417 lines
16 KiB
Org Mode
417 lines
16 KiB
Org Mode
|
|
* Wygładzanie w n-gramowych modelach języka
|
|
|
|
** Dlaczego wygładzanie?
|
|
|
|
Wyobraźmy sobie urnę, w której znajdują się kule w $m$ kolorach
|
|
(ściślej: w co najwyżej $m$ kolorach, może w ogóle nie być kul w danym
|
|
kolorze). Nie wiemy, ile jest ogółem kul w urnie i w jakiej liczbie
|
|
występuje każdy z kolorów.
|
|
|
|
Losujemy ze zwracaniem (to istotne!) $T$ kul, załóżmy, że
|
|
wylosowaliśmy w poszczególnych kolorach $\{k_1,\dots,k_m\}$ kul
|
|
(tzn. pierwszą kolor wylosowaliśmy $k_1$ razy, drugi kolor — $k_2$ razy itd.).
|
|
Rzecz jasna, $\sum_{i=1}^m k_i = T$.
|
|
|
|
Jak powinniśmy racjonalnie szacować prawdopodobieństwa wylosowania kuli w $i$-tym kolorze ($p_i$)?
|
|
|
|
Wydawałoby się wystarczyłoby liczbę wylosowanych kul w danym kolorze
|
|
podzielić przez liczbę wszystkich prób:
|
|
|
|
$$p_i = \frac{k_i}{T}.$$
|
|
|
|
*** Wygładzanie — przykład
|
|
|
|
Rozpatrzmy przykład z 3 kolorami (wiemy, że w urnie mogą być urny
|
|
żółte, zielone i czerwone, tj. $m=3$) i 4 losowaniami ($T=4$):
|
|
|
|
[[./05_Wygladzanie/urna.drawio.png]]
|
|
|
|
Gdybyśmy w prosty sposób oszacowali prawdopodobieństwa, doszlibyśmy do
|
|
wniosku, że prawdopodobieństwo wylosowania kuli czerwonej wynosi 3/4, żółtej — 1/4,
|
|
a zielonej — 0. Wartości te są jednak dość problematyczne:
|
|
|
|
- Za bardzo przywiązujemy się do naszej skromnej próby,
|
|
potrzebowalibyśmy większej liczby losowań, żeby być bardziej pewnym
|
|
naszych estymacji.
|
|
- W szczególności stwierdzenie, że prawdopodobieństwo wylosowania kuli
|
|
zielonej wynosi 0 jest bardzo mocnym stwierdzeniem (twierdzimy, że *NIEMOŻLIWE* jest wylosowanie kuli zielonej), dopiero większa liczba
|
|
prób bez wylosowania zielonej kuli mogłaby sugerować
|
|
prawdopodobieństwo bliskie zeru.
|
|
- Zauważmy, że niemożliwe jest wylosowanie ułamka kuli, jeśli w
|
|
rzeczywistości 10% kul jest żółtych to nie oznacza się wylosujemy
|
|
$4\frac{1}{10} = \frac{2}{5}$ kuli. Prawdopodobnie wylosujemy jedną
|
|
kulę żółtą albo żadną. Wylosowanie dwóch kul żółtych byłoby możliwe,
|
|
ale mniej prawdopodobne. Jeszcze mniej prawdopodobne byłoby
|
|
wylosowanie 3 lub 4 kul żółtych.
|
|
|
|
*** Idea wygładzania
|
|
|
|
Wygładzanie (ang. /smoothing/) polega na tym, że „uszczknąć” nieco
|
|
masy prawdopodobieństwa zdarzeniom wskazywanym przez eksperyment czy
|
|
zbiór uczący i rozdzielić ją między mniej prawdopodobne zdarzenia.
