关于自然语言处理:斯坦福NLP课程-第12讲-NLP子词模型

作者：韩信子 @ShowMeAI，路遥 @ShowMeAI，奇异果 @ShowMeAI
教程地址：http://www.showmeai.tech/tutorials/36
本文地址：http://www.showmeai.tech/article-detail/249
申明：版权所有，转载请分割平台与作者并注明出处
珍藏 ShowMeAI 查看更多精彩内容

ShowMeAI 为 斯坦福 CS224n《自然语言解决与深度学习 (Natural Language Processing with Deep Learning)》课程的全副课件，做了 中文翻译和正文 ，并制作成了 GIF 动图！视频和课件等材料的获取形式见文末。

A tiny bit of linguistics / 语法学基础知识
Purely character-level models / 基于字符粒度的模型
Subword-models: Byte Pair Encoding and friends / 子词模型
Hybrid character and word level models / 混合字符与词粒度的模型
fastText / fastText 模型

语音学 (honetics) 是音流无争议的 物理学

语音体系 (Phonology) 假设了一组或多组独特的、分类的单元：音素 (phoneme) 或者是独特的特色
- 这兴许是一种广泛的类型学，但却是一种非凡的语言实现
- 分类感知的最佳例子就是语音体系
  - 音位差别放大
  - 音素之间的放大

传统上，词素 (morphemes) 是最小的语义单位

$$
\left[\left[\text {un}\left[[\text { fortun}(\mathrm{e})]_{\text { Root}} \text {ate}\right]_{\text { STEM}}\right]_{\text { STEM}} \text {ly}\right]_{\text { WORD}}
$$

深度学习：形态学钻研较少；递归神经网络的一种尝试是 (Luong, Socher, & Manning 2013)
- 解决更大词汇量的一种可能办法：大多数看不见的单词是新的状态(或数字)

声音自身在语言中没有意义
parts of words 是音素的下一级的形态学，是具备意义的最低级别

一个简略的代替办法是应用字符 n-grams
- Wickelphones (Rumelhart & McClelland 1986)
- Microsoft’s DSSM (Huang, He, Gao, Deng, Acero, & Hect2013)
应用卷积层的相干想法

能更容易地施展词素的许多长处吗？

书写零碎在表白单词的形式上差别有大有小

没有分词 (没有在单词间搁置空格)
- 例如中文

大部分的单词都是离开的：由单词组成了句子
- 附着词
  - 离开的
  - 间断的
- 复合名词
  - 离开的
  - 间断的

须要解决数量很大的凋谢词汇：微小的、有限的单词空间
- 丰盛的状态
- 音译 (特地是名字，在翻译中基本上是音译)
- 非正式的拼写

① 词嵌入能够由字符嵌入组成
- 为未知单词生成嵌入
- 类似的拼写共享类似的嵌入
- 解决 OOV 问题
② 间断语言能够作为字符解决：即所有的语言解决均建设在字符序列上，不思考 word-level

这两种办法都被证实是十分胜利的！
- 有点令人诧异的是：个别意义上，音素 / 字母不是一个语义单元：但深度学习模型形成了 group
- 深度学习模型能够存储和构建来自多个字母组的含意示意，以模仿语素和更大单位的意义，汇总造成语义

大多数深度学习 NLP 的工作，都是从语言的书面形式开始的：这是一种容易解决的、现成的数据
然而人类语言书写零碎不是一回事！各种语言的字符是不同的！

上节课，咱们看到了一个很好的用于句子分类的纯字符级模型的例子
- 十分深的卷积网络用于文本分类
- Conneau, Schwenk, Lecun, Barrault.EACL 2017

弱小的后果通过深度卷积重叠

最后，成果 令人不称心
- (Vilaret al., 2007; Neubiget al., 2013)

只有 decoder (初步胜利)
- (JunyoungChung, KyunghyunCho, YoshuaBengio. arXiv 2016).

