构建AI智能体:十三、大数据下的“搭积木”:N-Gram 如何实现更智能的语义搜索

本文涉及的产品
多模态交互后付费免费试用,全链路、全Agent
简介: N-gram是一种基于上下文的统计语言模型,通过前N-1个词预测当前词的概率,广泛应用于文本生成、输入法预测、语音识别等领域,具有简单高效、可解释性强的优点,是自然语言处理的基础技术之一。

一、什么是 N-gram

       核心定义:N-gram 是来自给定文本或语音序列的 N 个连续项(如单词、字符) 的序列。它是一种通过查看一个项目的前后文来建模序列的概率模型。

  • N: 代表连续项的数量。
  • 项(Item): 通常是单词(Word),也可以是字符(Character)或音节。

       核心思想:N-gram 模型基于一个简化的假设:一个词的出现概率只与它前面有限数量的词有关。这被称为马尔可夫假设。

  • 例如,在一个 Trigram(3-gram)模型中,一个词的出现概率只由它前面的两个词决定,而不是整个句子的历史。这极大地简化了计算,使得处理大规模文本成为可能。

二、为什么需要 N-gram

       在自然语言中,句子的概率是极其复杂的。要计算整个句子 P(“我今天学习N-gram”) 的联合概率,理论上需要知道所有词共同出现的概率,这在数据稀疏的现实世界中是不可能的。

       N-gram 模型通过近似这个联合概率来解决这个问题。它将一个长序列的概率分解为一系列更短、更易计算的概率的乘积。

三、N-gram 的类型与示例

假设我们有一个句子:“我喜欢吃苹果”

  • Unigram (1-gram)
  • 将文本视为独立的单词,不考虑任何上下文。
  • 示例: [“我”], [“喜欢”], [“吃”], [“苹果”]
  • 特点: 丢失了所有词序信息。


  • Bigram (2-gram)
  • 每两个连续的单词作为一个单元。当前词的概率只依赖于前一个词。
  • 示例: [“我”, “喜欢”], [“喜欢”, “吃”], [“吃”, “苹果”]
  • 公式: P(句子) ≈ P(我) * P(喜欢|我) * P(吃|喜欢) * P(苹果|吃)
  • Trigram (3-gram)
  • 每三个连续的单词作为一个单元。当前词的概率只依赖于前两个词。
  • 示例: [“我”, “喜欢”, “吃”], [“喜欢”, “吃”, “苹果”]
  • 公式: P(句子) ≈ P(我) * P(喜欢|我) * P(吃|我,喜欢) * P(苹果|喜欢,吃)
  • Four-gram (4-gram), Five-gram (5-gram)...
  • 以此类推。N 越大,模型考虑的上下文就越长,理论上也越精确,但数据稀疏性问题也越严重。