|
|
|
|
*** Wygładzanie +1
|
|
|
|
Najprostszy sposób wygładzania to wygładzania +1, nazywane też wygładzaniem
|
|
Laplace'a, zdefiniowane za pomocą następującego wzoru:
|
|
|
|
$$p_i = \frac{k_i+1}{T+m}.$$
|
|
|
|
W naszym przypadku z urną prawdopodobieństwo wylosowania kuli
|
|
czerwonej określimy na $\frac{3+1}{4+3} = \frac{4/7}$, kuli żółtej —
|
|
$\frac{1+1}{4+3}=2/7$, zielonej — $\frac{0+1}{4+3}=1/7$. Tym samym,
|
|
kula zielona uzyskała niezerowe prawdopodobieństwo, żółta — nieco
|
|
zyska, zaś czerwona — straciła.
|
|
|
|
**** Własności wygładzania +1
|
|
|
|
Zauważmy, że większa liczba prób $m$, tym bardziej ufamy naszemu eksperymentowi
|
|
(czy zbiorowi uczącemu) i tym bardziej zbliżamy się do niewygładzonej wartości:
|
|
|
|
$$\lim_{m \rightarrow \infty} \frac{k_i +1}{T + m} = \frac{k_i}{T}.$$
|
|
|
|
Inna dobra, zdroworozsądkowo, własność to to, że prawdopodobieństwo nigdy nie będzie zerowe:
|
|
|
|
$$frac{k_i + 1}{T + m} > 0.$$
|
|
|
|
** Wygładzanie w unigramowym modelu języku
|
|
|
|
*** Analogia do urny
|
|
|
|
Unigramowy model języka, abstrakcyjnie, dokładnie realizuje scenariusz
|
|
losowania kul z urny: $m$ to liczba wszystkich wyrazów (czyli rozmiar słownika $|V|$),
|
|
$k_i$ to ile razy w zbiorze uczącym pojawił się $i$-ty wyraz słownika,
|
|
$T$ — długość zbioru uczącego.
|
|
|
|
[[./05_Wygladzanie/urna-wyrazy.drawio.png]]
|
|
|
|
A zatem przy użyciu wygładzania +1 w następujący sposób estymować
|
|
będziemy prawdopodobieństwo słowa $w$:
|
|
|
|
$$P(w) = \fraq{\# w + 1}{|C| + |V|}.$$
|
|
|
|
*** Wygładzanie $+\alpha$
|
|
|
|
W modelowaniu języka wygładzanie $+1$ daje zazwyczaj niepoprawne
|
|
wyniki, dlatego częściej zamiast wartości 1 używa się współczynnika $0
|
|
< \alpha < 1$:
|
|
|
|
$$P(w) = \fraq{\# w + \alpha}{|C| + \alpha|V|}.$$
|
|
|
|
W innych praktycznych zastosowaniach statystyki
|
|
przyjmuje się $\alpha = \frac{1}{2}$, ale w przypadku n-gramowych
|
|
modeli języka i to będzie zbyt duża wartość.
|
|
|
|
W jaki sposób ustalić wartość $\alpha$? Można $\alpha$ potraktować $\alpha$
|
|
jako hiperparametr i dostroić ją na odłożonym zbiorze.
|
|
|
|
*** Jak wybrać wygładzanie?
|
|
|
|
Jak ocenić, który sposób wygładzania jest lepszy? Jak wybrać $\alpha$
|
|
w czasie dostrajania?
|
|
|
|
Najprościej można sprawdzić estymowane prawdopodobieństwa na zbiorze
|
|
strojącym (developerskim). Dla celów poglądowych bardziej czytelny
|
|
będzie podział zbioru uczącego na dwie równe części — będziemy
|
|
porównywać częstości estymowane na jednej połówce korpusu z
|
|
rzeczywistymi, empirycznymi częstościami z drugiej połówki.
|
|
|
|
Wyniki będziemy przedstawiać w postaci tabeli, gdzie w poszczególnych
|
|
wierszach będziemy opisywać częstości estymowane dla wszystkich
|
|
wyrazów, które pojawiły się określoną liczbę razy w pierwszej połówce korpusu.
