Welcome to EverybodyWiki 😃 ! Nuvola apps kgpg.png Log in or ➕👤 create an account to improve, watchlist or create an article like a 🏭 company page or a 👨👩 bio (yours ?)...

مدل‌سازی زبانی (در حال تکمیل ترجمه)

از EverybodyWiki Bios & Wiki
پرش به:ناوبری، جستجو

مدل زبان آماری یک توزیع احتمال روی دنباله‌ی کلمات است. به طور مثال اگر دنباله‌ای به طول m داشته باشیم، این مدل احتمال '"`UNIQ--postMath-00000001-QINU`"' را به کل دنباله می‌دهد.

مدل زبان بافتی (زبان‌شناسی) را برای تمایز بین کلمات و عباراتی که به نظر مشابه می‌رسند فراهم می‌کند. به عنوان مثال، در انگلیسی آمریکایی، عبارات "recognize speech" و "wreck a nice beach" شبیه به هم هستند، اما معنی های مختلفی دارند.

پراکندگی داده‌ها یک مشکل اساسی در ساخت مدل‌های زبان است. بیشتر توالی‌های ممکن کلمات در آموزش مشاهده نمی‌شوند. یک راه حل این است که فرض کنیم احتمال کلمه فقط به n کلمه قبلی بستگی دارد. این مدل به عنوان مدل n -gram شناخته می‌شود و زمانی که 1=n باشد مدل به عنوان unigram شناخته می‌شود. مدل یونیگرام به عنوان مدل کیسه‌های کلمات نیز شناخته می شود.

تخمین احتمال نسبی عبارات مختلف در بسیاری از کاربردهای پردازش زبان طبیعی، به ویژه مواردی که متن را به عنوان خروجی تولید می کنند، مفید است. از مدل سازی زبان در تشخیص گفتار ، [۱] ترجمه ماشینی ، برچسب‌گذاری کلمات، تجزیه ، [۲] نویسه‌خوان نوری ، تشخیص دست خط ، [۳] بازیابی اطلاعات و سایر برنامه ها استفاده می شود.

در تشخیص گفتار، اصوات با توالی کلمات مطابقت دارند. حل ابهامات هنگامی که شواهد از مدل زبان با یک مدل تلفظ و یک مدل صوتی ادغام شده است، آسان تر است.

مدل‌های زبانی در بازیابی اطلاعات در مدل احتمال پرسشی استفاده می‌شود. در آنجا، یک مدل زبان جداگانه با هر مستند در یک مجموعه مرتبط است. مستندها بر اساس احتمال پرسش Q در مدل زبان مستند رتبه‌بندی می‌شوند. '"`UNIQ--postMath-00000002-QINU`"' : '"`UNIQ--postMath-00000003-QINU`"' . معمولاً برای این منظور از مدل زبان unigram استفاده می شود.

انواع مدل[ویرایش]

یونیگرام[ویرایش]

یک مدل یونیگرام را می توان ترکیبی از چندین ماشین حالات متناهی یک حالته دانست. [۴] این احتمالات کلمات مختلف در یک زمینه را تقسیم می‌کند، به عنوان مثال از

'"`UNIQ--postMath-00000004-QINU`"'

به

'"`UNIQ--postMath-00000005-QINU`"'

در این مدل، احتمال هر کلمه فقط به احتمال خود آن کلمه در مستند بستگی دارد ، بنابراین ما فقط ماشین حالت یک حالته را به عنوان واحدها داریم. خودکار توزیع احتمال در کل واژگان مدل را دارد و جمع می شود به 1. در زیر تصویر مدل یونیگرام یک مستند را می‌بینیم.

کلمات احتمال در مستند
a 0.1
world 0.2
likes 0.05
we 0.05
share 0.3
. . . . . .
'"`UNIQ--postMath-00000006-QINU`"'

احتمال ایجاد شده برای یک پرسش خاص به صورت زیر محاسبه می‌شود

'"`UNIQ--postMath-00000007-QINU`"'

مستند‌های مختلف دارای مدل‌های یونیگرام هستند که احتمال مختلف کلمات در آن وجود دارد. توزیع احتمال از مستند‌های مختلف وجود کلمه برای هر جستجو استفاده می‌شود. مستند‌ها را می‌توان برای یک پرسش با توجه به احتمالات رتبه‌بندی کرد. نمونه ای از مدل‌های یونیگرام دو مستند:

کلمات احتمال در مستند اول احتمال در مستند دوم
a 0.1 0.3
world 0.2 0.1
likes 0.05 0.03
we 0.05 0.02
share 0.3 0.2
. . . . . . . . .

