鮑舒恬

（北京語言大學(xué)信息科學(xué)學(xué)院，北京，100083）

引言

目前，基于深度學(xué)習(xí)技術(shù)而面向自然語言的處理任務(wù)為該領(lǐng)域提供了許多新的研究思路與方向。自然語言處理技術(shù)作為一種交叉學(xué)科出現(xiàn)，研究中既包含有最主要的計算機科學(xué)，同時也涉及到人工智能學(xué)、語言學(xué)以及心理學(xué)、邏輯學(xué)等重要領(lǐng)域。在研究方面，人工智能為了能夠?qū)ψ匀徽Z言進行處理，必須具備實體識別、機器翻譯、詞性標注等能力，因此需要選用專門的深度學(xué)習(xí)方法。

1 人工智能領(lǐng)域自然語言處理的深度學(xué)習(xí)方法

1.1 前饋神經(jīng)網(wǎng)絡(luò)應(yīng)用

前饋神經(jīng)網(wǎng)絡(luò)（Feed Forward Neural Network,FNN）又被稱為多層感知機模型，這種神經(jīng)網(wǎng)絡(luò)模型主要應(yīng)用于多任務(wù)環(huán)境之中。但是隨著處理環(huán)境的復(fù)雜化，模型內(nèi)部結(jié)構(gòu)的復(fù)雜程度也逐漸提高，很可能導(dǎo)致神經(jīng)網(wǎng)絡(luò)訓(xùn)練困難。而在圖形處理技術(shù)的突破下，前饋神經(jīng)網(wǎng)絡(luò)被再次提起，且開始廣泛應(yīng)用于自然語言處理。在計算機技術(shù)領(lǐng)域，前饋神經(jīng)網(wǎng)絡(luò)當中的反向傳播算法（Back Propaganda）能夠在深度學(xué)習(xí)過程中對不同層級之間存在的錯誤驅(qū)動進行優(yōu)化，最終完成對網(wǎng)絡(luò)參數(shù)的調(diào)整。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）作為一種FNN已成為了主流模型之一，相較于其他模型它可以使用卷積核來擴展描述空間，增加模型深度，并且訓(xùn)練過程中所需要調(diào)整的參數(shù)也較少，進行自然語言處理時，通常將文本中的句子向量化為矩陣，卷積后得到句向量特征。

1.2 遞歸神經(jīng)網(wǎng)絡(luò)

在技術(shù)的發(fā)展中前饋神經(jīng)網(wǎng)絡(luò)受到技術(shù)制約形成瓶頸，導(dǎo)致其只能單獨處理一個輸入。為了提高神經(jīng)網(wǎng)絡(luò)的處理系列數(shù)據(jù)的能力，技術(shù)人員希望通過遞歸神經(jīng)網(wǎng)絡(luò)（Recurent Neural Network,RNN）來對時間遞歸結(jié)構(gòu)進行表達，從而使數(shù)據(jù)學(xué)習(xí)能夠擁有明確的時間序列關(guān)系，同時使訓(xùn)練模型擁有記憶性，將前后的輸入關(guān)聯(lián)起來。在RNN當中，為了能夠完成深度學(xué)習(xí)的建模，需要通過包含三個隱含層的神經(jīng)網(wǎng)絡(luò)進行模型組建。在時序信息方面，不同的時刻都可以依照隱含層當中所含有的激活值（Activation）進行遞歸，從而形成具有輸入層到隱含層連接權(quán)的權(quán)值參數(shù)矩陣，并能夠計算得出偏置向量（Bias Vector）以及激活函數(shù)（activation function）[1]。根據(jù)RNN的特征，可以實現(xiàn)損失函數(shù)的時域反向傳播，最終再借助低度下降發(fā)完成學(xué)習(xí)網(wǎng)絡(luò)參數(shù)的確定。這種神經(jīng)網(wǎng)絡(luò)方法在元模型學(xué)習(xí)、機器翻譯以及語義標注方面，均有著良好的效果。

不過普通的 RNN在實際應(yīng)用中經(jīng)常因為無法處理遠距離依賴而導(dǎo)致訓(xùn)練效果不佳，而長短時記憶網(wǎng)絡(luò)（Long Short Term Memory Network, LSTM）則解決了這一缺陷。但是這種改進使得LSTM的模型變得十分復(fù)雜，于是GRU（Gated Recurrent Unit）隨之被提出，這是一種RNN的變體，它簡化了LSTM模型且能達到較好的自然語言處理效果，因此被廣泛應(yīng)用。