|
|
|
|
Ostatecznie możemy też po prostu policzyć perplexity na zbiorze testowym
|
|
|
|
*** Przykład
|
|
|
|
Użyjemy polskiej części z korpusu równoległego Open Subtitles:
|
|
|
|
#+BEGIN_SRC
|
|
wget -O en-pl.txt.zip 'https://opus.nlpl.eu/download.php?f=OpenSubtitles/v2018/moses/en-pl.txt.zip'
|
|
unzip en-pl.txt.zip
|
|
#+END_SRC
|
|
|
|
Usuńmy duplikaty (zachowując kolejność):
|
|
|
|
#+BEGIN_SRC
|
|
nl OpenSubtitles.en-pl.pl | sort -k 2 -u | sort -k 1 | cut -f 2- > opensubtitles.pl.txt
|
|
#+END_SRC
|
|
|
|
Korpus zawiera ponad 28 mln słów, zdania są krótkie, jest to język potoczny, czasami wulgarny.
|
|
|
|
#+BEGIN_SRC
|
|
$ wc opensubtitles.pl.txt
|
|
28154303 178866171 1206735898 opensubtitles.pl.txt
|
|
$ head -n 10 opensubtitles.pl.txt
|
|
Lubisz curry, prawda?
|
|
Nałożę ci więcej.
|
|
Hey!
|
|
Smakuje ci?
|
|
Hey, brzydalu.
|
|
Spójrz na nią.
|
|
- Wariatka.
|
|
- Zadałam ci pytanie!
|
|
No, tak lepiej!
|
|
- Wygląda dobrze!
|
|
#+END_SRC
|
|
|
|
Podzielimy korpus na dwie części:
|
|
|
|
#+BEGIN_SRC
|
|
head -n 14077151 < opensubtitles.pl.txt > opensubtitlesA.pl.txt
|
|
tail -n 14077151 < opensubtitles.pl.txt > opensubtitlesB.pl.txt
|
|
#+END_SRC
|
|
|
|
**** Tokenizacja
|
|
|
|
Stwórzmy generator, który będzie wczytywał słowa z pliku, dodatkowo:
|
|
|
|
- ciągi znaków interpunkcyjnych będziemy traktować jak tokeny,
|
|
- sprowadzimy wszystkie litery do małych,
|
|
- dodamy specjalne tokeny na początek i koniec zdania (~<s>~ i ~</s>~).
|
|
|
|
|
|
#+BEGIN_SRC python :session mysession :exports both :results raw drawer
|
|
from itertools import islice
|
|
import regex as re
|
|
import sys
|
|
|
|
def get_words_from_file(file_name):
|
|
with open(file_name, 'r') as fh:
|
|
for line in fh:
|
|
line = line.rstrip()
|
|
yield '<s>'
|
|
for m in re.finditer(r'[\p{L}0-9\*]+|\p{P}+', line):
|
|
yield m.group(0)
|
|
yield '</s>'
|
|
|
|
list(islice(get_words_from_file('opensubtitlesA.pl.txt'), 0, 100))
|
|
#+END_SRC
|
|
|
|
#+RESULTS:
|
|
:results:
|
|
['<s>', 'Lubisz', 'curry', ',', 'prawda', '?', '</s>', '<s>', 'Nałożę', 'ci', 'więcej', '.', '</s>', '<s>', 'Hey', '!', '</s>', '<s>', 'Smakuje', 'ci', '?', '</s>', '<s>', 'Hey', ',', 'brzydalu', '.', '</s>', '<s>', 'Spójrz', 'na', 'nią', '.', '</s>', '<s>', '-', 'Wariatka', '.', '</s>', '<s>', '-', 'Zadałam', 'ci', 'pytanie', '!', '</s>', '<s>', 'No', ',', 'tak', 'lepiej', '!', '</s>', '<s>', '-', 'Wygląda', 'dobrze', '!', '</s>', '<s>', '-', 'Tak', 'lepiej', '!', '</s>', '<s>', 'Pasuje', 'jej', '.', '</s>', '<s>', '-', 'Hey', '.', '</s>', '<s>', '-', 'Co', 'do', '...?', '</s>', '<s>', 'Co', 'do', 'cholery', 'robisz', '?', '</s>', '<s>', 'Zejdź', 'mi', 'z', 'oczu', ',', 'zdziro', '.', '</s>', '<s>', 'Przestań', 'dokuczać']
|
|
:end:
|
|
|
|
**** Empiryczne wyniki
|
|
|
|
Zobaczmy, ile razy, średnio w drugiej połówce korpusu występują
|
|
wyrazy, które w pierwszej wystąpiły określoną liczbę razy.