در زمینه‌های بازیابی اطلاعات، برای جلوگیری از مواردی که احتمال کلمه در آن صفر شود، آن را smooth می‌کنند. یک رویکرد معمول ایجاد مدل حداکثر احتمال برای کل مجموعه و درون‌یابی خطی مدل مجموعه با یک مدل حداکثر احتمال برای هر مستند برای smooth کردن مدل است. [۵]

n-gram[ویرایش]

در مدل n-gram، احتمال '"`UNIQ--postMath-00000008-QINU`"' از مشاهده جمله '"`UNIQ--postMath-00000009-QINU`"' به صورت زیر محاسبه می‌شود

'"`UNIQ--postMath-0000000A-QINU`"'

فرض بر این است که احتمال مشاهده‌ی iامین کلمه (wi) در i-1 کلمه قبل را می توان با احتمال مشاهده آن در تاریخچه متن کوتاه شده 10 کلمه قبلی تقریب زد. (کلمه nام خاصیت مارکوف).

احتمال شرطی را می‌توان از تعداد کلمه در مدل n -gram محاسبه کرد:

'"`UNIQ--postMath-0000000B-QINU`"'

اصطلاحات مدل‌های زبانی bigram و trigram، مدل n-gram با n = 2 و n = 3 [۶] نشان می‌دهد.

به طور معمول، احتمالات مدل n-gram مستقیماً از تعداد فرکانس ها بدست نمی‌آیند، زیرا مدل‌هایی که از این طریق بدست آمده‌اند هنگام مواجهه با هر n-gramsی که قبلاً به طور صریح دیده نشده است، مشکلات جدی دارند. در عوض، نوعی smoothing نیاز است تا مقداری از کل احتمال را به کلمات یا n-gramهای دیده نشده اختصاص دهد. از روش های مختلفی استفاده می‌شود ، از روش ساده "add-one" (اختصاص عدد 1 به n-gram مشاهده نشده، به عنوان یک توزیع پیشین) تا مدل‌های پیچیده‌تر، مانند Good-Turing discounting یا مدل‌های back-off.

دو طرفه[ویرایش]

بازنمایی های دو طرفه هم در قبل و هم در بعد متن (به عنوان مثال ، کلمات) در همه لایه‌ها شرط هستند. [۷]

مثال[ویرایش]

در یک مدل زبان bigram (n = 2)، احتمال I saw the red house به طور تقریبی به صورت زیر محاسبه می‌شود

'"`UNIQ--postMath-0000000C-QINU`"'

در حالی که در یک مدل زبان trigram ( n = 3)، به طور تقریبی به صورت زیر محاسبه می‌شود

'"`UNIQ--postMath-0000000D-QINU`"'

توجه داشته باشید که زمینه‌ی n - 1 تا n-gram اولیه با نشانگرهای شروع جمله پر می‌شود ، که به طور معمول <s> نشان داده می‌شود.

علاوه بر این، بدون نشانگر پایان جمله، احتمال دنباله ای بدون گرامر * I saw the بیشتر از جمله طولانی‌تر I saw the red house است.

نمایی[ویرایش]

مدل‌های زبان اصل حداکثر آنتروپی با استفاده از توابع ویژگی، رابطه بین کلمه و تاریخچه n-gram را رمزگذاری می‌کنند. معادله‌ی آن به صورت زیر است

'"`UNIQ--postMath-0000000E-QINU`"'

که '"`UNIQ--postMath-0000000F-QINU`"' تابع partition، '"`UNIQ--postMath-00000010-QINU`"' بردار پارامتر و '"`UNIQ--postMath-00000011-QINU`"' تابع ویژگی هستند. در ساده ترین حالت، تابع ویژگی فقط نشانگر وجود یک n-gram خاص است. استفاده از پیش‌فرض روی a یا منظم‌ساز مفید خواهد بود.

مدل log-bilinear نمونه دیگری از مدل‌‌های زبانی نمایی است.

شبکه عصبی[ویرایش]

مدل‌های زبانی عصبی (یا مدل های زبان فضایی پیوسته) برای ارائه پیشبینی‌های خود از نمایش های پیوسته یا نمایش کلمات استفاده می‌کنند. [۸] این مدل ها از شبکه‌های عصبی استفاده می‌کنند.

