当前位置：首页 > news >正文

27.语言模型

news 2025/8/21 7:43:57

语言模型，是NLP方向一直主力研究的，通过训练机器，来让机器学习人类语言的内在规律，理解自然语言，并将其转换为计算机语言。
目前的主流语言模型，如GPT、Deepseek等，并不是简单的搜索背诵。他们的机制更类似于一种猜词游戏，即通过当前的信息，推测下一个相关的信息是什么，通过这种方式进行资源整合。

NLP语言模型具体涉及解决的问题有：搜索、分类、聚类、总结、生成、重写、抽象
NLP模型效果依赖两个方面：一是模型结构，二是语料库的丰富程度。

发展阶段

统计语言模型
是一种基于概率统计的语言模型，旨在预测下一个单词或句子出现的概率。
将NLP任务视为一个统计问题，使用机器学习算法从大规模语料库中学习语言的统计规律。
严重依赖特征工程。模型的效果很大程度上取决于从业者如何设计和提取特征（如词形、词性、词干、上下文窗口等）。
神经网络语言模型：
基于神经网络学习特征，比传统模型效果更好。
使用深度学习模型（尤其是循环神经网络RNN、长短期记忆网络LSTM和卷积神经网络CNN）自动学习语言的底层特征表示，取代手工特征工程。
预训练语言模型
先在超大规模无标注文本数据上训练一个通用的基础模型（学习语言本身的语法、语义、知识等），再针对具体下游任务用少量标注数据进行微调。
Transformer架构推出后，并行计算能力强，极大地提升了训练效率和长程依赖建模能力。改变了语言模型的结构。

统计语言模型

统计语言模型是描述单词、句子或文档的概率分布的模型。主要有以下几种：

n-gram模型
n-gram模型是将一段文本切分成n个连续的词组，然后根据前n-1个词组来预测第n个词组，从而达到预测的目的（3-gram通过前2个词，预测第3个词）。

在这里插入图片描述

平滑方法
n-gram需要对所有上文进行枚举的操作，加上要处理出现次数为0的问题，所以可能存在过拟合和数据稀疏的问题。因此，需要引入平滑方法：Laplace平滑、Good-Turing平滑、Katz平滑等。
隐马尔科夫模型（HMM）
HMM是一种将语言转化为概率状态序列的模型，可以学习文本中的隐含结构。一般用于识别词性、命名实体识别等任务。
命名实体识别：是从非结构化的文本中自动识别出专有名词或特定意义的实体，并将其分类到预定义的类别中。
可以把它理解为一种“信息高亮”，它能在密密麻麻的文字中，快速地把人名、地名、组织机构名等重要信息标记出来。
最大熵模型
最大熵模型是一种分类器，用来预测下一个词或字符的条件概率。以最大化信息熵为目标函数，通过最大熵原理确定模型参数。

神经网络语言模型

神经网络语言模型（NNLM），是基于神经网络实现的模型，相比于传统模型有更好的性能。

基于前馈神经网络的NNLM
2003年提出，通过前馈神经网络训练，用softmax分类。
循环神经网络模型（RNNLM）
是一种基于循环神经网络的语言模型，优点是对动态的序列进行建模，通过引入长短时记忆单元（LSTM），解决了神经网络在处理长序列的梯度消失问题，提升了性能。
如果序列过长，随着训练，前面的知识可能被遗忘。
TransformerLM
基于Transformer的语言模型，通过自注意力机制计算不同单词间的关系。
相比于RNNLM，Transformer具有更强的并行性，计算效率上有更大优势。