|
|
|
|
#+BEGIN_SRC python :session mysession :exports both :results raw drawer
|
|
from collections import Counter
|
|
|
|
counterA = Counter(get_words_from_file('opensubtitlesA.pl.txt'))
|
|
#+END_SRC
|
|
|
|
#+RESULTS:
|
|
:results:
|
|
:end:
|
|
|
|
#+BEGIN_SRC python :session mysession :exports both :results raw drawer
|
|
counterA['taki']
|
|
#+END_SRC
|
|
|
|
#+RESULTS:
|
|
:results:
|
|
42330
|
|
:end:
|
|
|
|
#+BEGIN_SRC python :session mysession :exports both :results raw drawer
|
|
max_r = 10
|
|
|
|
buckets = {}
|
|
for token in counterA:
|
|
buckets.setdefault(counterA[token], 0)
|
|
buckets[counterA[token]] += 1
|
|
|
|
bucket_counts = {}
|
|
|
|
counterB = Counter(get_words_from_file('opensubtitlesB.pl.txt'))
|
|
|
|
for token in counterB:
|
|
bucket_id = counterA[token] if token in counterA else 0
|
|
if bucket_id <= max_r:
|
|
bucket_counts.setdefault(bucket_id, 0)
|
|
bucket_counts[bucket_id] += counterB[token]
|
|
if bucket_id == 0:
|
|
buckets.setdefault(0, 0)
|
|
buckets[0] += 1
|
|
|
|
nb_of_types = [buckets[ix] for ix in range(0, max_r+1)]
|
|
empirical_counts = [bucket_counts[ix] / buckets[ix] for ix in range(0, max_r)]
|
|
#+END_SRC
|
|
|
|
#+RESULTS:
|
|
:results:
|
|
:end:
|
|
|
|
Policzmy teraz jakiej liczby wystąpień byśmy oczekiwali gdyby użyć wygładzania +1 bądź +0.01.
|
|
(Uwaga: zwracamy liczbę wystąpień, a nie względną częstość, stąd przemnażamy przez rozmiar całego korpusu).
|
|
|
|
#+BEGIN_SRC python :session mysession :exports both :results raw drawer
|
|
def plus_alpha_smoothing(alpha, m, t, k):
|
|
return t*(k + alpha)/(t + alpha * m)
|
|
|
|
def plus_one_smoothing(m, t, k):
|
|
return plus_alpha_smoothing(1.0, m, t, k)
|
|
|
|
vocabulary_size = len(counterA)
|
|
corpus_size = counterA.total()
|
|
|
|
plus_one_counts = [plus_one_smoothing(vocabulary_size, corpus_size, ix) for ix in range(0, max_r)]
|
|
|
|
plus_alpha_counts = [plus_alpha_smoothing(0.01, vocabulary_size, corpus_size, ix) for ix in range(0, max_r)]
|
|
|
|
data = list(zip(nb_of_types, empirical_counts, plus_one_counts, plus_alpha_counts))
|
|
|
|
vocabulary_size
|
|
#+END_SRC
|
|
|
|
#+RESULTS:
|
|
:results:
|
|
1181065
|
|
:end:
|
|
|
|
#+BEGIN_SRC python :session mysession :exports both :results raw drawer
|
|
import pandas as pd
|
|
|
|
pd.DataFrame(data, columns=["liczba tokenów", "średnia częstość w części B", "estymacje +1", "estymacje +0.01"])
|
|
#+END_SRC
|
|
|
|
#+RESULTS:
|
|
:results:
|
|
liczba tokenów średnia częstość w części B estymacje +1 estymacje +0.01
|
|
0 494664 1.805294 0.991839 0.009999
|
|
1 528998 0.591116 1.983678 1.009917
|
|
2 154689 1.574443 2.975517 2.009835
|
|
3 81398 2.512285 3.967356 3.009752
|
|
4 52899 3.502240 4.959196 4.009670
|
|
5 37917 4.433763 5.951035 5.009588
|
|
6 28921 5.280834 6.942874 6.009506
|
|
7 23267 6.209438 7.934713 7.009423
|
|
8 19014 7.265909 8.926552 8.009341
|
|
9 15849 8.193135 9.918391 9.009259
|
|
:end:
|
|
|
|
*** Wygładzanie Gooda-Turinga
|
|
|
|
Inna metoda — wygładzanie Gooda-Turinga — polega na zliczaniu, ile
|
|
$n$-gramów (na razie rozpatrujemy model unigramowy, więc po prostu pojedynczych
|
|
wyrazów) wystąpiło zadaną liczbę razy. Niech $N_r$ oznacza właśnie,
|
|
ile $n$-gramów wystąpiło dokładnie $r$ razy; na przykład $N_1$ oznacza liczbę /hapax legomena/.