示例:基于西雅图酒店数据集分析

import pandas as pd
from sklearn.metrics.pairwise import linear_kernel
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfVectorizer
import re
pd.options.display.max_columns = 30
import matplotlib.pyplot as plt
# 支持中文
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
df = pd.read_csv('Seattle_Hotels.csv', encoding="latin-1")
# 数据探索
print(df.head())
print('数据集中的酒店个数:', len(df))
# 创建英文停用词列表
ENGLISH_STOPWORDS = {
    'i', 'me', 'my', 'myself', 'we', 'our', 'ours', 'ourselves', 'you', "you're", "you've", "you'll", "you'd", 'your', 
    'yours', 'yourself', 'yourselves', 'he', 'him', 'his', 'himself', 'she', "she's", 'her', 'hers', 'herself', 'it', 
    "it's", 'its', 'itself', 'they', 'them', 'their', 'theirs', 'themselves', 'what', 'which', 'who', 'whom', 'this', 
    'that', "that'll", 'these', 'those', 'am', 'is', 'are', 'was', 'were', 'be', 'been', 'being', 'have', 'has', 'had', 
    'having', 'do', 'does', 'did', 'doing', 'a', 'an', 'the', 'and', 'but', 'if', 'or', 'because', 'as', 'until', 'while', 
    'of', 'at', 'by', 'for', 'with', 'about', 'against', 'between', 'into', 'through', 'during', 'before', 'after', 'above', 
    'below', 'to', 'from', 'up', 'down', 'in', 'out', 'on', 'off', 'over', 'under', 'again', 'further', 'then', 'once', 
    'here', 'there', 'when', 'where', 'why', 'how', 'all', 'any', 'both', 'each', 'few', 'more', 'most', 'other', 'some', 
    'such', 'no', 'nor', 'not', 'only', 'own', 'same', 'so', 'than', 'too', 'very', 's', 't', 'can', 'will', 'just', 'don', 
    "don't", 'should', "should've", 'now', 'd', 'll', 'm', 'o', 're', 've', 'y', 'ain', 'aren', "aren't", 'couldn', 
    "couldn't", 'didn', "didn't", 'doesn', "doesn't", 'hadn', "hadn't", 'hasn', "hasn't", 'haven', "haven't", 'isn', 
    "isn't", 'ma', 'mightn', "mightn't", 'mustn', "mustn't", 'needn', "needn't", 'shan', "shan't", 'shouldn', "shouldn't", 
    'wasn', "wasn't", 'weren', "weren't", 'won', "won't", 'wouldn', "wouldn't"
}
def print_description(index):
    example = df[df.index == index][['desc', 'name']].values[0]
    if len(example) > 0:
        print(example[0])
        print('Name:', example[1])
print('第10个酒店的描述:')
print_description(10)
# 得到酒店描述中n-gram特征中的TopK个
def get_top_n_words(corpus, n=1, k=None):
    # 统计ngram词频矩阵,使用自定义停用词列表
    vec = CountVectorizer(ngram_range=(n, n), stop_words=list(ENGLISH_STOPWORDS)).fit(corpus)
    bag_of_words = vec.transform(corpus)
    """
    print('feature names:')
    print(vec.get_feature_names())
    print('bag of words:')
    print(bag_of_words.toarray())
    """
    sum_words = bag_of_words.sum(axis=0)
    words_freq = [(word, sum_words[0, idx]) for word, idx in vec.vocabulary_.items()]
    # 按照词频从大到小排序
    words_freq =sorted(words_freq, key = lambda x: x[1], reverse=True)
    return words_freq[:k]
common_words = get_top_n_words(df['desc'], n=2, k=20)
#print(common_words)
df1 = pd.DataFrame(common_words, columns = ['desc' , 'count'])
df1.groupby('desc').sum()['count'].sort_values().plot(kind='barh', title='去掉停用词后,酒店描述中的Top20单词')
plt.show()
# 文本预处理
REPLACE_BY_SPACE_RE = re.compile('[/(){}\[\]\|@,;]')
BAD_SYMBOLS_RE = re.compile('[^0-9a-z #+_]')
# 使用自定义的英文停用词列表替代nltk的stopwords
STOPWORDS = ENGLISH_STOPWORDS
# 对文本进行清洗
def clean_text(text):
    # 全部小写
    text = text.lower()
    # 用空格替代一些特殊符号,如标点
    text = REPLACE_BY_SPACE_RE.sub(' ', text)
    # 移除BAD_SYMBOLS_RE
    text = BAD_SYMBOLS_RE.sub('', text)
    # 从文本中去掉停用词
    text = ' '.join(word for word in text.split() if word not in STOPWORDS) 
    return text
# 对desc字段进行清理,apply针对某列
df['desc_clean'] = df['desc'].apply(clean_text)
#print(df['desc_clean'])
# 建模
df.set_index('name', inplace = True)
# 使用TF-IDF提取文本特征,使用自定义停用词列表
tf = TfidfVectorizer(analyzer='word', ngram_range=(1, 3), min_df=0.01, stop_words=list(ENGLISH_STOPWORDS))
# 针对desc_clean提取tfidf
tfidf_matrix = tf.fit_transform(df['desc_clean'])
print('TFIDF feature names:')
#print(tf.get_feature_names_out())
print(len(tf.get_feature_names_out()))
#print('tfidf_matrix:')
print(tfidf_matrix.shape)
# 计算酒店之间的余弦相似度(线性核函数)
cosine_similarities = linear_kernel(tfidf_matrix, tfidf_matrix)
#print(cosine_similarities)
print(cosine_similarities.shape)
indices = pd.Series(df.index) #df.index是酒店名称
# 基于相似度矩阵和指定的酒店name,推荐TOP10酒店
def recommendations(name, cosine_similarities = cosine_similarities):
    recommended_hotels = []
    # 找到想要查询酒店名称的idx
    idx = indices[indices == name].index[0]
    print('idx=', idx)
    # 对于idx酒店的余弦相似度向量按照从大到小进行排序
    score_series = pd.Series(cosine_similarities[idx]).sort_values(ascending = False)
    # 取相似度最大的前10个(除了自己以外)
    top_10_indexes = list(score_series.iloc[1:11].index)
    # 放到推荐列表中
    for i in top_10_indexes:
        recommended_hotels.append(list(df.index)[i])
    return recommended_hotels
print(recommendations('Hilton Seattle Airport & Conference Center'))
print(recommendations('The Bacon Mansion Bed and Breakfast'))
#print(result)