而后，呈现了 还不错 的后果
- (Wang Ling, Isabel Trancoso, Chris Dyer, Alan Black, arXiv 2015)
- (Thang Luong, Christopher Manning, ACL 2016)
- (Marta R. Costa-Jussà, José A. R. Fonollosa, ACL 2016)

Luong 和 Manning 测试了一个纯字符级 seq2seq (LSTM) NMT 零碎作为基线
它在单词级基线上运行得很好
- 对于 UNK，是用 single word translation 或者 copy stuff from the source

字符级的 model 成果更好了，然而太慢了
- 然而运行须要 3 周的工夫来训练，运行时没那么快
- 如果放进了 LSTM 中，序列长度变为以前的数倍 (大概七倍)

Jason Lee, KyunghyunCho, Thomas Hoffmann. 2017.
编码器如下
解码器是一个字符级的 GRU

2.5 #论文解读# Stronger character results with depth in LSTM seq2seq model

Revisiting Character-Based Neural Machine Translation with Capacity and Compression. 2018. Cherry, Foster, Bapna, Firat, Macherey, Google AI

在 LSTM-seq2seq 模型中，随着深度的减少，特色越强
在 捷克语 这样的简单语言中，字符级模型的 成果晋升 较为显著，然而在 英语和法语 等语言中则 收效甚微。
- 模型较小时，word-level 更佳
- 模型较大时，character-level 更佳

与 word 级模型雷同的架构
- 然而应用更小的单元：word pieces
- [Sennrich, Haddow, Birch, ACL’16a], [Chung, Cho, Bengio, ACL’16].

混合架构
- 主模型应用单词，其余应用字符级
- [Costa-Jussà& Fonollosa, ACL’16], [Luong & Manning, ACL’16].

最后的 压缩算法
- 最频繁的字节 → 一个新的字节。

用字符 ngram 替换字节(实际上，有些人曾经用字节做了一些乏味的事件)

Rico Sennrich, Barry Haddow, and Alexandra Birch. Neural Machine Translation of Rare Words with SubwordUnits. ACL 2016.
- https://arxiv.org/abs/1508.07909
- https://github.com/rsennrich/…
- https://github.com/EdinburghN…

分词 (word segmentation) 算法
- 尽管做得很简略，有点像是自下而上的短序列聚类

将数据中的所有的 Unicode 字符组成一个 unigram 的词典
最常见的 ngram pairs 视为一个新的 ngram

BPE 并未深度学习的无关算法，但已成为规范且胜利示意 pieces of words 的办法，能够取得一个无限的词典与有限且无效的词汇表。

有一个指标词汇量，当你达到它的时候就进行
做确定性的最长分词宰割
宰割只在某些先前标记器 (通常 MT 应用的 Moses tokenizer) 标识的单词中进行
主动为零碎增加词汇
- 不再是基于传统形式的 strongly word

2016 年 WMT 排名第一！依然广泛应用于 2018 年 WMT
https://github.com/rsennrich/…

谷歌 NMT (GNMT) 应用了它的一个变体
- V1: wordpiece model
- V2: sentencepiece model

不应用字符的 n-gram count，而是应用贪婪近似来最大化语言模型的对数似然函数值，抉择对应的 pieces
- 增加最大限度地缩小困惑的 n-gram

Wordpiece 模型标记外部单词

Sentencepiece 模型应用原始文本
- 空格被保留为非凡标记(_)，并失常分组
- 能够通过将片段连接起来并将它们从新编码到空格中，从而在开端将内容反转

https://github.com/google/sen…
https://arxiv.org/pdf/1804.10…

BERT 应用了 wordpiece 模型的一个变体
- (绝对) 在词汇表中的常用词
  - at, fairfax, 1910s
- 其余单词由 wordpieces 组成
  - hypatia = h ##yp ##ati ##a

如果你在一个基于单词的模型中应用 BERT，你必须解决这个

Learning Character-level Representations for Part-ofSpeech Tagging (Dos Santos and Zadrozny 2014)