|
|
|
|
W metodzie Gooda-Turinga używamy następującej estymacji:
|
|
|
|
$$p(w) = \frac{\# w + 1}{|C|}\frac{N_{r+1}}{N_r}.$$
|
|
|
|
**** Przykład
|
|
|
|
#+BEGIN_SRC python :session mysession :exports both :results raw drawer
|
|
good_turing_counts = [(ix+1)*nb_of_types[ix+1]/nb_of_types[ix] for ix in range(0, max_r)]
|
|
|
|
data2 = list(zip(nb_of_types, empirical_counts, plus_one_counts, good_turing_counts))
|
|
|
|
pd.DataFrame(data2, columns=["liczba tokenów", "średnia częstość w części B", "estymacje +1", "Good-Turing"])
|
|
#+END_SRC
|
|
|
|
#+RESULTS:
|
|
:results:
|
|
liczba tokenów średnia częstość w części B estymacje +1 Good-Turing
|
|
0 494664 1.805294 0.991839 1.069409
|
|
1 528998 0.591116 1.983678 0.584838
|
|
2 154689 1.574443 2.975517 1.578613
|
|
3 81398 2.512285 3.967356 2.599523
|
|
4 52899 3.502240 4.959196 3.583905
|
|
5 37917 4.433763 5.951035 4.576470
|
|
6 28921 5.280834 6.942874 5.631513
|
|
7 23267 6.209438 7.934713 6.537671
|
|
8 19014 7.265909 8.926552 7.501893
|
|
9 15849 8.193135 9.918391 8.670579
|
|
:end:
|
|
|
|
Wygładzanie metodą Gooda-Turinga, mimo prostoty, daje wyniki zaskakująco zbliżone do rzeczywistych.
|
|
|
|
|
|
** Wygładzanie dla $n$-gramów
|
|
|
|
*** Rzadkość danych
|
|
|
|
W wypadku bigramów, trigramów itd. jeszcze dotkliwy staje się problem
|
|
*rzadkości* danych (/data sparsity/). Przestrzeń możliwych zdarzeń
|
|
jest jeszcze większa ($|V|^2$ dla bigramów), więc estymacje stają się
|
|
jeszcze mniej pewne.
|
|
|
|
*** Back-off
|
|
|
|
Dla $n$-gramów, gdzie $n>1$, nie jesteśmy ograniczeni do wygładzania $+1$, $+k$ czy Gooda-Turinga.
|
|
W przypadku rzadkich $n$-gramów, w szczególności gdy $n$-gram w ogóle się nie pojawił w korpusie,
|
|
możemy „zejść” na poziom krótszych $n$-gramów. Na tym polega *back-off*.
|
|
|
|
Otóż jeśli $\# w_{i-n+1}\ldots w_{i-1} > 0$, wówczas estymujemy prawdopodobieństwa
|
|
w tradycyjny sposób:
|
|
|
|
$$P_B(w_i|w_{i-n+1}\ldots w_{i-1}) = d_n(w_{i-n+1}\ldots w_{i-1}\ldots w_{i-1}) P(w_i|w_{i-n+1}\ldots w_{i-1})$$
|
|
|
|
W przeciwnym razie, rozpatrujemy rekurencyjnie krótszy $n$-gram:
|
|
|
|
$$P_B(w_i|w_{i-n+1}\ldots w_{i-1}) = \delta_n(w_{i-n+1}\ldots w_{i-1}\ldots w_{i-1}) P_B(w_i|w_{i-n+2}\ldots w_{i-1}).$$
|
|
|
|
Technicznie, aby $P_B$ stanowiło rozkład prawdopodobieństwa, trzeba dobrać współczynniki $d$ i $\delta$.