1.3 神經(jīng)網(wǎng)絡(luò)詞向量

在人工智能神經(jīng)網(wǎng)絡(luò)的自然語言處理技術(shù)研究中，通過神經(jīng)網(wǎng)絡(luò)的方式對文本稀疏性較小的大規(guī)模語料進行分析，從而獲取復(fù)雜的上下文關(guān)系時一種具有分布式特征的詞編碼技術(shù)，這種技術(shù)被稱為神經(jīng)網(wǎng)絡(luò)中的“詞向量”，用來進行分詞工作，這在自然語言處理中是極為重要的準備工作之一。在技術(shù)研究領(lǐng)域，目前廣為人所知的詞向量主要有g(shù)love詞向量、word2vec詞向量、HLBL詞向量以及SENNA詞向量等。在相關(guān)的研究中，研究人員發(fā)現(xiàn)，不同的詞向量規(guī)則具有不同的特點。例如word2vec詞向量中，詞向量之間具有語義上的聯(lián)系，表現(xiàn)為詞向量之間的加減關(guān)系，這種關(guān)系的存在使其具有高科用量。相較于前者，于2014年所提出的glove詞向量通過矩陣的方式實現(xiàn)更為優(yōu)異的性能，除了能夠使測評指標更具優(yōu)勢之外，還能夠解決諸多自然語言的測評任務(wù)。

2 人工智能自然語言處理深度學(xué)習(xí)的應(yīng)用方法

2.1 神經(jīng)網(wǎng)絡(luò)的模型建設(shè)

在現(xiàn)階段的深度學(xué)習(xí)模型建構(gòu)中，通常采用Nivre分析方法作為主要的確定性分析方法，這種分析方法能夠通過對自然語言進行特征提取的方式進行分類，而其所提取的數(shù)據(jù)則能夠表示當前文本上下文的依存關(guān)系，進而完成句法分析。依據(jù)Nivre分析方法，本文在進行模型建設(shè)時采用了三元組的方式對分析過程格局進行表示。三元組主要包含有堆棧、節(jié)點序列以及依存弧集合三個部分，分別以字母S、I、A進行表示。在分析動作中，通過模型的特征向量進行三元組特征的提取能夠?qū)崿F(xiàn)句法分析，最終實現(xiàn)分析決策。在三元組信息當中，需要包含以下幾個方面的信息內(nèi)容。

首先，三元組應(yīng)當包含有詞信息。無論是堆棧還是節(jié)點序列緩存，其內(nèi)部都包含有大量的詞信息，這些詞信息可能已被處理，也可能尚未進行處理。同時詞帶有的特征十分明顯，因此在對模型潛入之前，這類詞往往需要通過稀疏的方式進行表達，但在完成了潛入之后，詞所擁有的特征則以稠密的方式進行表述，即Dense Representation；其次，在詞內(nèi)部還具有一定量的詞性信息，這種詞性信息在模型中與前者的保持一一對應(yīng)，從而實現(xiàn)每一個詞都擁有一個相對固定的對應(yīng)詞性；最后，在三元組當中還應(yīng)具有依存弧信息，這種信息的主要功能在于對已經(jīng)完成處理的詞信息進行依存關(guān)系的表現(xiàn)。

通過這些信息，可以使三元組得到重新組合，并擁有二階特征（Second Order），使得不同的詞的特征在進行模型組合時更加具有效率。與傳統(tǒng)的句法分析方式不同，在應(yīng)用了三元組的神經(jīng)網(wǎng)絡(luò)模型中，詞的不同類型能夠?qū)崿F(xiàn)彼此之間的相互組合，并且這種組合方式能夠作用于不同的層級之中。

2.2 深度學(xué)習(xí)的模型層級

在應(yīng)用于自然語言處理的神經(jīng)網(wǎng)絡(luò)模型當中，人工智能可以實現(xiàn)非線性函數(shù)狀態(tài)下的語言特征組合，而為了能夠使神經(jīng)網(wǎng)絡(luò)三元組的特征表現(xiàn)出來，在模型當中需要依托多層級的方式進行提取特征的分類訓(xùn)練。本文在進行研究時發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)模型可以分為輸入層、嵌入層以及隱含層和softmax層等四個層級[2]。

