第十三讲-基于上下文的表征与NLP预训练模型

1 词向量知识回顾

1.1 词向量表征

• 现在我们可以获得一个单词的表示
  • 我们开始时学过的单词向量
    • Word2vec，GloVe，fastText

1.2 预训练的词向量

• 我们可以随机初始化词向量，并根据我们自己的下游任务训练它们
• 但在绝大多数情况下，使用预训练词向量是有帮助的，因为它们本身是自带信息的 (我们可以在更大体量的预训练语料上训练得到它们)

1.3 未知词的词向量应用建议

• 简单且常见的解决方案：

• 训练时：词汇表\(\{\text { words occurring, say }, \geq 5 \text { times }\} \cup\{<\mathrm{UNK}>\}\)

  • 将所有罕见的词 (数据集中出现次数小于 5) 都映射为\(<UNK>\)，为其训练一个词向量

• 运行时：使用\(<UNK>\)代替词汇表之外的词 OOV

• 问题：

  • 没有办法区分不同 UNK words，无论是身份还是意义

解决方案

​ 使用字符级模型学习词向量

• 特别是在 QA 中，match on word identity 是很重要的，即使词向量词汇表以外的单词

​ 尝试这些建议 (from Dhingra, Liu, Salakhutdinov, Cohen 2017)

• 如果测试时的\(<UNK>\)单词不在你的词汇表中，但是出现在你使用的无监督词嵌入中，测试时直接使用这个向量

• 此外，你可以将其视为新的单词，并为其分配一个随机向量，将它们添加到你的词汇表

• 帮助很大或者也许能帮点忙

• 你可以试试另一件事

  • 将它们分解为词类 (如未知号码，大写等等)，每种都对应一个 \(<UNK-class>\)

1.4 单词的表示

存在两个大问题

• 对于一个 word type 总是是用相同的表示，不考虑这个 word token 出现的上下文
  • 我们可以进行非常细粒度的词义消歧
• 我们对一个词只有一种表示，但是单词有不同的方面，包括语义，句法行为，以及表达 / 含义

1.5 我们一直都有解决这个问题的办法吗？

• 在NLM中，我们直接将单词向量 (可能只在语料库上训练) 插入LSTM层
• 那些LSTM层被训练来预测下一个单词
• 但这些语言模型在每一个位置生成特定于上下文的词表示

1.6 论文解读 Peters et al. (2017): TagLM – “Pre-ELMo”

• 想法：想要获得单词在上下文的意思，但标准的 RNN 学习任务只在 task-labeled 的小数据上 (如 NER )
• 为什么不通过半监督学习的方式在大型无标签数据集上训练 NLM，而不只是词向量

1.7 标签语言模型 (Tag LM )

• 步骤3：在序列标记模型中同时使用单词嵌入和 LM 嵌入
• 步骤2：为输入序列中的每个标记准备单词嵌入和 LM 嵌入
• 步骤1：预训练词嵌入和语言模型
• 与上文无关的单词嵌入 + RNN model 得到的 hidden states 作为特征输入

• Char CNN / RNN + Token Embedding 作为 bi-LSTM 的输入
• 得到的 hidden states 与 Pre-trained bi-LM (冻结的) 的 hidden states 连接起来输入到第二层的 bi-LSTM 中

1.8 命名实体识别 (NER)

• 一个非常重要的NLP子任务：查找和分类文本中的实体

1.9 论文解读 Peters et al.(2017): TagLM-"Pre-ELMo"

• 语言模型在 Billion word benchmark 的8亿个训练单词上训练

语言模型观察结果

• 在监督数据集上训练的语言模型并不会受益
• 双向语言模型仅有助于 forward 过程，提升约 0.2
• 具有巨大的语言模型设计 (困惑度 30) 比较小的模型 (困惑度 48) 提升约 0.3

任务特定的BiLSTM观察结果

• 仅使用LM嵌入来预测并不是很好：88.17 F1
  • 远低于仅在标记数据上使用 BiLSTM 标记器

1.10 论文解读 Also in the air: McCann et al.2017:CoVe

• 也有一种思路：使用训练好的序列模型，为其他NLP模型提供上下文

• 思路：机器翻译是为了保存意思，所以这也许是个好目标？

• 使用 seq2seq + attention NMT system 中的 Encoder，即 2 层 bi-LSTM，作为上下文提供者

• 所得到的 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更简单的 NLM 训练那么好，所以似乎被放弃了

  • 也许NMT只是比语言建模更难？
  • 或许有一天这个想法会回来？

2.ELMo模型

2.1 论文解读 Peters et al. (2018): ELMo: Embeddings from Language Models

• 单词标记向量或上下文词向量的突破

• 使用长上下文而不是上下文窗口学习词标记向量 (这里，整个句子可能更长)

• 学习深度 Bi-NLM，并在预测中使用它的所有层

• 训练一个双向语言模型 (LM)

• 目标是效果 OK 但不要太大的语言模型 (LM)

