，为其中代表

4.相似问/扩展问     问答对中，标准问之外的其他问题

5.用户问                 用户输入的问题

6.知识加工             人工编辑faq库的过程

运行逻辑

1.对用户问进行预处理

2.使用处理后的问题，与faq库中问题计算相似度

3.按照相似度分值排序

4.返回最相似问题对应的答案

4、文本匹配算法

1.语义相似度计算是faq问答的核心

2.一般简称文本匹配      f(x, y)→Score

3.相似度分值合理，才可以找到正确的对应问题

4.计算分值的同时，也要考虑速度

文本匹配算法-编辑距离

编辑距离：两个字符串之间，由一个转成另一个所需的最少编辑操作次数。

许可的编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。

两个字符串完全一致，编辑距离 = 0，相似度 = 1

两个字符串完全不一致，编辑距离 = 较长者长度，相似度 = 0

import numpy as np

#编辑距离
def editing_distance(string1, string2):
    matrix = np.zeros((len(string1) + 1, len(string2) + 1))
    for i in range(len(string1) + 1):
        matrix[i][0] = i
    for j in range(len(string2) + 1):
        matrix[0][j] = j
    for i in range(1, len(string1) + 1):
        for j in range(1, len(string2) + 1):
            if string1[i - 1] == string2[j - 1]:
                d = 0
            else:
                d = 1
            matrix[i][j] = min(matrix[i - 1][j] + 1, matrix[i][j - 1] + 1, matrix[i - 1][j - 1] + d)
    edit_distance = matrix[len(string1)][len(string2)]
    return 1 - edit_distance / max(len(string1), len(string2))

编辑距离-优缺分析

优点：

1.可解释性强

2.跨语种（甚至对于非语言序列）有效

3.不需要训练模型

缺点：

1.字符之间没有语义相似度  （我没钱 vs. 俺没钱  0.66）

2.受无关词/停用词影响大       (我要办卡 vs. 你好我需要办一张卡 0.5)

3.受语序影响大                       (今天天气不错  vs. 天气不错今天  0.33)

4.文本长度对速度影响很大

文本匹配算法-Jaccard相似度

通用表述：根据两个集合中，不同元素所占的比例，来衡量两个样本之间的相似度

用于文本匹配：根据两个文本中，不同的字或词所占的比例，来衡量两个文本之间的相似度

 今天天气真不错  vs. 估计明天天气更好    

公共字：天、气         总字数：(7-1) + (8-1) – 2 = 11        

jaccard相似度： 2 / 11 = 0.18

#jaccard距离
def jaccard_distance(string1, string2):
    words1 = set(string1)
    words2 = set(string2)
    distance = len(words1 & words2) / len(words1 | words2)
    return distance

tips：

如果输入字符串，则得到基于字的jaccrad相似度

如果输入词的列表，则得到基于词的jaccard相似度

该用词还是该用字？看场景！

( 分词是否准确、是否有很多类似名词、缩略词、文本长度等因素，都会影响选择)

Jaccard距离-优缺分析

优点：

1.语序不影响分数（词袋模型——今天天气不错 vs .天气不错今天 = 1）

2.实现简单，速度很快

3.可跨语种，无需训练等

缺点：

1.语序不影响分数（他打了我 vs. 我打了他 = 1 ）

2.字词之间没有相似度衡量(同编辑距离)

3.受无关词影响

4.非一致文本可能出现满分（他是不知道 vs. 他不是不知道 = 1）

文本匹配算法-BM25算法

本质是TF·IDF算法，参考： nlp新词发现——浅析 TF·IDF_内部稳固度 左右熵-CSDN博客

常用在搜索引擎框架中，用来做文档和搜索问题的匹配。同样也可以用在问答中，做文本匹配。 核心思想：假如一个词在某类文本（假设为A类）中出现次数很多，而在其他类别文本（非A类）出现很少，那么这个词是A类文本的重要词（高权重词）。