نمایانگر پیوسته فضا به کاهش نفرین ابعاد در مدل سازی زبان کمک می‌کند: با آموزش مدل‌های زبان بر روی متن های بزرگتر و بزرگتر ، تعداد کلمات منحصر به فرد (واژگان) افزایش می یابد. تعداد توالی‌های احتمالی کلمات با اندازه واژگان به طور تصاعدی افزایش مییابد و به دلیل تعداد زیاد توالی‌ها، باعث ایجاد مشکل پراکندگی داده‌ها می شود. بنابراین ، برای برآورد صحیح احتمالات، به آمار نیاز است. شبکه های عصبی با نمایش کلمات به صورت توزیع شده، به عنوان ترکیب‌های غیرخطی وزن‌ها در یک شبکه عصبی، از این مشکل جلوگیری می کنند. [۹] یک توصیف جایگزین این است که یک شبکه عصبی عملکرد زبان را تقریبی می‌کند. معماری شبکه عصبی ممکن است پیشخور یا بازگشتی باشد، و گرچه اولی ساده تر است دومی بیشتر مورد استفاده قرار می‌گیرد. [ نیاز به منبع ] به طور معمول، مدل‌های زبان شبکه عصبی به عنوان طبقه‌بندی کننده های احتمالی ساخته می شوند و آموزش می‌بینند که توزیع احتمال را پیشبینی کنند

'"`UNIQ--postMath-00000012-QINU`"' .

یعنی شبکه با توجه به متن زبان برای پیش بینی توزیع احتمال بر روی واژگان آموزش دیده است. این کار با استفاده از الگوریتم های استاندارد آموزش عصبی عصبی مانند گرادیان کاهشی تصادفی همراه با پس‌انتشار انجام می‌شود. [۹] متن ممکن است یک پنجره با اندازه ثابت کلمات قبلی باشد، شبکه احتمال زیر را پیشبینی می‌کند

'"`UNIQ--postMath-00000013-QINU`"'

از بردار ویژگی که نشان‌دهنده k کلمه‌ی قبلی است. [۹] گزینه دیگر استفاده از کلمات "بعدی" علاوه بر کلمات "قبلی" به عنوان ویژگی است، احتمال تخمین زده شده برابر است با

'"`UNIQ--postMath-00000014-QINU`"' .

به این مدل کیسه کلمات گفته می‌شود. وقتی بردارهای مشخصه کلمات در متن با یک عمل پیوسته ترکیب می‌شوند، از این مدل به عنوان معماری پیوسته کلمات (CBOW) یاد می‌شود. [۱۰]

گزینه سوم که با سرعت کمتری نسبت به CBOW آموزش داده می‌شود اما عملکرد کمی بهتر دارد، معکوس کردن مشکل قبلی و ایجاد یک شبکه عصبی برای یادگیری متن است. [۱۰] به صورت رسمی‌تر، با داشتن دنباله‌ای از کلمات آموزشی '"`UNIQ--postMath-00000015-QINU`"' ، تابعی که متوسط احتمال را به حداکثر می رساند برابر است با

'"`UNIQ--postMath-00000016-QINU`"'

که k، اندازه متن آموزش، می‌تواند تابعی از کلمه وسط ('"`UNIQ--postMath-00000017-QINU`"') باشد. به این مدل زبان skip-gram می‌گویند. مدل‌های کیسه کلمات و skip-gram پایه‌های word2vec هستند. [۱۱]

به جای استفاده از مدل‌های زبانی شبکه عصبی برای تولید احتمالات واقعی، معمولاً از نمایش توزیع شده در لایه های "پنهان" شبکه به عنوان نمایش کلمات استفاده می‌شود. سپس هر کلمه بر روی یک بردار واقعی n بعدی قرار می گیرد که word embedding نامیده می‌شود، به طوری که n اندازه لایه قبل از لایه خروجی است. نمایش‌ها در مدل‌های skip-gram دارای مشخصه متمایزی است که آنها روابط معنایی بین کلمات را به صورت ترکیب‌های خطی مدل‌سازی می‌کنند و نوعی ترکیب‌بندی را بدست می‌آورند. به عنوان مثال، در برخی از این مدل‌ها، اگر v تابعی باشد که یک کلمه w را به نمایش n-بعدی تبدیل کند، داریمː

'"`UNIQ--postMath-00000018-QINU`"'

که ≈ با این شرط که سمت راست آن باید نزدیکترین همسایه مقدار سمت چپ باشد، دقیق‌تر می‌شود. [۱۰] [۱۲]

دیگر[ویرایش]

یک مدل زبان موقعیتی احتمال وقوع کلمات معین نزدیک به یکدیگر را در یک متن ارزیابی می‌کند، لزوماً بلافاصله مجاور نیستند. به همین ترتیب، مدلهای بسته بندی مفاهیمی از معانی معنایی مرتبط با عبارات چند کلمه‌ای مانند buy_christmas_present استفاده می‌کنند، حتی وقتی از آن‌ها در جملات غنی از اطلاعات مانند "today I bought a lot of very nice Christmas presents" استفاده می شود.