对字符进行卷积以生成单词嵌入
为 PoS 标签应用固定窗口的词嵌入

Bi-LSTM 构建单词示意

一个更简单 / 精细的办法

动机
- 派生一个弱小的、强壮的语言模型，该模型在多种语言中都无效
- 编码子单词关联性：eventful, eventfully, uneventful…
- 解决现有模型的常见字问题
- 用更少的参数取得可比拟的表白性

字符级别嵌入输出
CNN+ 高速网络 +LSTM

字符级别输出 + 卷积解决
Max-over-time 池化

N-gram 语法交互模型
在传递原始信息的同时利用转换
性能相似于 LSTM 内存单元

应用层次化 Softmax 解决大的输入词汇表
应用 truncated backprop through time 进行训练

本文对应用词嵌入作为神经语言建模输出的必要性提出了质疑
字符级的 CNNs + Highway Network 能够提取丰盛的语义和构造信息
要害思维：您能够构建 building blocks 来取得细致入微且功能强大的模型！

混合高效构造
- 翻译大部分是单词级别的
- 只在须要的时候进入字符级别

应用一个复制机制，试图填充常见的单词，产生了超过 2 个点的 BLEU 的改良

单词级别 (4 层)
End-to-end training 8-stacking LSTM layers：端到端训练 8 层 LSTM

单词级别的集束搜寻
字符级别的集束搜寻 (遇到 <UNK>) 时

补充解说

混合模型与字符级模型相比
- 纯正的字符级模型可能十分无效地应用字符序列作为条件上下文
- 混合模型尽管提供了字符级的隐层示意，但并没有取得比单词级别更低的示意

应用 WMT’15 数据进行训练 (12M 句子对)
- 新闻测试 2015

30 倍数据
3 个零碎
大型词汇 + 复制机制

达到先进的成果！

翻译成果很好！

基于字符：谬误的名称翻译
基于单词：对齐不正确
基于字符的混合：diagnóze 的正确翻译
基于单词：特色复制失败

混合：正确，11-year-old-jedenactileta
谬误：Shani Bartova

一种用于单词嵌入和单词形态学的联结模型(Cao and Rei 2016)
- 与 w2v 指标雷同，但应用字符
- 双向 LSTM 计算单词示意
- 模型试图捕捉形态学
- 模型能够推断单词的词根

用子单词信息丰盛单词向量
Bojanowski, Grave, Joulinand Mikolov. FAIR. 2016.
- https://arxiv.org/pdf/1607.04…
- https://fasttext.cc

指标：下一代高效的相似于 word2vecd 的单词示意库，但更适宜于具备大量形态学的常见单词和语言
带有字符 n-grams 的 w2v 的 skip-gram 模型的扩大

将单词示意为用边界符号和整词裁减的字符 n-grams

$$
where =,where =<wh,whe,her,ere,re>,<where>
$$

留神 $<her>$、$<her$是不同于 $her$的
- 前缀、后缀和整个单词都是非凡的

将 word 示意为这些示意的和。上下文单词得分为

$$
S(w, c)=\sum g \in G(w) \mathbf{Z}_{g}^{\mathrm{T}} \mathbf{V}_{C}
$$

细节：与其共享所有 n-grams 的示意，不如应用 hashing trick 来领有固定数量的向量

低频常见单词的差别收益

Suggested Readings

Character Level NMT
Byte Pair Encoding
Minh-Thang Luong and Christopher Manning
FastText 论文

能够点击 B 站 查看视频的【双语字幕】版本

本讲带学的 在线阅翻页本
《斯坦福 CS224n 深度学习与自然语言解决》课程学习指南
《斯坦福 CS224n 深度学习与自然语言解决》课程大作业解析
【双语字幕视频】斯坦福 CS224n | 深度学习与自然语言解决(2019·全 20 讲)
Stanford 官网 | CS224n: Natural Language Processing with Deep Learning