  • 使用 2 个 biLSTM 层
  • (仅) 使用字符CNN构建初始单词表示
    • 2048 个 char n-gram filters 和 2 个 highway layers，512 维的 projection
  • 4096 dim hidden/cell LSTM状态，使用 512 dim 的对下一个输入的投影
  • 使用残差连接
  • 绑定 token 的输入和输出的参数 (softmax)，并将这些参数绑定到正向和反向语言模型 (LM) 之间

• ELMo 学习 biLM 表示的特定任务组合

• 这是一个创新，TagLM 中仅仅使用堆叠 LSTM 的顶层，ELMo 认为 BiLSTM 所有层都是有用的

\[ \begin{aligned} R_{k} &=\left\{\mathbf{x}_{k}^{L M}, \overrightarrow{\mathbf{h}}_{k, j}^{L M}, \overleftarrow{\mathbf{h}}_{k, j}^{L M} \mid j=1, \ldots, L\right\} \\ &=\left\{\mathbf{h}_{k, j}^{L M} \mid j=0, \ldots, L\right\} \end{aligned} \]

\[ \mathbf{E L M o}_{k}^{\text {task }}=E\left(R_{k} ; \Theta^{\text {task }}\right)=\gamma^{\text {task }} \sum_{j=0}^{L} s_{j}^{\text {task }} \mathbf{h}_{k, j}^{L M} \]

• \(\gamma^{t a s k}\)衡量 ELMo 对任务的总体有用性，是为特定任务学习的全局比例因子

• \(s^{task}\)是 softmax 归一化的混合模型权重，是 BiLSTM 的加权平均值的权重，对不同的任务是不同的，因为不同的任务对不同层的 BiLSTM 的

• 首先运行 biLM 获取每个单词的表示

• 然后，让 (无论什么) 最终任务模型使用它们

  • 冻结 ELMo 的权重，用于监督模型
  • 将 ELMo 权重连接到特定于任务的模型中
    • 细节取决于任务
      • 像 TagLM 一样连接到中间层是典型的
      • 可以在生产输出时提供更多的表示，例如在问答系统中

2.2 ELMo在序列标记器中的使用

2.3 ELMo ：层权重

• 这两个 biLSTM NLM 层有不同的用途 / 含义
  • 低层更适合低级语法，例如
    • 词性标注(part-of-speech tagging)、句法依赖(syntactic dependency)、NER
  • 高层更适合更高级别的语义
    • 情绪、语义角色标记、问答系统、SNLI
• 这似乎很有趣，但它是如何通过两层以上的网络来实现的看起来更有趣

3.ULMfit模型

3.1 ULMfit

• 转移 NLM 知识的一般思路是一样的

• 这里应用于文本分类

  

• 在大型通用领域的无监督语料库上使用 biLM 训练

  • 在目标任务数据上调整 LM

  • 对特定任务将分类器进行微调

    

• 使用合理大小的 1 GPU 语言模型，并不是真的很大

• 在LM调优中要注意很多

  • 不同的每层学习速度
  • 倾斜三角形学习率 (STLR) 计划

• 学习分类器时逐步分层解冻和STLR

• 使用\(\left[h_{T}, \operatorname{maxpool}(\mathbf{h}), \text { meanpool }(\mathbf{h})\right]\)进行分类

• 使用大型的预训练语言模型，是一种提高性能的非常有效的方法

4.Transformer结构

4.1 Transformer介绍

• 所有这些模型都是以Transformer为主结构的，我们应该学习一下Transformer吧

补充说明

• Transformer 不仅很强大，而且允许扩展到更大的尺寸

4.2 Transformers 动机

• 我们想要并行化，但是RNNs本质上是顺序的

• 尽管有 GRUs 和 LSTMs，RNNs 仍然需要注意机制来处理长期依赖关系——否则状态之间的 path length 路径长度 会随着序列增长

• 但如果注意力让我们进入任何一个状态……也许我们可以只用注意力而不需要RNN?

4.3 Transformer 概览

• 序列到序列编码解码模型，但它是非循环非串行结构
• 任务：平行语料库的机器翻译
• 预测每个翻译单词
• 最终成本/误差函数是 softmax 分类器基础上的标准交叉熵误差

4.4 Transformer 基础

• 自学 transformer
  • 主要推荐资源
    • http://nlp.seas.harvard.edu/2018/04/03/attention.html
    • The Annotated Transformer by Sasha Rush
  • 一个使用PyTorch的Jupyter笔记本，解释了一切！
• 现在：我们定义 Transformer 网络的基本构建块：第一，新的注意力层

4.5 点乘注意力 Dot-Product Attention

• 输入：对于一个输出而言的查询\(q\)和一组键-值对\((k-v)\)

• Query，keys，values，and output 都是向量

• 输出值的加权和

• 权重的每个值是由查询和相关键的内积计算结果

• Query 和 keys 有相同维数\(d_k\)，value 的维数为\(d_v\)

\[ A(q, K, V)=\sum_{i} \frac{e^{q \cdot k_{i}}}{\sum_{j} e^{q \cdot k_{j}}} v_{i} \]