Unigram (1-gram)结果:

Bigram (2-gram)结果:

Trigram (3-gram)结果:

四、N-gram 的概率计算

N-gram 模型的核心是计算条件概率。我们通过在大型语料库中计数来估计这些概率。

  • 最大似然估计(MLE)公式

对于 Bigram:

P(w_i | w_{i-1}) = Count(w_{i-1}, w_i) / Count(w_{i-1})

  • Count(w_{i-1}, w_i) 是序列  (w_{i-1}, w_i) 在语料库中出现的次数。
  • Count(w_{i-1}) 是单词 w_{i-1} 在语料库中出现的总次数。

具体示例

假设我们的语料库由以下三个句子组成(<s> 和 </s> 是句首和句尾标记):

  1. <s> 我喜欢吃苹果 </s>
  2. <s> 我喜欢读书 </s>
  3. <s> 你喜欢什么 </s>

现在,我们来计算一些概率:

  • P(喜欢 | 我) = Count(我, 喜欢) / Count(我)
  •  Count(我, 喜欢)  = 2 (在句子1和2中,“我喜欢”都出现了)
  •  Count(我) = 2 (“我”作为第一个词出现了2次)
  • 所以,P(喜欢 | 我) = 2 / 2 = 1.0
  • P(吃 | 喜欢) = Count(喜欢, 吃) / Count(喜欢)
  • Count(喜欢, 吃) = 1 (只在句子1中出现)
  • Count(喜欢) = 3 (在三个句子中都出现了“喜欢”)
  • 所以,P(吃 | 喜欢) = 1 / 3 ≈ 0.33
  • P(苹果 | 吃) = Count(吃, 苹果) / Count(吃)
  • Count(吃, 苹果) = 1
  • Count(吃) = 1
  • 所以,P(苹果 | 吃) = 1 / 1 = 1.0

现在,计算整个句子 “我喜欢吃苹果” 的 Bigram 概率:

P(句子) = P(我 | <s>) * P(喜欢 | 我) * P(吃 | 喜欢) * P(苹果 | 吃) * P(</s> | 苹果)

我们需要额外计算:

  • P(我 | <s>) = Count(<s>, 我) / Count(<s>) = 2 / 3(3个句子,2个以“我”开头)
  • P(</s> | 苹果) = Count(苹果, </s>) / Count(苹果) = 1 / 1 = 1.0(假设“苹果”只在句尾出现一次)

最终:

P(句子) = (2/3) * 1.0 * (1/3) * 1.0 * 1.0 ≈ 0.222

  • 马尔可夫假设

N-Gram基于一个巧妙而有效的简化:一个词的出现概率只与它前面有限个词有关。这一假设使得复杂的语言建模问题变得可计算。例如,在Bigram模型中,我们假设:P(天气|今天) ≈ P(天气|今天)

N-Gram模型的核心是计算序列概率。对于一个句子"今天天气真好",其概率可以表示为:

