斯坦福NLP課程 | 第12講 – NLP子詞模型

ShowMeAI研究中心


子詞模型
ShowMeAI斯坦福CS224n《自然語言處理與深度學習(Natural Language Processing with Deep Learning)》課程的全部課件,做了中文翻譯和注釋,並製作成了GIF動圖!視頻和課件等資料的獲取方式見文末


引言

子詞模型subword models

授課計劃

授課計劃

  • A tiny bit of linguistics / 語法學基礎知識
  • Purely character-level models / 基於字符粒度的模型
  • Subword-models: Byte Pair Encoding and friends / 子詞模型
  • Hybrid character and word level models / 混合字符與詞粒度的模型
  • fastText / fastText模型

1.語法學基礎知識

1.1 人類語言的聲音:語音學和語音體系

人類語言的聲音:語音學和語音體系

  • 語音學 (honetics) 是音流無爭議的 物理學
  • 語音體系 (Phonology) 假定了一組或多組獨特的、分類的單元:音素 (phoneme) 或者是獨特的特徵
    • 這也許是一種普遍的類型學,但卻是一種特殊的語言實現
    • 分類感知的最佳例子就是語音體系
      • 音位差異縮小
      • 音素之間的放大

1.2 詞法:詞類

詞法:詞類

  • 傳統上,詞素 (morphemes) 是最小的語義單位
\[\left[\left[\text {un}\left[[\text { fortun }(\mathrm{e})]_{\text { Root }} \text { ate }\right]_{\text { STEM }}\right]_{\text { STEM }} \text {ly}\right]_{\text { WORD }}
\]

  • 深度學習:形態學研究較少;遞歸神經網絡的一種嘗試是 (Luong, Socher, & Manning 2013)
    • 處理更大詞彙量的一種可能方法:大多數看不見的單詞是新的形態(或數字)
  • 聲音本身在語言中沒有意義
  • parts of words 是音素的下一級的形態學,是具有意義的最低級別

詞法

  • 一個簡單的替代方法是使用字符 n-grams
    • Wickelphones (Rumelhart & McClelland 1986)
    • Microsoft』s DSSM (Huang, He, Gao, Deng, Acero, & Hect2013)
  • 使用卷積層的相關想法
  • 能更容易地發揮詞素的許多優點嗎?

1.3 書寫系統中的單詞

書寫系統中的單詞

  • 書寫系統在表達單詞的方式上差異有大有小
  • 沒有分詞 (沒有在單詞間放置空格)
    • 例如中文
  • 大部分的單詞都是分開的:由單詞組成了句子
    • 附着詞
      • 分開的
      • 連續的
    • 複合名詞
      • 分開的
      • 連續的

1.4 比單詞粒度更細的模型

比單詞粒度更細的模型

  • 需要處理數量很大的開放詞彙:巨大的、無限的單詞空間
    • 豐富的形態
    • 音譯 (特別是名字,在翻譯中基本上是音譯)
    • 非正式的拼寫

1.5 字符級模型

字符級模型

  • 詞嵌入可以由字符嵌入組成

    • 為未知單詞生成嵌入
    • 相似的拼寫共享相似的嵌入
    • 解決OOV問題
  • 連續語言可以作為字符處理:即所有的語言處理均建立在字符序列上,不考慮 word-level

  • 這兩種方法都被證明是非常成功的!
    • 有點令人驚訝的是:一般意義上,音素/字母不是一個語義單元:但深度學習模型構成了group
    • 深度學習模型可以存儲和構建來自多個字母組的含義表示,以模擬語素和更大單位的意義,匯總形成語義

1.6 單詞之下:書寫系統

單詞之下:書寫系統

  • 大多數深度學習NLP的工作,都是從語言的書面形式開始的:這是一種容易處理的、現成的數據
  • 但是人類語言書寫系統不是一回事!各種語言的字符是不同的!

2.基於字符粒度的模型

2.1 純字符級模型

純字符級模型

  • 上節課,我們看到了一個很好的用於句子分類的純字符級模型的例子
    • 非常深的卷積網絡用於文本分類
    • Conneau, Schwenk, Lecun, Barrault.EACL 2017
  • 強大的結果通過深度卷積堆疊

2.2 字符級別輸入輸出的機器翻譯系統

字符級別輸入輸出的機器翻譯系統

  • 最初,效果令人不滿意
    • (Vilaret al., 2007; Neubiget al., 2013)
  • 只有decoder (初步成功)
    • (JunyoungChung, KyunghyunCho, YoshuaBengio. arXiv 2016).
  • 然後,出現了還不錯的結果
    • (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)

