aitech-moj-2023/wyk/08_Podobienstwo_slow.ipynb

{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "![Logo 1](https://git.wmi.amu.edu.pl/AITech/Szablon/raw/branch/master/Logotyp_AITech1.jpg)\n",
    "<div class=\"alert alert-block alert-info\">\n",
    "<h1> Modelowanie języka</h1>\n",
    "<h2> 08. <i>Podobieństwo słów</i>  [wykład]</h2> \n",
    "<h3> Filip Graliński (2022)</h3>\n",
    "</div>\n",
    "\n",
    "![Logo 2](https://git.wmi.amu.edu.pl/AITech/Szablon/raw/branch/master/Logotyp_AITech2.jpg)\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Podobieństwo słów\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### Słabości $n$-gramowych modeli języka\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Podstawowa słabość $n$-gramowych modeli języka polega na tym, że każde\n",
    "słowo jest traktowane w izolacji. W, powiedzmy, bigramowym modelu\n",
    "języka każda wartość $P(w_2|w_1)$ jest estymowana osobno, nawet dla —\n",
    "w jakimś sensie podobnych słów. Na przykład:\n",
    "\n",
    "-   $P(\\mathit{zaszczekał}|\\mathit{pies})$, $P(\\mathit{zaszczekał}|\\mathit{jamnik})$, $P(\\mathit{zaszczekał}|\\mathit{wilczur})$ są estymowane osobno,\n",
    "-   $P(\\mathit{zaszczekał}|\\mathit{pies})$, $P(\\mathit{zamerdał}|\\mathit{pies})$, $P(\\mathit{ugryzł}|\\mathit{pies})$ są estymowane osobno,\n",
    "-   dla każdej pary $u$, $v$, gdzie $u$ jest przyimkiem (np. *dla*), a $v$ — osobową formą czasownika (np. *napisał*) model musi się uczyć, że $P(v|u)$ powinno mieć bardzo niską wartość.\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "### Podobieństwo słów jako sposób na słabości $n$-gramowych modeli języka?\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Intuicyjnie wydaje się, że potrzebujemy jakiegoś sposobu określania podobieństwa słów, tak aby\n",
    "w naturalny sposób, jeśli słowa $u$ i $u'$ oraz $v$ i $v'$ są bardzo podobne, wówczas\n",
    "$P(u|v) \\approx P(u'|v')$.\n",
    "\n",
    "Można wskazać trzy sposoby określania podobieństwa słów: odległość\n",
    "edycyjna Lewensztajna, hierarchie słów i odległość w przestrzeni wielowymiarowej.\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "#### Odległość Lewensztejna\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Słowo *dom* ma coś wspólnego z *domem*, *domkiem*, *domostwem*,\n",
    "    *domownikami*, *domowym* i *udomowieniem* (?? — tu już można mieć\n",
    "    wątpliwości). Więc może oprzeć podobieństwa na powierzchownym\n",
    "    podobieństwie?\n",
    "\n",
    "Możemy zastosować tutaj **odległość Lewensztejna**, czyli minimalną liczbę operacji edycyjnych, które\n",
    "są potrzebne, aby przekształcić jedno słowo w drugie. Zazwyczaj jako elementarne operacje edycyjne\n",
    "definiuje się:\n",
    "\n",
    "-   usunięcie znaku,\n",
    "-   dodanie znaku,\n",
    "-   zamianu znaku.\n",
    "\n",
    "Na przykład odległość edycyjna między słowami *domkiem* i *domostwem*\n",
    "wynosi 4: zamiana *k* na *o*, *i* na *s*, dodanie *t*, dodanie *w*.\n",
    "\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 1,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "4"
     ]
    }
   ],
   "source": [
    "import Levenshtein\n",
    "Levenshtein.distance('domkiem', 'domostwem')"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Niestety, to nie jest tak, że słowa są podobne wtedy i tylko wtedy, gdy *wyglądają* podobnie:\n",
    "\n",
    "-   *tapet* nie ma nic wspólnego z *tapetą*,\n",
    "-   słowo *sowa* nie wygląda jak *ptak*, *puszczyk*, *jastrząb*, *kura* itd.\n",
    "\n",
    "Powierzchowne podobieństwo słów łączy się zazwyczaj z relacjami\n",
    "**fleksyjnymi** i **słowotwórczymi** (choć też nie zawsze, por. np. pary\n",
    "słów będące przykładem **supletywizmu**: *człowiek*-*ludzie*,\n",
    "*brać*-*zwiąć*, *rok*-*lata*). A co z innymi własnościami wyrazów czy\n",
    "raczej bytów przez nie denotowanych (słowa oznaczające zwierzęta\n",
    "należące do gromady ptaków chcemy traktować jako, w jakiejś mierze przynajmnie, podobne)?\n",
    "\n",
    "Dodajmy jeszcze, że w miejsce odległości Lewensztejna warto czasami\n",
    "używać podobieństwa Jaro-Winklera, które mniejszą wagę przywiązuje do zmian w końcówkach wyrazów:\n",
    "\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 1,
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "0.6626984126984127"
     ]
    }
   ],
   "source": [
    "import Levenshtein\n",
    "Levenshtein.jaro_winkler('domu', 'domowy')\n",
