aitech-moj-2023/wyk/06_Podobienstwo_slow.ipynb

329 lines
10 KiB
Plaintext
Raw Normal View History

2022-04-23 12:38:22 +02:00
{
"cells": [
{
"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 Lewensztajna\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 Lewensztajna**, 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 Lewensztajna 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](./06_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](./06_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": "3.10.2"
},
"org": null
},
"nbformat": 4,
"nbformat_minor": 1
}