2.3 English-Czech WMT 2015 Results

English-Czech WMT 2015 Results

English-Czech WMT 2015 Results

  • Luong 和 Manning 測試了一個純字符級 seq2seq (LSTM) NMT 系統作為基線
  • 它在單詞級基線上運行得很好
    • 對於 UNK,是用 single word translation 或者 copy stuff from the source
  • 字符級的 model 效果更好了,但是太慢了
    • 但是運行需要3周的時間來訓練,運行時沒那麼快
    • 如果放進了 LSTM 中,序列長度變為以前的數倍 (大約七倍)

2.4 無顯式分割的完全字符級神經機器翻譯

無顯式分割的完全字符級神經機器翻譯

  • Jason Lee, KyunghyunCho, Thomas Hoffmann. 2017.
  • 編碼器如下
  • 解碼器是一個字符級的 GRU

2.5 #論文解讀# Stronger character results with depth in LSTM seq2seq model

#論文解讀#

  • Revisiting Character-Based Neural Machine Translation with Capacity and Compression. 2018. Cherry, Foster, Bapna, Firat, Macherey, Google AI
  • 在 LSTM-seq2seq 模型中,隨着深度的增加,特徵越強
  • 捷克語這樣的複雜語言中,字符級模型的效果提升較為明顯,但是在英語和法語等語言中則收效甚微
    • 模型較小時,word-level 更佳
    • 模型較大時,character-level 更佳

3.子詞模型

3.1 子詞模式:兩種趨勢

子詞模式:兩種趨勢

  • 與 word 級模型相同的架構
    • 但是使用更小的單元: word pieces
    • [Sennrich, Haddow, Birch, ACL』16a], [Chung, Cho, Bengio, ACL』16].
  • 混合架構
    • 主模型使用單詞,其他使用字符級
    • [Costa-Jussà& Fonollosa, ACL』16], [Luong & Manning, ACL』16].

3.2 位元組對編碼/BPE

位元組對編碼/BPE

  • 最初的壓縮算法
    • 最頻繁的位元組 → 一個新的位元組。
  • 用字符 ngram 替換位元組(實際上,有些人已經用位元組做了一些有趣的事情)

位元組對編碼

位元組對編碼

  • 分詞 (word segmentation) 算法
    • 雖然做得很簡單,有點像是自下而上的短序列聚類
  • 將數據中的所有的 Unicode 字符組成一個 unigram 的詞典
  • 最常見的 ngram pairs 視為 一個新的 ngram
  • BPE 並未深度學習的有關算法,但已成為標準且成功表示 pieces of words 的方法,可以獲得一個有限的詞典與無限且有效的詞彙表。

位元組對編碼

  • 有一個目標詞彙量,當你達到它的時候就停止
  • 做確定性的最長分詞分割
  • 分割只在某些先前標記器 (通常MT使用的 Moses tokenizer) 標識的單詞中進行
  • 自動為系統添加詞彙
    • 不再是基於傳統方式的 strongly word

3.3 Wordpiece / Sentencepiece模型

Wordpiece / Sentencepiece模型

  • 谷歌 NMT (GNMT) 使用了它的一個變體
    • V1: wordpiece model
    • V2: sentencepiece model
  • 不使用字符的 n-gram count,而是使用貪心近似來最大化語言模型的對數似然函數值,選擇對應的 pieces
    • 添加最大限度地減少困惑的 n-gram

Wordpiece / Sentencepiece模型

  • Wordpiece模型標記內部單詞
  • Sentencepiece模型使用原始文本
    • 空格被保留為特殊標記(_),並正常分組
    • 可以通過將片段連接起來並將它們重新編碼到空格中,從而在末尾將內容反轉

Wordpiece / Sentencepiece模型

  • BERT 使用了 wordpiece 模型的一個變體
    • (相對) 在詞彙表中的常用詞
      • at, fairfax, 1910s
    • 其他單詞由wordpieces組成
      • hypatia = h ##yp ##ati ##a
  • 如果你在一個基於單詞的模型中使用 BERT,你必須處理這個

3.4 字符級構建單詞級

字符級構建單詞級

  • Learning Character-level Representations for Part-ofSpeech Tagging (Dos Santos and Zadrozny 2014)
  • 對字符進行卷積以生成單詞嵌入
  • 為 PoS 標籤使用固定窗口的詞嵌入

