From 03bac808bfc0f293ab6e1bce469f8d5fa75c0631 Mon Sep 17 00:00:00 2001 From: Filip Gralinski Date: Sat, 23 Apr 2022 12:38:22 +0200 Subject: [PATCH] Forgotten 06 --- wyk/06_Podobienstwo_slow.ipynb | 328 +++++++++++++++++++++++++++++++++ 1 file changed, 328 insertions(+) create mode 100644 wyk/06_Podobienstwo_slow.ipynb diff --git a/wyk/06_Podobienstwo_slow.ipynb b/wyk/06_Podobienstwo_slow.ipynb new file mode 100644 index 0000000..b923f2a --- /dev/null +++ b/wyk/06_Podobienstwo_slow.ipynb @@ -0,0 +1,328 @@ +{ + "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 +}