علیرغم موفقیت‌های محدود در استفاده از شبکه های عصبی، [۱۳] نویسندگان نیاز به تکنیک‌های دیگر را هنگام مدل‌سازی زبان اشاره تأیید می‌کنند.

معیارها[ویرایش]

مجموعه داده‌های مختلفی برای استفاده برای ارزیابی سیستم‌های پردازش زبان ساخته شده است. [۷] که شامل موارد زیر می‌شود:

  • Corpus of Linguistic Acceptability [۱۴]
  • GLUE benchmark [۱۵]
  • Microsoft Research Paraphrase Corpus [۱۶]
  • Multi-Genre Natural Language Inference
  • Question Natural Language Inference
  • Quora Question Pairs [۱۷]
  • Recognizing Textual Entailment [۱۸]
  • Semantic Textual Similarity Benchmark
  • SQuAD question answering Test [۱۹]
  • Stanford Sentiment Treebank[۲۰]
  • Winograd NLI

همچنین ببینید[ویرایش]

  • Statistical model
  • Factored language model
  • Cache language model
  • Katz's back-off model
  • Transformer
  • BERT
  • GPT
  • GPT-3

یادداشت[ویرایش]

منابع[ویرایش]

استناد[ویرایش]

  1. Kuhn, Roland, and Renato De Mori. "A cache-based natural language model for speech recognition." IEEE transactions on pattern analysis and machine intelligence 12.6 (1990): 570-583.
  2. Andreas, Jacob, Andreas Vlachos, and Stephen Clark. "Semantic parsing as machine translation." Proceedings of the 51st Annual Meeting of the Association for Computational Linguistics (Volume 2: Short Papers). 2013.
  3. Pham, Vu, et al. "Dropout improves recurrent neural networks for handwriting recognition." 2014 14th International Conference on Frontiers in Handwriting Recognition. IEEE, 2014.
  4. Christopher D. Manning, Prabhakar Raghavan, Hinrich Schütze: An Introduction to Information Retrieval, pages 237–240. Cambridge University Press, 2009
  5. Buttcher, Clarke, and Cormack. Information Retrieval: Implementing and Evaluating Search Engines. pg. 289–291. MIT Press.
  6. Craig Trim, What is Language Modeling?, April 26th, 2013.
  7. ۷٫۰ ۷٫۱ Devlin, Jacob; Chang, Ming-Wei; Lee, Kenton; Toutanova, Kristina (2018-10-10). "BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding". arXiv:1810.04805 [cs.CL].
  8. Karpathy, Andrej. "The Unreasonable Effectiveness of Recurrent Neural Networks".صفحه پودمان:Citation/CS1/en/styles.css محتوایی ندارد.
  9. ۹٫۰ ۹٫۱ ۹٫۲ خطای لوآ در پودمان:Citation/CS1/en/Identifiers در خط 47: attempt to index field 'wikibase' (a nil value).
  10. ۱۰٫۰ ۱۰٫۱ ۱۰٫۲ Mikolov, Tomas; Chen, Kai; Corrado, Greg; Dean, Jeffrey (2013). "Efficient estimation of word representations in vector space". arXiv:1301.3781 [cs.CL].
  11. Harris, Derrick (16 August 2013). "We're on the cusp of deep learning for the masses. You can thank Google later". Gigaom.صفحه پودمان:Citation/CS1/en/styles.css محتوایی ندارد.
  12. خطای یادکرد: برچسب <ref> نامعتبر؛ متنی برای ارجاع‌های با نام compositionality وارد نشده‌است
  13. Mocialov, Boris; Hastie, Helen; Turner, Graham (August 2018). "Transfer Learning for British Sign Language Modelling". Proceedings of the Fifth Workshop on NLP for Similar Languages, Varieties and Dialects (VarDial 2018). Retrieved 14 March 2020.صفحه پودمان:Citation/CS1/en/styles.css محتوایی ندارد.
  14. "The Corpus of Linguistic Acceptability (CoLA)". nyu-mll.github.io. Retrieved 2019-02-25.صفحه پودمان:Citation/CS1/en/styles.css محتوایی ندارد.
  15. "GLUE Benchmark". gluebenchmark.com (به English). Retrieved 2019-02-25.صفحه پودمان:Citation/CS1/en/styles.css محتوایی ندارد.
  16. "Microsoft Research Paraphrase Corpus". Microsoft Download Center (به English). Retrieved 2019-02-25.صفحه پودمان:Citation/CS1/en/styles.css محتوایی ندارد.
  17. خطای لوآ در پودمان:Citation/CS1/en/Identifiers در خط 47: attempt to index field 'wikibase' (a nil value).
  18. Sammons, V.G.Vinod Vydiswaran, Dan Roth, Mark; Vydiswaran, V.G.; Roth, Dan. "Recognizing Textual Entailment" (PDF). Retrieved February 24, 2019.صفحه پودمان:Citation/CS1/en/styles.css محتوایی ندارد.
  19. "The Stanford Question Answering Dataset". rajpurkar.github.io. Retrieved 2019-02-25.صفحه پودمان:Citation/CS1/en/styles.css محتوایی ندارد.
  20. "Recursive Deep Models for Semantic Compositionality Over a Sentiment Treebank". nlp.stanford.edu. Retrieved 2019-02-25.صفحه پودمان:Citation/CS1/en/styles.css محتوایی ندارد.