P(今天天气真好) = P(今天) × P(天气|今天) × P(真|天气) × P(好|真)

假设语料库中有以下句子: 今天天气真好 今天心情真好 明天天气不错 计算P(天气|今天): Count(今天, 天气) = 1(第1句) Count(今天) = 2(第1、2句) P(天气|今天) = 1/2 = 0.5


参考代码:

from collections import defaultdict, Counter
import numpy as np
# 简单语料库
corpus = [
    ['今天', '天气', '真好'],
    ['今天', '心情', '真好'], 
    ['明天', '天气', '不错']
]
# 构建Bigram模型
def build_bigram_model(corpus):
    bigram_counts = defaultdict(Counter)
    unigram_counts = Counter()
    for sentence in corpus:
        for i in range(len(sentence)-1):
            current_word = sentence[i]
            next_word = sentence[i+1]
            bigram_counts[current_word][next_word] += 1
            unigram_counts[current_word] += 1
    # 计算概率
    bigram_probs = {}
    for prev_word, next_words in bigram_counts.items():
        total = unigram_counts[prev_word]
        bigram_probs[prev_word] = {
            next_word: count/total for next_word, count in next_words.items()
        }
    return bigram_probs
# 构建模型
model = build_bigram_model(corpus)
print("P(天气|今天) =", model['今天']['天气'])
print("P(心情|今天) =", model['今天']['心情'])

输出结果:

P(天气|今天) = 0.5
P(心情|今天) = 0.5

基于以上基础继续实现文本自动生成:

def generate_text(seed_word, model, length=10):
    current_word = seed_word
    generated_text = [current_word]
    for _ in range(length-1):
        if current_word not in model:
            break
        next_words = list(model[current_word].keys())
        probabilities = list(model[current_word].values())
        # 按概率选择下一个词
        next_word = np.random.choice(next_words, p=probabilities)
        generated_text.append(next_word)
        current_word = next_word
    return ''.join(generated_text)
# 生成文本
print("生成示例:", generate_text('今天', model, 5))

输出结果:

生成示例: 今天天气真好

参考经典的硬币投掷问题加深理解:

       最大似然估计(MLE)是统计学中一种常用的参数估计方法。它的核心思想是:在已知数据集的情况下,寻找最有可能产生这些数据的参数值。

       举个例子,假设我们有一个硬币,我们想估计掷硬币时正面朝上的概率p。我们掷了10次硬币,结果有7次正面朝上,3次反面朝上。我们可以将每次掷硬币看作是一个伯努利试验,那么正面朝上的次数X服从二项分布,即X ~ Binomial(n=10, p)。

       我们的目标是估计参数p。似然函数就是给定参数p时,观察到当前数据的概率。对于二项分布,似然函数为:

                         L(p) = P(X=7 | p) = C(10,7) * p^7 * (1-p)^3

       最大似然估计就是要找到使L(p)最大的p值。通常,我们会取似然函数的对数(因为对数函数是单调的,最大化对数似然等价于最大化似然),然后求导并令导数为0。

对数似然函数为:log L(p) = log(C(10,7)) + 7*log(p) + 3*log(1-p)

