机器是这样理解语言 - 句向量
学习资料:
丰富的语言能力是人类区分于其他动物的原因之一，人类不光能轻松的识别语言信息，而且还能有效利用词汇创造出浩瀚无垠的句子。现在的机器也从不断地学习中慢慢缩短与人类之间的能力差距。欢迎来到莫烦Python，我是周沫凡，今天我们就来聊一聊计算机想要理解句子，它需要做些什么？
人类理解语言¶
你大概率会听过这样一个段子，女生对男生说：“下班顺路买五个包子带回来，如果看到卖西瓜的，就买一个。” 结果男生提着一个包子回到了家。女生问：“不是要你买三个包子吗？”，男生说：“是呀，我碰见了一个卖西瓜的”。哈哈，大家都会说，这个男生是程序员准没错。在普通人眼中，浮现的场景应该是，我要买五个包子，看到卖西瓜的就再买一个西瓜。可是在程序员眼中，他理解的是这样的，如果你也是程序员，应该能轻松get到他只买一个包子的原因。这样有问题吗?不见得哦，在不同人眼中，对一句话的理解往往会因这个人本身的经历和知识储备有关。所以以这样的角度思考，语文考试中的阅读理解，就不止一种答案了。
如果理解句子对人类来说，都这么具有挑战性，那么机器又是怎么理解一句话的呢？
句向量¶
我们前面有提过，使用深度学习的计算机在理解任何事物之前，都是将这件事物转换成一种数学的表达形式。在AI从业人员看来，AI技术，都是将这些以数字记录的数据，通过AI模型将其转化成一串数字，
我们看到的图片就是原始的数据存储在计算机中的样子，中间的模型将图片当做输入，然后输出成右边的数字，我们称其为向量。这个向量，就是模型对于这张图片的理解。你可能会在想，我们不是在说人类的语言吗？这和图片有什么关系？当然是有关系的，机器学习是一类方法，可以运用在图片上的算法，我们也能将其拓展到语言上，甚至语言模型用在图片上的也不少见。我们只需要将这里的信号源，从图片切换到语言就好了。
现在右边的向量，就是我们通过模型，得到的机器对于一句话的理解。对于这个理解，也就是向量，使用的方法不止一种，
举个例子，我们可以将其放在空间中，对比这句话与其它同样转化成向量的句子的不同含义。那我们又是如何具体得到这些向量理解的呢？在以前的视频中，我提到过我们人类理解句子的前提是理解句子中每个词语的含义，然后将词语组成句，看似我们已经找到了一条通往理解句子的光明大道。可是即便计算机能够通过 w2v 拿到对词语的向量化理解，我们要怎么使用，才能把它变成对句子的理解呢？
怎么理解¶
也就是说，我们需要找到一种方法，将这些离散的词向量，加工成句向量。有一种简单粗暴的方法，试试直接将所有词向量相加怎么样？
也不是不行，不过我们依旧是在词向量的空间上理解句子，如果句子和词语是有本质区别的事物，那么他们所属的空间应该也不同。直接使用加法，没有办法创造出一个全新的空间。那我们还能怎么办？用乘法呢？这说对了一半，我们的确可以用乘法来转移空间属性，比如使用线性代数的方法，让一个空间的向量，在另一个空间以不同形式表达。而我们现在最常见的方案就是使用神经网络做这样的复杂乘法运算。在神经网络中，我们常常将这个过程叫做 Encoding，编码。
这个过程类似压缩的过程，将大量复杂的信息，压缩成少量经典的信息，通过这个途径找到信息的精华部分。我们待会再聊聊能用这个精华部分做些什么有趣的事情。现在我们聚焦在如何通过神经网络的方法得到这个精华部分。一个人说话是存在顺序信息的，如果将词语的顺序颠倒，我们可能会得到完全不同的信息。
可见我们的模型必须要将顺序信息完全考虑起来。恰好，我们之前提过，循环神经网络最擅长做这件事情。
循环神经网络在词向量上，从前到后，一个个词语阅读，
阅读完整句后，模型拥有了对这句话整体的理解，也就有能力产生出一个基于整句理解的向量，encoding句向量的过程也顺理成章地完成了。那么有了这个句子的理解，我们又能干嘛呢？这时就是开脑洞的时刻了。因为只要我们能够向量化的事物，都可以在这个过程中应用起来。与encoding对应的，我们还有一个叫decoding的过程。如果说encoding是编码，是压缩，那么decoding就是解码，是解压。与传统的压缩解压不同，我们不仅能解压出原始的文件，我们还能基于这种计算机压缩过的理解，转化成更多数字化形式。
比如根据这个理解生成机器人下一轮对话，生成一张爱心图案，判断这句话是积极状态，又或者判断要进入到支持莫烦的步骤了~这些都是可以被计算机数字化的过程。下面我们就来举一个简单的生成对话任务，来介绍一下机器是如何通过大数据学习理解句子，并可以和人对话的吧。
首先我们通过前面介绍的方式，拿到循环神经网络对句子的理解，通过encoding过程，得到句向量。 用另一个循环神经网络，作为Decoder，解码器，基于句向量生成下文。
更加具体的细节和不同方法，我会在代码教学中详细说明。简而言之，Encoder负责理解上文，Decoder负责将思考怎么样在理解的句子的基础上做任务。这一套方法就是在自然语言处理中风靡一时的Seq2Seq框架。不得不说，分工合作的这套机制，在深度学习中十分普遍且有效。而在后面的影片中，我们会继续探索怎么样能够让机器更加深层次的理解句子。