منابع[ویرایش]

  • خطای لوآ در پودمان:Citation/CS1/en/Identifiers در خط 47: attempt to index field 'wikibase' (a nil value).
  • خطای لوآ در پودمان:Citation/CS1/en/Identifiers در خط 47: attempt to index field 'wikibase' (a nil value).
  • خطای لوآ در پودمان:Citation/CS1/en/Identifiers در خط 47: attempt to index field 'wikibase' (a nil value).

لینک های خارجی[ویرایش]

نرم افزار[ویرایش]

  • BERT در گیت‌هاب- نمایشگرهای رمزگذار دو طرفه از ترانسفورماتورها
  • CSLM - جعبه ابزار رایگان برای مدلهای زبان عصبی پیشگام
  • DALM در گیت‌هاب- نرم افزار سریع و رایگان برای درخواست های مدل زبان
  • ترانسفورماتور آموزش دیده از قبل
  • IRSTLM on سورس‌فورج - نرم افزار رایگان برای مدل سازی زبان
  • Kylm (جعبه ابزار مدل سازی زبان کیوتو) - جعبه ابزار رایگان مدل سازی زبان در جاوا
  • KenLM - نرم افزار سریع و رایگان برای مدل سازی زبان
  • LMSharp در گیت‌هاب- جعبه ابزار مدل زبان رایگان برای مدل های n -gram صاف Kneser – Ney و مدل های شبکه عصبی مکرر
  • MITLM در گیت‌هاب- مجموعه ابزار مدل سازی زبان MIT. نرم افزار رایگان
  • NPLM - جعبه ابزار رایگان برای مدلهای زبان عصبی پیشگام
  • OpenGrm NGram library - نرم افزار رایگان برای مدل سازی زبان. ساخته شده در OpenFst.
  • OxLM در گیت‌هاب- جعبه ابزار رایگان برای مدلهای زبان عصبی پیشگام
  • مدل زبان موقعیتی
  • RandLM on سورس‌فورج - نرم افزار رایگان برای مدل سازی تصادفی زبان
  • RNNLM - مجموعه ابزارهای مدل زبان عصبی تکراری رایگان
  • SRILM - نرم افزار اختصاصی برای مدل سازی زبان
  • VariKN - نرم افزار رایگان برای ایجاد ، رشد و هرس مدل های n -gram صاف Kneser-Ney.
  • مدل های زبانی که روی داده های شبکه خبری آموزش داده شده اند


This article "مدل‌سازی زبانی (در حال تکمیل ترجمه)" is from Wikipedia. The list of its authors can be seen in its historical and/or the page Edithistory:مدل‌سازی زبانی (در حال تکمیل ترجمه). Articles copied from Draft Namespace on Wikipedia could be seen on the Draft Namespace of Wikipedia and not main one.



Read or create/edit this page in another language

Cookies help us deliver our services. By using our services, you agree to our use of cookies.