对p求导并令导数为0:d(log L(p))/dp = 7/p - 3/(1-p) = 0

解方程:7/p = 3/(1-p)  => 7(1-p) = 3p  => 7 - 7p = 3p  => 7 = 10p  => p = 0.7

因此,p的最大似然估计值是0.7。


下面我们用Python代码来演示这个过程,包括绘制似然函数曲线。

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import minimize_scalar
# 设置matplotlib支持中文显示
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
# 观测数据:7次正面,3次反面
data = np.array([1, 1, 1, 1, 1, 1, 1, 0, 0, 0])
n_heads = np.sum(data)
n_tails = len(data) - n_heads
# 定义似然函数
def likelihood(p):
    return p**n_heads * (1-p)**n_tails
# 定义负对数似然函数(因为我们要最小化)
def neg_log_likelihood(p):
    return - (n_heads * np.log(p) + n_tails * np.log(1-p))
# 使用优化方法找到最大似然估计
result = minimize_scalar(neg_log_likelihood, bounds=(0.01, 0.99), method='bounded')
mle_p = result.x
print(f"最大似然估计值: p = {mle_p:.3f}")
# 可视化似然函数
p_values = np.linspace(0.01, 0.99, 100)
likelihood_values = [likelihood(p) for p in p_values]
plt.figure(figsize=(10, 6))
plt.plot(p_values, likelihood_values, label='似然函数')
plt.axvline(mle_p, color='r', linestyle='--', label=f'MLE估计值: p={mle_p:.3f}')
plt.xlabel('p (正面概率)')
plt.ylabel('似然值')
plt.title('硬币投掷问题的似然函数')
plt.legend()
plt.grid(True)
plt.show()

结果展示:

五、数据稀疏与平滑技术

如果语料库中从未出现过 (w_{i-1}, w_i) 这个组合,那么 P(w_i | w_{i-1}) = 0,这会导致整个句子的概率为0。例如,语料库中如果没有“吃香蕉”,那么句子“我喜欢吃香蕉”的概率就是0,这显然不合理。

解决方案: 平滑(Smoothing)技术。其核心思想是从已知概率中“偷”一点概率质量分配给未出现过的序列。

常见平滑方法:

  • 加一平滑(Add-One / Laplace Smoothing): 将所有计数加1,避免0概率。
  • 古德-图灵估计(Good-Turing Estimation): 用出现一次的事物的数量来估计未出现事物的概率。
  • 回退(Backoff): 如果N-gram不存在,就回退到使用 (N-1)-gram 的概率。
  • 插值(Interpolation): 将不同阶数的N-gram(如unigram, bigram, trigram)的概率加权混合起来。

六、N-gram 的应用

1. 文本生成

  • 给定一个起始词,根据N-gram概率选择下一个最可能的词,依此类推,生成连贯的文本。
  • 示例: 输入“今天”,模型可能根据语料库生成“今天天气真好”。

2. 语法检查与纠错

  • 低概率的单词序列很可能存在语法错误或拼写错误。
  • 示例: “吃飞机”这个Bigram的概率极低,系统会提示“吃飞机”可能应为“坐飞机”。

3. 输入法预测

  • 当你输入“wo”时,输入法会预测“我”;当你输入“wo xihuan”时,它会预测“我喜欢”以及后续可能接的词“读书”、“吃”等。

 4.语音识别

  • 帮助系统在发音相近的候选词中选择最符合上下文语境的词。
  • 示例: 识别到发音为“shi4 jian4”,在“事件”和“时间”之间,如果上文是“漫长的”,则选择“时间”的概率更高。

 5. 机器翻译

  • 用于评估翻译输出的流畅度,选择那些听起来更自然、更符合目标语言N-gram习惯的译文。

 6. 信息检索

  • 处理短语查询(如“纽约时报”),将其视为一个Bigram,比单独搜索“纽约”和“时报”能返回更精确的结果。

七、总结

       N-gram 是一个简单而强大的概率模型,用于表示文本中的连续序列。通过有限的上下文来捕捉语言的局部规律,平衡了模型的复杂度和计算可行性。虽然如今Transformer(如BERT, GPT)等深度学习模型在大多数NLP任务上超越了N-gram,但N-gram因其轻量、可解释、不需要训练(仅需计数)的特性,在资源受限的场景、快速原型开发以及作为大型模型的补充组件中,依然发挥着重要作用。理解N-gram是理解更复杂NLP模型的基础。

