CS224N(13)-词向量的上下文表征及预训练

2019-04-30 本文已影响0人 Evermemo

Contextual Word Representations and Pretraining

一、Word Representations

在2018年之前，我们使用的词向量表征技术主要有三个：Word2Vec、Glove、FastText。但是这三个方法都普遍存在在一些问题，就是无法解决一次多义的问题，即对于同一个词无论上下文的单词是否相同，训练出来的词向量都是一样的。

通常我们训练词向量的时候，首先会初始化所有的词向量，并且在训练过程中不断地改变这些向量的值，需要注意的是训练的目标是我们自己定义的任务，而词向量仅仅是副产物而已。

当我们手中的语料不足时训练出来的词向量效果不会很理想，这是用通常会使用他人已经训练好的词向量，并且以预训练的词向量来作为初始值，在训练过程中冻结或者微调。

我们训练好的词向量是不可能涵盖所有词的(这里主要有两个原因，一是训练语料中本来就不存在这些词，二是这些词在训练语料中出现次数过少)，这就会存在一个未登录词的问题，遇到这个问题的时候我们怎么处理呢？

首先，最简单和最普遍的解决方法就是将所有未登录的词映射为<UNK>，并且为它训练一个词向量。但是这种方法存在缺点，它把这些未登录词都视为相同，不能区分它们的区别。

为了解决上面的方法存在的问题，人们开始考虑训练字符集别的词向量。
除此之外还有一些其他的方法:

1.如果测试时的<unk>单词出现在未受监督的单词嵌入中，请使用测试时的向量。
2.对于其他单词，只需给它们分配一个随机向量，将它们添加到词汇表中即可。
3.将事物折叠成单词类（如未知数字、大写的事物等），并为每个类设置一个<unk class>

二、ELMO

下面我们来看下这个神经网络：

在一个NLM中，我们快速地通过LSTM层获得单词向量（可能只在语料库上训练）。这些LSTM层被训练来预测下一个单词。但是这些语言模型在每个位置都产生了上下文特定的单词表示！

下面来介绍一些经典的模型：

1、Peters et al. (2017): TagLM – “Pre-ELMo”

论文地址：https://arxiv.org/pdf/1705.00108.pdf
核心思想：通过上下文中获取单词的含义，但只在task-labeled的小任务（例如，NER）上使用RNN来进行训练。

算法的核心步骤如下：

1.预训练词向量和语言模型
2.在输入序列中准备好单词嵌入和语言模型嵌入。
3.在序列标记模型中同时使用单词嵌入和语言模型嵌入。

该模型结构图如下：

论文得出的结论如下：

1、通过对语言模型观察我们得出：使用有监督数据集来训练的语言模型效果甚微，使用双向语言模型仅对向前有利，网络结构越复杂效果越好。
2、通过对任务特定BILSTM观察可知：仅使用lm嵌入来预测并不好，仅在标签数据上使用bilstm进行标记

2、Also in the air: McCann et al. 2017: CoVe

论文地址：https://arxiv.org/pdf/1708.00107.pdf

网络结构示意图如下:

核心思想是使用经过训练的序列模型为其他NLP模型提供上下文。
使用两层的LSTM来为seq2seq+attention编码器的提供双下文
结果：产生的COVE向量在各种任务上都优于Glove向量。
但是，结果并不像其他幻灯片中描述的简单NLM那样强大，因此最后被舍弃。

3、Peters et al. (2018): ELMo: Embeddings from Language

Models
ELMO是第一个使用双向语言模型来获得词向量的方法。
论文名称及地址：
Deep contextualized word representations. NAACL 2018.
https://arxiv.org/abs/1802.05365

网络结构图：

ELMO是词向量或上下文词向量的突破性算法：它使用长上下文而非上下文窗口学习词向量（此处，整个句子可能更长），使用双向的深层NLM进行训练并使用其所有层进行预测。

我们来简要介绍下这个模型：首先，它训练了一个双向的语言模型，其次，其性能很好并且模型不大：使用2个bilstm层，使用字符级的CNN建立初始单词表示(2048 char n-gram过滤器和2个HighWay层，512 dim投影)，使用4096 dim hidden/cell lstm状态，512dim投影到下一个输入，使用残差链接，连接token输入和输出（SoftMax）的参数，并将这些参数连接在正向和反向语言模型之间。

ELMO用于学习特定任务的双向语言模型表示的组合，这是首次仅使用LSTM堆栈顶层的模型，ELMO的任务可以简单表示为：

$\gamma^{task}$ :根据任务衡量ELMO的总体效用；
$s^{task}$ :Softmax归一化混合物模型权重

在使用双向语言模型获得词向量后，我们在下游任务中使用词向量时，冻结有监督模型中的ELMO部分，并且将EMLO的权重根据不同的任务来连接不同的模型中。

模型中的两个bilstm nlm层具有不同的用途/含义，

1、较低层学习的是较低级别的语法等。
2、高层次学习的是语义。

三、ULMfit

论文名称及地址：
Howard and Ruder (2018) Universal Language Model Fine-tuning for Text Classification.
https://arxiv.org/pdf/1801.06146.pdf