    "Levenshtein.jaro_winkler('domowy', 'maskowy')"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "#### Klasy i hierarchie słów\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Innym sposobem określania podobieństwa między słowami jest zdefiniowanie klas słów.\n",
    "Słowa należące do jednej klasy będą podobne, do różnych klas — niepodobne.\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "##### Klasy gramatyczne\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Klasy mogą odpowiadać standardowym kategoriom gramatycznym znanym z\n",
    "językoznawstwa, na przykład **częściom mowy** (rzeczownik, przymiotnik,\n",
    "czasownik itd.). Wiele jest niejednoznacznych jeśli chodzi o kategorię części mowy:\n",
    "\n",
    "-   *powieść* — rzeczownik czy czasownik?\n",
    "-   *komputerowi* — rzeczownik czy przymiotnik?\n",
    "-   *lecz* — spójnik, czasownik (!) czy rzeczownik (!!)?\n",
    "\n",
    "Oznacza to, że musimy dysponować narzędziem, które pozwala\n",
    "automatycznie, na podstawie kontekstu, tagować tekst częściami mowy\n",
    "(ang. *POS tagger*). Takie narzędzia pozwalają na osiągnięcie wysokiej\n",
    "dokładności, niestety zawsze wprowadzają jakieś błędy, które mogą\n",
    "propagować się dalej.\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "##### Klasy indukowane automatycznie\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Zamiast z góry zakładać klasy wyrazów można zastosować metody uczenia\n",
    "nienadzorowanego (podobne do analizy skupień) w celu **wyindukowanie**\n",
    "automatycznie klas (tagów) z korpusu.\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "##### Użycie klas słów w modelu języka\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Najprostszy sposób uwzględnienia klas słów w $n$-gramowym modelowaniu\n",
    "języka polega stworzeniu dwóch osobnych modeli:\n",
    "\n",
    "-   tradycyjnego modelu języka $M_W$ operującego na słowach,\n",
    "-   modelu języka $M_T$ wyuczonego na klasach słów (czy to częściach\n",
    "    mowy, czy klasach wyindukowanych automatycznie).\n",
    "\n",
    "Zauważmy, że rząd modelu $M_T$ ($n_T$) może dużo większy niż rząd modelu $M_W$ ($n_W$) — klas będzie\n",
    "dużo mniej niż wyrazów, więc problem rzadkości danych jest dużo mniejszy i można rozpatrywać dłuższe\n",
    "$n$-gramy.\n",
    "\n",
    "Dwa modele możemy połączyć za pomocą prostej kombinacji liniowej sterowanej hiperparametrem $\\lambda$:\n",
    "\n",
    "$$P(w_i|w_{i-n_T}+1\\ldots w_{i-1}) = \\lambda P_{M_T}(w_i|w_{i-n_W}+1\\ldots w_{i-1}) + (1 - \\lambda) P_{M_W}(w_i|w_{i-n_T}+1\\ldots w_{i-1}).$$\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "##### Hierarchie słów\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Zamiast płaskiej klasyfikacji słów można zbudować hierarchię słów czy\n",
    "pojęć. Taka hierarchia może dotyczyć właściwości gramatycznych\n",
    "(na przykład rzeczownik w liczbie pojedynczej w dopełniaczu będzie podklasą\n",
    "rzeczownika) lub własności denotowanych bytów.\n",
    "\n",
    "Niekiedy dość łatwo stworzyć hierarchie (taksonomię) pojęć. Na\n",
    "przykład jamnik jest rodzajem psa (słowo *jamnik* jest **hiponimem**\n",
    "słowa *pies*, zaś słowo *pies* hiperonimem słowa *jamnik*), pies —\n",
    "ssaka, ssak — zwierzęcia, zwierzę — organizmu żywego, organizm — bytu\n",
    "materialnego.\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "###### Analityczny język Johna Wilkinsa\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Już od dawna filozofowie myśleli o stworzenie języka uniwersalnego, w\n",
    "którym hierarchia bytów jest ułożona w „naturalny” sposób.\n",
    "\n",
    "Przykładem jest angielski uczony John Wilkins (1614-1672). W dziele\n",
    "*An Essay towards a Real Character and a Philosophical Language*\n",
    "zaproponował on rozbudowaną hierarchię bytów.\n",
    "\n",
    "![img](./08_Podobienstwo_slow/wilkins.png \"Fragment dzieła Johna Wilkinsa\")\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "###### Słowosieci\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "Współczesnym odpowiednik hierarchii Wilkinsa są **słowosieci** (ang. /wordnets).\n",
    "Przykłady:\n",
    "\n",
    "-   dla języka polskiego: [Słowosieć](http://plwordnet.pwr.wroc.pl),\n",
    "-   dla języka angielskiego: [Princeton Wordnet](https://wordnet.princeton.edu/) (i Słowosieć!)\n",
    "\n",
    "![img](./08_Podobienstwo_slow/slowosiec.png \"Fragment Słowosieci\")\n",
    "\n"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3 (ipykernel)",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.10.5"
  },
  "org": null
 },
 "nbformat": 4,
 "nbformat_minor": 1
}