大厂技术实现 | 举荐与广告计算解决方案
大厂技术实现 | 计算机视觉解决方案
大厂技术实现 | 自然语言解决行业解决方案
图解 Python 编程：从入门到精通系列教程
图解数据分析：从入门到精通系列教程
图解 AI 数学根底：从入门到精通系列教程
图解大数据技术：从入门到精通系列教程
图解机器学习算法：从入门到精通系列教程
机器学习实战：手把手教你玩转机器学习系列
深度学习教程 | 吴恩达专项课程 · 全套笔记解读
自然语言解决教程 | 斯坦福 CS224n 课程 · 课程带学与全套笔记解读

NLP 教程(1)- 词向量、SVD 合成与 Word2vec
NLP 教程(2)- GloVe 及词向量的训练与评估
NLP 教程(3)- 神经网络与反向流传
NLP 教程(4)- 句法分析与依存解析
NLP 教程(5)- 语言模型、RNN、GRU 与 LSTM
NLP 教程(6)- 神经机器翻译、seq2seq 与注意力机制
NLP 教程(7)- 问答零碎
NLP 教程(8)- NLP 中的卷积神经网络
NLP 教程(9)- 句法分析与树形递归神经网络

斯坦福 NLP 课程 | 第 1 讲 – NLP 介绍与词向量初步
斯坦福 NLP 课程 | 第 2 讲 – 词向量进阶
斯坦福 NLP 课程 | 第 3 讲 – 神经网络常识回顾
斯坦福 NLP 课程 | 第 4 讲 – 神经网络反向流传与计算图
斯坦福 NLP 课程 | 第 5 讲 – 句法分析与依存解析
斯坦福 NLP 课程 | 第 6 讲 – 循环神经网络与语言模型
斯坦福 NLP 课程 | 第 7 讲 – 梯度隐没问题与 RNN 变种
斯坦福 NLP 课程 | 第 8 讲 – 机器翻译、seq2seq 与注意力机制
斯坦福 NLP 课程 | 第 9 讲 – cs224n 课程大我的项目实用技巧与教训
斯坦福 NLP 课程 | 第 10 讲 – NLP 中的问答零碎
斯坦福 NLP 课程 | 第 11 讲 – NLP 中的卷积神经网络
斯坦福 NLP 课程 | 第 12 讲 – 子词模型
斯坦福 NLP 课程 | 第 13 讲 – 基于上下文的表征与 NLP 预训练模型
斯坦福 NLP 课程 | 第 14 讲 – Transformers 自注意力与生成模型
斯坦福 NLP 课程 | 第 15 讲 – NLP 文本生成工作
斯坦福 NLP 课程 | 第 16 讲 – 指代消解问题与神经网络办法
斯坦福 NLP 课程 | 第 17 讲 – 多任务学习(以问答零碎为例)
斯坦福 NLP 课程 | 第 18 讲 – 句法分析与树形递归神经网络
斯坦福 NLP 课程 | 第 19 讲 – AI 平安偏见与偏心
斯坦福 NLP 课程 | 第 20 讲 – NLP 与深度学习的将来

关于自然语言处理:斯坦福NLP课程-第12讲-NLP子词模型

引言

授课打算

1. 语法学基础知识

1.1 人类语言的声音：语音学和语音体系

1.2 词法：词类

1.3 书写零碎中的单词

1.4 比单词粒度更细的模型

1.5 字符级模型

1.6 单词之下：书写零碎

2. 基于字符粒度的模型

2.1 纯字符级模型

2.2 字符级别输入输出的机器翻译零碎

2.3 English-Czech WMT 2015 Results

2.4 无显式宰割的齐全字符级神经机器翻译

3. 子词模型

3.1 子词模式：两种趋势

3.2 字节对编码 /BPE

3.3 Wordpiece / Sentencepiece 模型

3.4 字符级构建单词级

3.5 基于字符的 LSTM 构建单词示意

3.6 #论文解读# Character-Aware Neural Language Models

4. 混合字符与词粒度的模型

4.1 混合 NMT

4.2 二级解码

4.3 English – Czech Results

4.4 Sample English-czech translations

4.5 单词嵌入中的字符利用

5.fastText 模型

6. 视频教程

7. 参考资料

ShowMeAI系列教程举荐

NLP 系列教程文章

斯坦福 CS224n 课程带学详解