{ "cells": [ { "cell_type": "markdown", "metadata": {}, "source": [ "![Logo 1](https://git.wmi.amu.edu.pl/AITech/Szablon/raw/branch/master/Logotyp_AITech1.jpg)\n", "
\n", "

Modelowanie języka

\n", "

08. Podobieństwo słów [wykład]

\n", "

Filip Graliński (2022)

\n", "
\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": "3.10.9" }, "org": null }, "nbformat": 4, "nbformat_minor": 1 }