相关文章
|
15天前
|
人工智能 API 开发工具
构建AI智能体:一、初识AI大模型与API调用
本文介绍大模型基础知识及API调用方法,涵盖阿里云百炼平台密钥申请、DashScope SDK使用、Python调用示例(如文本情感分析、图像文字识别),助力开发者快速上手大模型应用开发。
523 16
构建AI智能体:一、初识AI大模型与API调用
|
10天前
|
人工智能 自然语言处理 前端开发
构建AI智能体:六、体验Trae指定Qwen-Turbo模型自动生成问答系统
本文介绍如何使用字节跳动的AI编程工具Trae与阿里通义千问Qwen-Turbo模型,快速生成一个智能问答系统。通过图文结合方式,演示从环境搭建、指令生成到界面优化的全过程,涵盖前后端代码自动生成、模型调用封装及交互优化技巧,展现AI辅助开发的高效与趣味,助力开发者提升生产力。
257 12
|
14天前
|
数据采集 监控 API
告别手动埋点!Android 无侵入式数据采集方案深度解析
传统的Android应用监控方案需要开发者在代码中手动添加埋点,不仅侵入性强、工作量大,还难以维护。本文深入探讨了基于字节码插桩技术的无侵入式数据采集方案,通过Gradle插件 + AGP API + ASM的技术组合,实现对应用性能、用户行为、网络请求等全方位监控,真正做到零侵入、易集成、高稳定。
326 29
|
25天前
|
SQL 人工智能 运维
一场由AI拯救的数据重构之战
本文以数据研发工程师小D的日常困境为切入点,探讨如何借助AI技术提升数据研发效率。通过构建“数研小助手”智能Agent,覆盖需求评估、模型评审、代码开发、运维排查等全链路环节,结合大模型能力与内部工具(如图治MCP、D2 API),实现影响分析、规范检查、代码优化与问题定位的自动化,系统性解决传统研发中耗时长、协作难、维护成本高等痛点,推动数据研发向智能化跃迁。
168 29
一场由AI拯救的数据重构之战
|
6天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:十、开箱即见 Gradio:大模型的“魔法画布”,让每一个想法清晰可见
Gradio是一个快速构建机器学习演示界面的Python库,能够将需要数天开发工作的模型展示缩短为几分钟的脚本编写。它通过简单的Python代码即可生成完整的Web应用界面,支持文本、图像、音频等多种交互组件,适用于模型展示、教学演示和原型测试等场景。文章详细介绍了Gradio的核心功能、基础语法和组件使用方法,并通过情感分析和聊天机器人两个实际案例展示了如何快速部署AI模型交互界面。Gradio大幅降低了将模型转化为可交互应用的门槛,使开发者能更专注于模型本身而非界面开发。
140 7
|
17天前
|
机器学习/深度学习 运维 监控
别让运维只会“救火”——用数据点燃业务增长的引擎
别让运维只会“救火”——用数据点燃业务增长的引擎
84 12
|
27天前
|
人工智能 安全 Java
分布式 Multi Agent 安全高可用探索与实践
在人工智能加速发展的今天,AI Agent 正在成为推动“人工智能+”战略落地的核心引擎。无论是技术趋势还是政策导向,都预示着一场深刻的变革正在发生。如果你也在探索 Agent 的应用场景,欢迎关注 AgentScope 项目,或尝试使用阿里云 MSE + Higress + Nacos 构建属于你的 AI 原生应用。一起,走进智能体的新世界。
340 33
|
4天前
|
数据采集 人工智能 缓存
构建AI智能体:十一、语义分析Gensim — 从文本处理到语义理解的奇妙之旅
Gensim是Python中强大的自然语言处理库,擅长从大量中文文本中自动提取主题、生成词向量并计算文档相似度。它支持LDA、Word2Vec等模型,结合jieba分词可有效实现文本预处理、主题建模与语义分析,适用于新闻分类、信息检索等任务,高效且易于扩展。
101 17
|
2月前
|
人工智能 缓存 自然语言处理
从 Prompt 到 Context:基于 1400+ 论文的 Context Engineering 系统综述
本文探讨了Prompt Engineering的发展趋势及其扩展——Context Engineering的重要性。随着大语言模型(LLM)的发展,构建合适的上下文(context)成为影响模型性能的关键因素。Context Engineering不仅包括传统的提示词工程,还涵盖了上下文的构建、管理与优化,被视为LLM时代的新软件工程范式。文章结合最新研究成果与行业实践,系统解析了Context Engineering的概念、分类、挑战及其在LLM应用中的核心作用,帮助开发者更好地理解和应用这一新兴技术。
439 27
从 Prompt 到 Context:基于 1400+ 论文的 Context Engineering 系统综述