ULMfit主要是使用迁移学习来进行文本分类：
迁移学习示意图：

算法的核心思想：

1.在大的通用域语料库上训练语言模型
2.在目标任务数据上调整语言模型
3.作为目标任务的分类器进行微调

模型结构图如下：

UMLfit使用大小合理的“1-gpu”语言模型，由于是利用别人预训练好的模型进行迁移学习，因此模型通常不大。
在语言模型微调过程中非常小心，每层采用不同的学习率，即倾斜三角形学习率（STLR）策略，开始学习率逐渐增大大，后面逐渐变小。
在学习分类器时逐步解冻并且采用STLR策略,分类时使用串联的方法 $[h_T,maxpool(h),meanpool(h)]$

近年预训练语言模型发展历程：

四、transformer:

transformer的出现主要是为了利用纯attention来解决RNN系列网络无法并行的问题。

transformer网络概况：

我们从图中可以看到：它是一个没有使用循环神经网络的Seq2Seq编码器解码器模型。最初应用于使用并行语料库进行机器翻译并预测每个单词的翻译。
最终的成本/误差函数是SoftMax分类器顶部的标准交叉熵误差。

如果我们要详细地了解transformer，可以参考下面地资源：
http://nlp.seas.harvard.edu/2018/04/03/attention.html
这是一个使用pytorch在jupyter notebook上来解释transformer的教程。

接下来我们首先了解transformer中的attention部分。

1、attention:

inputs:一个查询q和一组键值（k-v）对。
Query, keys, values, and output都是向量。
输出是值的加权和，其中每个值的权重由查询的内部乘积和相应的键计算，查询和键具有相同的维数 $d_k值d_v$ 。
输出公式如下：

当我们遇到多个查询时，我们将它们使用堆栈的方法组成矩阵Q，那么上面这个公式就变为如下形式：

但是这个公式存在一个缺点：
$当d_k变大时，q^{t}k的方差会增加，SoftMax中的一些值会变大，SoftMax图形会变得非常尖锐，进而导致它的梯度变小。$
因此这里进行了一个缩放处理：

示意图如下：

2、self-attention

接下来介绍一下self-attention，self-attention有什么特点呢？

1.输入词向量是查询、键和值。
2.词向量本身相互进行选择。
3.字向量stack=Q=K=V

1.Encoder self-attention

2.Decoder self-attention

缺点在于只有一种词的相互作用方式，下面我们来介绍一下Multi-head attention

3、Multi-head attention

其大概步骤如下：

1.首先通过W矩阵将q，k，v映射到h=8的低维空间
2.然后连接输出并通过线性层传输

其计算公式如下：

示意图如下：

与CNN和传统的Attention相比，Multi-head attention还是有很多特性的。
下面以这句话为例子：
The cat stuck out its tongue and licked its owner
当使用CNN处理这段话时，体现的是相对位置的不同线性变换，其示意图如下：

当使用普通的Attention时，体现的是权重的平均：

当使用Multi-Attention时，在输入和输出上具有不同线性变换的并行行Attention层：

4、transformer block

1.encoder

encoder结构部分的示意图如下：

在transformer中，每个块有两层，每层由一个Multihead attention和一个两层的采用ReLU激活函数的前馈神经网络组成。

其结构可以由下图表示：

这两个步骤中的每一个还具有：
Residual (short-circuit) connection 和 LayerNorm
LayerNorm(x + Sublayer(x))
layerNorm将输入更改为每个层和每个训练点的平均值0和方差1（并添加两个以上参数），公式表示如下：

在transformer中，encoder部分的每个块(共6个)中, Q=K=V且Q、K、V都来自上一层。并且实际上词向量的表示是字节对编码，除此之外，还添加了位置编码，因此不同位置的相同单词具有不同的整体表示。
positional encoding的计算公式如下:

2.decoder

结构示意图如下：

相对于encoder部分decoder对子层进行了一定的更改，
1.使用self-attention对先前生成的输出进行masked decoder

2.Encoder-Decoder Attention,查询来自前一个解码器层，键和值来自编码器的输出。

transformer的相关细节如下：

1.字节对编码
2.检查点平均
3.学习率变化的Adam优化器
4.在每一层训练过程中仅在在添加参擦连接之前使用dropout
5.标签平滑
6.使用带有beam search和长度惩罚的自动回归解码

五、BERT: Devlin, Chang, Lee, Toutanova (2018)

BERT (Bidirectional Encoder Representations from Transformers):
Pre-training of Deep Bidirectional Transformers for Language
Understanding

ELMO、GPT、BERT结构对比图：

BERT主要解决的是传统语言模型只使用左上下文或右上下文，但语言理解是双向的这一问题。图例如下：

BERT在工程上采用的技巧是：

1.在训练过程中随机mask掉15%的token，而不是把像cbow一样把每个词都预测一遍。最终的损失函数只计算被mask掉那个token。
Mask如何做也是有技巧的，如果一直用标记[MASK]代替（在实际预测时是碰不到这个标记的）会影响模型，所以随机mask的时候10%的单词会被替代成其他单词，10%的单词不替换，剩下80%才被替换为MASK。要注意的是Masked LM预训练阶段模型是不知道真正被mask的是哪个词，所以模型每个词都要关注。