深度学习在NLP领域的发展
一、词向量历史
1.1 第一阶段：
Word embeddignd
- Word 2Vec
- Glove
通过无监督的语料，来学习到比较好的词向量，基于词向量来进行其他的下游任务，提高模型的泛化能力。
1.2 第二阶段：
RNN的改进和拓展（基于上下文，使得模型能对一个词表现多个意思）
- LSTM/GRU
- Seq2Seq
- Attention / Self-attention
1.3 第三阶段：
Contextual Word Embedding（）
- ELMO
- OPENAI GPT
- BERT
二、词向量详细介绍
2.1 Word embedding
把词映射为 “ 语义 ”坐标系中的一个点，基于这个映射可以使语义相似的词相距较近。可以学习一些词对应关系。例如男性，女性词相关关系。
缺点：
由于一个词可能有多种语义。例如bank可以是，“银行”，也可以是“河堤”。所以，对于word embedding来说，不能基于上下文进行多语义判断。
语义空间
2.2 RNN（上下文语义）
RNN中比较经典的例子是：seq2seq，它是由两个RNN组成，可以用于翻译，摘要，问答和对话系统。
如下图所示，为法语翻译成英语的例子。将法语通过encoder编码器(RNN)编码为context向量，获得法语的语义表示。然后用Decoder解码器(RNN)去将语义向量解码称为英文表示。
缺点：
1、监督数据量不足，难以学到复杂的上下文表示
解决方法：使用无监督的上下文词嵌入（ELMO,GPT,BERT)
seq2seq模型
三、词向量表示
3.1 One-Hot encoding
将词以词向量的方式表示，如下图所示，有四个词，将其进行one-hot 编码，编码为
第一个词为[1,0,0,0]
第二个词为[0,1,0,0]
第三个词为[0,0,1,0]
第四个词为[0,0,0,1]
特点：
高维(词越多，维数越高），稀疏（词分布较大，都在对角线上），正交（两个相邻词距离固定）
one-hot词表示
3.2 神经网络语言模型
给定一个句子 , 计算这个句子出现的概率。可以使用条件概率将其表示成句子中每个词词出现的概率，并将词出现概率累乘后即为句子出现概率。
语言模型结构图
该模型特点：
1、存在长距离依赖问题。
例如，我出生在法国，（巴拉巴拉*100个词），我会说一口流利的[mask]，问[mask]是什么？
这里[mask]很大概率是“法语”，因为他出生在法国。但法国距离现在词位置非常远，神经网络语言很难去获得这个信息。
2、可以解决泛化能力较差，不能共享上下文的问题。
例如语料库中，出现较多“我要去北京”，而“我要去上海”相对较少。就会出现北京的权重比上海大。但是上海和北京权重应该都是类似的。通过神经网络语言模型可以使得，“我要去”后面跟“上海”和“北京”的权值差不多大。
3.3 word2Vec
如果两个词的上下文关系是相似的，则他们的语义也是相似的。即一个词的向量表示跟他周围的词相关。
如下图所示：训练过程中，你需要同时考虑了它左右的上下文，那么就可以使"written"带有语义信息了。通过这种操作，我们可以得到近义词，甚至cat和它的复数cats的向量极其相近。
image
Word2Vec有两种实现方式：
CBOW:给定上下文来预测输出词
假设我们现在的Corpus是这一个简单的只有四个单词的document：
{I drink coffee everyday}
我们选coffee作为中心词，window size设为2（仅选输入词前后各两个词和输入词进行组合）
也就是说，我们要根据单词"I","drink"和"everyday"来预测一个单词，并且我们希望这个单词是coffee。
CBOW
Skip-Gram:通过输出词来预测上下文
image
上图中，w(t)就是中心词，也叫给定输入词。其中有一个隐藏层，它执行权重矩阵和输入向量w(t)之间的点积运算。隐藏层中不使用激活函数。现在，隐藏层中的点积运算结果被传递到输出层。输出层计算隐藏层输出向量和输出层权重矩阵之间的点积。然后用softmax激活函数来计算在给定上下文位置中，单词出现在w(t)上下文中的概率。
例如我们选定句子“The quick brown fox jumps over lazy dog”，设定我们的窗口大小为2（window_size=2），也就是说我们仅选输入词前后各两个词和输入词进行组合。下图中，蓝色代表input word，方框内代表位于窗口内的单词。
Skip-Gram