3.5 基於字符的LSTM構建單詞表示

基於字符的LSTM構建單詞表示

  • Bi-LSTM構建單詞表示

3.6 #論文解讀# Character-Aware Neural Language Models

#論文解讀#

  • 一個更複雜/精密的方法
  • 動機
    • 派生一個強大的、健壯的語言模型,該模型在多種語言中都有效
    • 編碼子單詞關聯性:eventful, eventfully, uneventful…
    • 解決現有模型的罕見字問題
    • 用更少的參數獲得可比較的表達性

#論文解讀# Technical Approach

  • 字符級別嵌入輸入
  • CNN+高速網絡+LSTM

#論文解讀# Convolutional Layer

  • 字符級別輸入 + 卷積處理
  • Max-over-time池化

#論文解讀# Highway Network (Srivastava et al. 2015)

  • N-gram 語法交互模型
  • 在傳遞原始信息的同時應用轉換
  • 功能類似於 LSTM 內存單元

#論文解讀# Long Short-Term Memory Network

  • 使用層次化 Softmax 處理大的輸出詞彙表
  • 使用 truncated backprop through time 進行訓練

#論文解讀# Quantitative Results 定量結果

#論文解讀# Qualitative Insights 定量洞察

#論文解讀# Qualitative Insights 定量洞察

#論文解讀#

  • 本文對使用詞嵌入作為神經語言建模輸入的必要性提出了質疑
  • 字符級的 CNNs + Highway Network 可以提取豐富的語義和結構信息
  • 關鍵思想:您可以構建 building blocks 來獲得細緻入微且功能強大的模型!

4.混合字符與詞粒度的模型

4.1 混合NMT

混合NMT

  • 混合高效結構
    • 翻譯大部分是單詞級別的
    • 只在需要的時候進入字符級別
  • 使用一個複製機制,試圖填充罕見的單詞,產生了超過 2個點的 BLEU 的改進

混合NMT

  • 單詞級別 (4層)
  • End-to-end training 8-stacking LSTM layers:端到端訓練 8 層 LSTM

4.2 二級解碼

二級解碼

  • 單詞級別的集束搜索
  • 字符級別的集束搜索 (遇到 ) 時

補充講解

  • 混合模型與字符級模型相比
    • 純粹的字符級模型能夠非常有效地使用字符序列作為條件上下文
    • 混合模型雖然提供了字符級的隱層表示,但並沒有獲得比單詞級別更低的表示

4.3 English – Czech Results

English - Czech Results

  • 使用WMT』15數據進行訓練 (12M句子對)
    • 新聞測試2015
  • 30倍數據
  • 3個系統
  • 大型詞彙+複製機制
  • 達到先進的效果!

4.4 Sample English-czech translations

Sample English-czech translations

  • 翻譯效果很好!
  • 基於字符:錯誤的名稱翻譯
  • 基於單詞:對齊不正確
  • 基於字符的混合:diagnóze的正確翻譯
  • 基於單詞:特徵複製失敗
  • 混合:正確,11-year-old-jedenactileta
  • 錯誤:Shani Bartova

4.5 單詞嵌入中的字符應用

單詞嵌入中的字符應用

  • 一種用於單詞嵌入和單詞形態學的聯合模型(Cao and Rei 2016)
    • 與 w2v 目標相同,但使用字符
    • 雙向 LSTM 計算單詞表示
    • 模型試圖捕獲形態學
    • 模型可以推斷單詞的詞根

5.fastText模型

FastText embedding

  • 目標:下一代高效的類似於 word2vecd 的單詞表示庫,但更適合於具有大量形態學的罕見單詞和語言
  • 帶有字符 n-grams 的 w2v 的 skip-gram 模型的擴展

FastText embedding

  • 將單詞表示為用邊界符號和整詞擴充的字符 n-grams
\[where =,where =<wh,whe,her,ere,re>,<where>
\]

  • 注意 \(<her>\)\(<her\)是不同於 \(her\)
    • 前綴、後綴和整個單詞都是特殊的
  • 將 word 表示為這些表示的和。上下文單詞得分為
\[S(w, c)=\sum g \in G(w) \mathbf{Z}_{g}^{\mathrm{T}} \mathbf{V}_{C}
\]

  • 細節:與其共享所有 n-grams 的表示,不如使用 hashing trick 來擁有固定數量的向量

FastText embedding

  • 低頻罕見單詞的差異收益

FastText embedding

Suggested Readings

6.視頻教程

可以點擊 B站 查看視頻的【雙語字幕】版本

7.參考資料

ShowMeAI系列教程推薦

NLP系列教程文章

斯坦福 CS224n 課程帶學詳解

ShowMeAI用知識加速每一次技術成長