其中，輸入層是整個神經(jīng)網(wǎng)絡(luò)模型的第一個層級，其主要的功能在與對已經(jīng)完成構(gòu)建的分析格局三元組進行處理，從而使神經(jīng)網(wǎng)絡(luò)能夠獲取其內(nèi)部的元特征（Atomic Feature）內(nèi)容；嵌入層則是輸入層之后的處理層級，這一個層級當中，要由與三元組中各個特征相對應(yīng)的子嵌入層組成，各個子嵌入層彼此獨立，且負責(zé)對詞信息、詞性和依存弧特征進行獲取，最終完成三元組特征中離散稀疏到稠密的轉(zhuǎn)換；隱含層則需要對嵌入層當中完成轉(zhuǎn)換的稠密特征進行處理，使其能夠進行非線性的變換；而softmax層則在隱含層之后，對自然語言的非線性轉(zhuǎn)換結(jié)果進行分類和預(yù)測，從而保證神經(jīng)網(wǎng)絡(luò)能夠完成對于自然語言處理的訓(xùn)練。

2.3 深度信念網(wǎng)絡(luò)訓(xùn)練

在理論研究中，研究人員發(fā)現(xiàn)，通過對既有的受限玻爾茲曼機（Restricted Boltzmann Machine）進行堆疊，可以形成全新的訓(xùn)練模型。這種模型被稱為深度信念網(wǎng)絡(luò)模型（Deep Belief Nets），該模型在應(yīng)用中能夠依托網(wǎng)絡(luò)訓(xùn)練權(quán)重，對輸入層的數(shù)據(jù)進行還原訓(xùn)練。在開展訓(xùn)練時，深度信念網(wǎng)絡(luò)模型依據(jù)可見層RBM進行原始數(shù)據(jù)的輸入，使原始的語言數(shù)據(jù)能夠在層級內(nèi)部進行處理。隨后，深度信念網(wǎng)絡(luò)模型會對其內(nèi)部的層級數(shù)量進行檢驗，確認層級數(shù)量是否能夠滿足執(zhí)行步驟，如果無法滿足執(zhí)行步驟，則需要重新進行原始數(shù)據(jù)獲取，直到滿足為止。在毛南族層級數(shù)量滿足執(zhí)行步驟需求后，深度信念網(wǎng)絡(luò)則對內(nèi)部層級進行微調(diào)，從而使深度學(xué)習(xí)算法模型能夠?qū)崿F(xiàn)有效收斂，最終獲得局部最優(yōu)解[3]。在研究領(lǐng)域，有研究專家指出了深度學(xué)習(xí)方法在深度信念網(wǎng)絡(luò)之中的層數(shù)設(shè)置方式。層數(shù)設(shè)置可以通過自編碼器來完成，從而實現(xiàn)網(wǎng)絡(luò)的泛化和拓展。自編碼器能夠取代網(wǎng)絡(luò)模型中的每一層的RBM，從而實現(xiàn)簡單的堆疊，這種堆疊能偶成為堆疊式的自編碼網(wǎng)格（Stacked Auto Encoders）。這種網(wǎng)格編碼方式是神經(jīng)網(wǎng)絡(luò)中對于自然語言的稀疏特性的一種獨特的隱藏方式。借助神經(jīng)元的抑制狀態(tài)可以實現(xiàn)稀疏自編碼網(wǎng)格。在實踐應(yīng)用中發(fā)現(xiàn)，這種網(wǎng)格化能夠具有對自然語言特征的學(xué)習(xí)能力，最終實現(xiàn)廣泛的多模態(tài)檢索。

3 結(jié)束語

綜上所述，人工智能的深度學(xué)習(xí)是一項蓬勃發(fā)展的新技術(shù)，不過在目前階段，對于自然語言的處理尚有許多亟待突破的技術(shù)瓶頸，等待技術(shù)發(fā)展予以攻克。在神經(jīng)網(wǎng)絡(luò)的研究中，仿生學(xué)對于深度學(xué)習(xí)的模擬仍然處于起步階段，其諸多結(jié)果都是具有試驗性的，需要依托未來的技術(shù)發(fā)展予以提升。

[1]吳稟雅, 魏苗.從深度學(xué)習(xí)回顧自然語言處理詞嵌入方法[J].電腦知識與技術(shù), 2016, 12(36): 184-185.

[2]趙棟材, 周雁.基于深度學(xué)習(xí)的電子文本自然語言處理系統(tǒng)[J].電子技術(shù)與軟件工程, 2018, (03): 180.

[3]陳利民, 王金芳.學(xué)生深度學(xué)習(xí)源于教學(xué)環(huán)節(jié)的優(yōu)化[J].教育, 2017,(52): 16-18.

[4]奚雪峰, 周國棟.面向自然語言處理的深度學(xué)習(xí)研究[J].自動化學(xué)報,2016, 4210: 1445-1465.

[5]樂明, 孫博洋.自然語言形式分析的作用和前景——兼評《自然語言計算機形式分析的理論與方法》[J].外語電化教學(xué), 2017, 06: 89-96.