4.6 点乘注意力矩阵表示法

• 当我们有多个查询\(q\)时，我们将它们叠加在一个矩阵\(Q\)中
• 变成\(A(Q, K, V)=\operatorname{softmax}\left(Q K^{T}\right) V\)

4.7 缩放点乘注意力

• 问题：\(d_k\)变大时，\(q^Tk\)的方差增大 → 一些 softmax 中的值的方差将会变大 → softmax 得到的是峰值 → 因此梯度变小了

• 解决方案：通过 query / key 向量的长度进行缩放

\[ A(Q, K, V)=\operatorname{softmax}\left(\frac{Q K^{T}}{\sqrt{d_{k}}}\right) V \]

4.8 编码器中的自注意力

• 输入单词向量是 queries，keys and values

• 换句话说：这个词向量自己选择彼此

• 词向量堆栈= Q = K = V

• 我们会通过解码器明白为什么我们在定义中将他们分开

4.9 多头注意力

• 简单 self-attention 的问题
  • 单词只有一种相互交互的方式
• 解决方案：多头注意力
• 首先，通过矩阵\(W\)将\(Q\)，\(K\)，\(V\)映射到\(h=8\)的许多低维空间
• 然后，应用注意力，然后连接输出，通过线性层

\[ \operatorname{MultiHead}(\boldsymbol{Q}, \boldsymbol{K}, \boldsymbol{V})=\operatorname{Concat}\left(\right. head _{1}, \ldots , head \left._{h}\right) where \ head\ hention _{i}= Attention ( \left.Q W_{i}^{Q}, K W_{i}^{K}, V W_{i}^{V}\right) \]

4.10 完整的transformer模块

• 每个 Block 都有两个子层

  • 多头 attention

  • 两层的前馈神经网络，使用 ReLU

• 这两个子层都

  • 残差连接以及层归一化
  • LayerNorm(x+Sublayer(x))
  • 层归一化将输入转化为均值是0，方差是1，每一层和每一个训练点 (并且添加了两个参数)

\[ \mu^{l}=\frac{1}{H} \sum_{i=1}^{H} a_{i}^{l} \quad \sigma^{l}=\sqrt{\frac{1}{H} \sum_{i=1}^{H}\left(a_{i}^{l}-\mu^{l}\right)^{2}} \quad h_{i}=f\left(\frac{g_{i}}{\sigma_{i}}\left(a_{i}-\mu_{i}\right)+b_{i}\right) \]

4.11 编码器输入

• 实际的词表示是 byte-pair 编码

• 还添加了一个 positional encoding 位置编码，相同的词语在不同的位置有不同的整体表征

\[ \left\{\begin{array}{l} P E(p o s, 2 i)=\sin \left(p o s / 10000^{2 i / d_{\text {model }}}\right) \\ P E(\operatorname{pos}, 2 i+1)=\cos \left(p o s / 10000^{2 i / d_{\text {model }}}\right) \end{array}\right. \]

4.12 完整编码器Encoder

• encoder 中，每个 Block 都是来自前一层的\(Q,K,V\)

• Blocks 被重复 6 次 (垂直方向)

• 在每个阶段，你可以通过多头注意力看到句子中的各个地方，累积信息并将其推送到下一层。在任一方向上的序列逐步推送信息来计算感兴趣的值

• 非常善于学习语言结构

4.13 注意力可视化

4.14 Transformer解码器

• decoder 中有两个稍加改变的子层

• 对之前生成的输出进行 Masked decoder self-attention

• Encoder-Decoder Attention，queries 来自于前一个 decoder 层，keys 和 values 来自于 encoder 的输出

• Blocks 同样重复 6 次

4.15 Transformer的技巧与建议

细节(论文/之后的讲座)

• Byte-pair encodings

• Checkpoint averaging

• Adam 优化器控制学习速率变化

• 训练时，在每一层添加残差之前进行 Dropout

• 标签平滑

• 带有束搜索和长度惩罚的自回归解码

• 因为 transformer 正在蔓延，但他们很难优化并且不像LSTMs那样开箱即用，他们还不能很好与其他任务的构件共同工作

5.BERT模型

5.1 论文解读 BERT: Devlin, Chang, Lee, Toutanova (2018)

• BERT：用于语言理解的预训练深度双向 transformers

• 问题：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

• 为什么LMs是单向的？

  • 原因1：方向性对于生成格式良好的概率分布是有必要的 [我们不在乎这个]
  • 原因2：双向编码器中单词可以 看到自己

• 解决方案：掩盖k%的输入单词，然后预测 masked words

• 不再是传统的计算生成句子的概率的语言模型，目标是填空

  • 总是使用k=15%

• Masking 太少：训练太昂贵

• Masking 太多：没有足够的上下文

• GPT 是经典的单项的语言模型

• ELMo 是双向的，但是两个模型是完全独立训练的，只是将输出连接在一起，并没有使用双向的 context

• BERT 使用 mask 的方式进行整个上下文的预测，使用了双向的上下文信息

5.2 BERT 模型微调

• 只学习一个建立在顶层的分类器，微调的每个任务