|
|
|
|
*** Interpolacja
|
|
|
|
Alternatywą do metody back-off jest *interpolacja* — zawsze z pewnym współczynnikiem uwzględniamy
|
|
prawdopodobieństwa dla krótszych $n$-gramów:
|
|
|
|
$$P_I(w_i|w_{i-n+1}\ldots w_{i-1}) = \lambda P(w_i|w_{i-n+1}\dots w_{i-1}) + (1-\lambda)
|
|
P_I(w_i|w_{i-n+2}\dots w_{i-1}).$$
|
|
|
|
|
|
Na przykład, dla trigramów:
|
|
|
|
$$P_I(w_i|w_{i-2}w_{i-1}) = \lambda P_(w_i|w_{i-2}w_{i-1}) + (1-\lambda)(\lambda P(w_i|w_{i-1}) + (1-\lambda)P_I(w_i)).$$
|
|
|
|
** Uwzględnianie różnorodności
|
|
|
|
*** Różnorodność kontynuacji
|
|
|
|
Zauważmy, że słowa mogą bardzo różnić się co do różnorodności
|
|
kontynuacji. Na przykład po słowie /szop/ spodziewamy się raczej tylko
|
|
słowa /pracz/, każde inne, niewidziane w zbiorze uczącym, będzie
|
|
zaskakujące. Dla porównania słowo /seledynowy/ ma bardzo dużo
|
|
możliwych kontynuacji i powinniśmy przeznaczyć znaczniejszą część masy
|
|
prawdopodobieństwa na kontynuacje niewidziane w zbiorze uczącym.
|
|
|
|
Różnorodność kontynuacji bierze pod uwagę metoda wygładzania
|
|
Wittena-Bella, będącą wersją interpolacji.
|
|
|
|
Wprowadźmy oznaczenie na liczbę możliwych kontynuacji $n-1$-gramu $w_1\ldots w_{n-1}$:
|
|
|
|
$$N_{1+}(w_1\ldots w_{n-1}\dot\bullet) = |\{w_n : \# w_1\ldots w_{n-1}w_n > 0\}|.$$
|
|
|
|
Teraz zastosujemy interpolację z następującą wartością parametru
|
|
$1-\lambda$, sterującego wagą, jaką przypisujemy do krótszych $n$-gramów:
|
|
|
|
|
|
$$1 - \lambda = \frag{N_{1+}(w_1\ldots w_{n-1}\dot\bullet)}{N_{1+}(w_1\ldots w_{n-1}\dot\bullet) + \# w_1\ldots w_{n-1}}.$$
|
|
|
|
*** Wygładzanie Knesera-Neya
|
|
|
|
Zamiast brać pod uwagę różnorodność kontynuacji, możemy rozpatrywać
|
|
różnorodność *historii* — w momencie liczenia prawdopodobieństwa dla
|
|
unigramów dla interpolacji (nie ma to zastosowania dla modeli
|
|
unigramowych). Na przykład dla wyrazu /Jork/ spodziewamy się tylko
|
|
bigramu /Nowy Jork/, a zatem przy interpolacji czy back-off prawdopodobieństwo
|
|
unigramowe powinno być niskie.
|
|
|
|
Wprowadźmy oznaczenia na liczbę możliwych historii:
|
|
|
|
$$N_{1+}(\bullet w) = |\{w_j : \# w_jw > 0\}|$$.
|
|
|
|
W metodzie Knesera-Neya w następujący sposób estymujemy prawdopodobieństwo unigramu:
|
|
|
|
$$P(w) = \frac{N_{1+}(\bullet w)}{\sum_{w_j} N_{1+}(\bullet w_j)}.$$
|