我们的模型将会从每对单词出现的次数中习得统计结果。例如，我们的神经网络可能会得到更多类似（“Soviet“，”Union“）这样的训练样本对，而对于（”Soviet“，”Sasquatch“）这样的组合却看到的很少。因此，当我们的模型完成训练后，给定一个单词”Soviet“作为输入，输出的结果中”Union“或者”Russia“要比”Sasquatch“被赋予更高的概率。
3.4 RNN
RNN具有“记忆”能力，在考虑t时刻的状态时，会参考t-1时刻的前序信息。公式及示意图如下;
image
RNN在执行过程中，需要进行反向传播，往回调整参数。但经过多层回传的问题，倘若回传的学习率<1，容易导致梯度消失的问题。倘若回传的学习率>1，容易导致梯度爆炸的问题。
LSTM可以解决梯度消失和梯度爆炸的问题。（即基于门的机制来避免梯度消失的问题）
GRU为在LSTM上的变体，把遗忘门和输入们合并成一个更新门。
对于RNN问题，可以将其用作序列标注（下图左），分类问题（下图右）
image
对于seq2seq模型，可以用作机器翻译，摘要，问题，对话等任务上。其使用两个RNN（encoder和decoder)进行训练。将前序句子转换成语义向量（encoder)，并基于语义向量获得输出(decoder)
image
3.5 attention机制
attention机制，例如在任务中，翻译某个词时，现在位于位置，拥有比较粗糙的语义，则需要去前面获得一些对应的信息。使用softmax将前面词转换成[0~1]的概率，获得一个概率分布。加权累加后得到前序文本的向量context vector。context vector与
很像，但为比
更细化的内容。将其一起输入来进行预测，获得输出。
image
RNN缺陷问题：
1、顺序依赖，无法并行。
2、单向信息流问题，需要考虑整个句子。
普通的attention，如下图所示，需要考虑 "I" ，“ am”等其他单词，即需要一个外部的“驱动“，来进行。
image
self-attention为自驱动的，当编码第t个单词时，用当前状态去驱动“自己周围的内容”。
image
3.6 transformer结构
由多层的Encode-Decode堆叠而成。
image
对于每一次encoder和decoder，其结构如下：
Encoder中为self-attention和线性层组成；
Decoder中为self-attention，注意力层和线性层组成；
image
对于encoder层，其详细结构如下：
image
transformer结构如下：
假设句子只有thinking和machines两个词，首先对他们进行embedding,获得一个长度为四的词向量。接下来使用三个变换矩阵,
,
,分别把每个词变换成三个向量
,
,
,
,
,
。（
*
=
)
image
获得向量后，我们要对其进行计算。（以Thinking词为例子)
1、计算和
，
的Score。（两个向量内积越大，代表两个向量越相似）；
2、使用softmax将 score变成概率。
3、加权计算,
计算类似。
image
其中：
为提取信息的向量；
为被检索的向量；
为词真正的语义向量；
如下为该方法的矩阵计算过程，以此计算所有的Q,K和V，并一步计算得到z：
image
3.7 multi-Heads多头attention
即由多个attention(Q、K和V)组成的模型。可以将其认为，每个heads解决一个任务的某一个问题。例如利用一组矩阵是用于解决“指代消解”，一组矩阵是用来关注”句子上下关系的“及一组矩阵是用来关注”国家首都等“对应关系的。即不同的head学到不同的语义关系。
image
传统的transformer是8个heads的。如下图所示：
image
根据计算得到z，但由于z信息比较多，需要用一个24*4的矩阵（每一个z为3位矩阵，8个z为24），将其压缩成一个四维的向量。
image
完整过程如下：transformer中每一个输入x有8个heads，每个head有对应的q,k,v。所以就有有8个q,k,v，获得8个z，并通过（24x3的矩阵）对其进行压缩，可以获得Z（四维矩阵）。
image
对于：
北京 到 上海 的机票。
上海 到 北京 的机票。
由于上海和北京在两个句子中代表的含义不同，分别代表始发点和目的地。
由此，transformer提供了位置编码，即每一个位置一个embedding。
但：
北京到上海的机票 vs 您好，我要一张北京到上海的机票。
对于“北京”一词，由于位置不一样，他们的编码肯定是不一样的。
由此，transformer又提供了相对位置编码，能较好的保证相对位置编码。
但bert或gpt使用的是比较简单的绝对位置编码。