恒星、黑洞 ——> 天文

反之，如果一个词在出现在很多领域，则其对于任意类别的重要性都很差。

如何用数学刻画？

一种nlp的经典统计值：TF·IDF

TF：词频。某个词在某类别中出现的次数/该类别词总数。

IDF：逆文档频率。逆文档频率高 -> 该词很少出现在其他文档。

 N：文本总数        dfi：包含词qi的文本中的总数

每个词对于每个类别都会得到一个TF·IDF值。

BM25算法

BM25是对TF·IDF的一种改进，优化其表示效果：

       qi：问题中某词,n(qi)：包含词qi的文档数

   fi：词频 k1， k2， b：可调节常数

BM25算法-优缺分析

优点：

1.通过使用TF·IDF弱化了无关词的影响，强化了重要词的影响，使得效果大幅提升

2.统计模型计算快，不需要迭代（计算量主要在分词）

3.词袋模型*（双刃剑）、跨语种等

缺点：

1.依然没有考虑词与词之间的相似性

2.需要一定量的训练（统计）样本（faq库本身）

3.对于新增类别，需要重新计算统计模型

4.分值未归一化

文本匹配算法-word2vec

什么是词向量？     将每个词或字转换成同一向量空间内的一个向量

词向量的特点？     两个词如果语义相近，则在空间中的向量接近

词向量是如何寻得到的？

随机初始化，之后通过文本语料进行训练调整

如何训练/训练目标？        

1、基于窗口  2、基于语言模型  3、基于共现矩阵

训练提速技巧？        

1、层次softmax/Huffman树  2、负采样

如何用于文本匹配？

将文本中的所有词的词向量相加取平均     文本 ——> 句向量    

SentenceVector =    

句向量维度 = 词向量维度，不论文本长度    

文本相似度 = 向量相似度 = 向量夹角余弦值    

向量夹角为0，余弦值为1

word2vec-优缺分析

优点：

1.两个文本包含语义相似的词，会提高相似度

2.训练需要的数据简单（纯文本语料即可）

3.计算速度快，可以对知识库内问题预先计算向量

4.将文本转化为数字，使后续复杂模型成为可能

缺点：

1.词向量的效果决定句向量效果

2.一词多意的情况难以处理（梨-苹果-华为）

3.受停用词和文本长度影响很大（也是词袋模型）

4.更换语种，甚至更换领域，都需要重新训练（无法跨语种、领域）

影响因素总结：语料数量/质量、领域适配、分词结果、未登录词

文本匹配-深度学习

在文本匹配任务上有两种主要方式：

1.表示型                                                      2.交互型

1、表示型文本匹配

两句话转化为向量后通过同一模型的表示层，再过匹配层得到比较得分，相似则得分靠近1

表示型文本匹配-训练方式1(孪生网络)

对于两个匹配的样本 预期输出分值为1

对于两个不匹配的样本 预期输出分值为0

本质上相当于2分类任务

《Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks》

表示型文本匹配-训练方式2

Triplet Loss

训练目标：

使具有相同标签的样本在embedding空间尽量接近

使具有不同标签的样本在embedding空间尽量远离

输入是一个三元组 <a, p, n>

a：anchor  原点  ，p：positive  与a同一类别的样本  ， n：negative  与a不同类别的样本

在embedding空间中，三元组损失函数如下：

L=max⁡(d(a, p) − d(a, n) + margin, 0)

想要最小化L，则d(a,p)->0，d(a,n)->margin

Triplet Loss 也用于人脸识别模型的训练

2、交互型文本匹配

 Embedding层共享

表示层输出是否匹配 —— 本质是二分类任务

交互层进行信息融合，常以attention的方式

 3、对比-交互型vs表示型

表示型

优点：训练好的模型可以对知识库内的问题计算向量，在实际查找过程中，只对输入文本做一次向量化

缺点：在向量化的过程中不知道文本重点

交互型

优点：通过对比把握句子重点

缺点：每次计算需要都需要两个输入

对比学习

KD树

空间切割

1、依照建索引方式找到 最下方叶节点

2、向上回退，计算到节 点距离和到切割平面距离

3、根据情况判断是否 需要查找平面另一侧节点

4、回退到根节点为止

Annoy

Approximate Nearest Neighbors Oh Yeah

分割过程相当于Kmeans聚类

重复分割过程，直到每个空间内的点个数小于设定值

可以同时在多个接近的分支上查找

或通过不同初始划分，生成多个树