在transformer 中decoder不能利用未来的信息。他利用一各掩码矩阵mask matrix,当预测第一个词时，只能看前1个，当预测第3个词时，可以看前三个。（对于mask matrix 中每一行）
image
四、上下文词嵌入（contextual word embedding)
问题：
1、由于word embedding无上下文。
2、并且，监督数据太少。
解决办法（contextual word embedding)：
1、引入无监督模型。
2、考虑上下文的embedding。
4.1 ELMO
A: 你好，ELMO,词'stick'的词向量是什么？
ELMO：它有很多种表示，你要给我个句子，我才告诉你。
A：偶，好的。句子"Let's stick to improvisation in this skit"
ELMO:好的，在这个例子中，它的词向量为[-0.02,-0.16,0.12,-0.1,,,etc]
image
ELMO的思想就是：考虑上下文。
双向多次的LSTM的NNLM（神经网络语言模型）
ELMO问题：
1、contextual word embedding作为特征；
2、基于无监督学习，可能不适合某些特定任务。
OpenAI GPT改进
1、根据任务 fine-tuning（微调）。
2、使用transformer 代替 RNN/LSTM。
4.2 OPENAI GPT
只是用transformer 的decoder，没有用encoder的 transformer，
结构：
1、带mask的 self-attention
2、全连接层
image
训练语言模型是单句子的，对于多个句子，如何进行fine-tuning?
通过将两个句子强行拼接起来。使用start,extract来表示开始和结束，使用Delm表示分割符。
image
OpenAI GPT的问题：
1、单向的，即使用带mask的self-attention，在编码的时候只能看前面，不能看后面。
2、pretraning和fine-tunning不匹配。
解决：
使用BERT
1、使用marked LM(语言模型)
2、使用NSP multi-task learning （下一个句子预测）
3、使用encoder again
4.3 bert
1、将输入分成两段。
2、BPE编码
bert结构有
input(输入层)：将输入分成两部分。以"[CLS]"开头，以"[SEP]" 作为分隔和结尾。
token embeddings(字向量)：以细粒度的字为基准，获得词向量。
segment embeddings(段落表示)：以"[SEP]" 左右来分段，左边为A句子，右边为B句子。
position Embeddings(位置表示)：获得对应输入的位置信息。
image
1、解决单向信息流问题
使用masked ML，类似完形填空，随机[mask]掉15%的词，让bert来预测。
image
2、引入新任务解决pretraining和fine-tuning
bert以50%的概率抽取两个连贯的句子，也用50%的概率连续抽取两个句子，基于Next sentent prediction来学习两个句子之间的关系。
image
4.3.1 bert单个句子任务
例如情感分类，文本分类。输入是一个句子，进行编码，每个时刻都输出一个向量。拿[cls]的第一个词接上全连接层进行分类，获得分类结果。
bert任务还是预测一个词，[cls]是一个没有意义的词，它都是attention到其他有意义的词上，所以他的语义都是来自整个句子。所以这里说明他编码了整个句子的语义。
image
4.3.2 bert两个句子任务
image
4.3.3 bert问答任务
image
4.3.4 bert序列标注任务
image
5 bert代码及应用
预训练模型：
前四个为：英文模型；
最后一个：中文模型；
bert-large-ml-cased：多国语言；
uncased：不做大小写归一化，即大写小写同时存在。
cased:大写都归一化成小写了
image
fine-tuning
image
数据预训练：pretraining（准备数据）
image
数据预训练：pretraining（训练数据）
image
5.1 实战
1、高频常见问题（FAQ）回答机器人
解决方法：
1、相似计算（KNN），优点：简单，效果没意图分类好
bert提高10%
2、意图分类。
bert提高3%
5.2 注意事项
1、使用中文模型，不要使用多语言模型。
2、max_seq_length 可以小一点，提高效率。
3、内存不够，需要调整train_batch_size
4、有足够多的领域数据，可以尝试find tuning.
网友评论