CS224n笔记10 NMT与Attention

从NMT的历史谈到现代，讲解了attention机制的动机、原理及最新的拓展。通过实例展示谷歌翻译的变化，直言不讳指出其过度炒作。Manning今天还换上了新MBP，挺潮的。

机器翻译

• 传统衡量机器对语言理解的测试之一

• 同时涉及到语言分析与理解

• 一个每年400亿美金的产业

• 主要在欧洲，亚洲也在兴起

机器翻译的需求

• Google每天翻译1000亿单词

• Facebook研发了自己的翻译系统，因为通用的机器翻译系统无法适应社交领域

• eBay用机器翻译来促进跨境交易

什么是NMT

用一个大型神经网络建模整个翻译过程的系统。

架构

抽象的架构就是一个encoder一个decoder：

NMT:青铜时代

80年代神经网络是个很边缘的领域，另外计算力也很有限。当时的NMT系统只是个玩具：词表四五十，固定的50个输入（二进制编码），固定的66个输出，一到三层隐藏层，150个单元……

90年代出现了一种类似RNN的更复杂的框架：

现代NMT模型

之前课上也提到过，一个RNN做encoder，另一个RNN做decoder：

实际使用的系统更加复杂：

这里的RNN可视作以原文为条件的conditional语言模型

RNN Encoder

最后一个隐藏层的状态Y是整个原文的总结。

常见的encoder实际上加了一些extension，比如GRU或LSTM。

Decoder：递归语言模型

常见的做法是把encoder的最后一层（最后一个时刻）作为decoder的第一层，这样就必须用LSTM保持中期记忆。

另一种做法是将encoder最后一层喂给decoder的每一层，这样就不会有记忆丢失的后顾之忧了。

MT的发展

基于短语的MT就是2016-11之前的Google翻译所采用的系统，其发展是缓慢的。神经网络兴起之后，出现了一种基于Syntax-based SMT（估计是换换词向量），发展也不快。但NMT的发展是最迅猛的：

NMT的四大优势

1. End-to-end training
   为优化同一个损失函数调整所有参数

2. Distributed representation
   更好地利用词语、短语之间的相似性

3. Better exploitation of context
   利用更多上下文——原文和部分译文的上下文

4. 生成的文本更流畅
   可能跟上述优势有关

NMT还避免了传统MT中的黑盒子（reorder之类）模型。NMT也存在弱点

• 无法显式利用语义或语法结构（依存句法分析完全用不上了，有些工作正在展开）

• 无法显式利用指代相消之类的结果

可见太统一的闭环系统也有自己的烦恼啊。

统计/神经网络机器翻译

Manning说除了英语之外，学生中第二大语种是中文，而且他亮出了简体中文的例子，真是让人激动啊。他还特意在不同年份测试了google翻译的效果：

其中，13年有所进步，14-16年又退步了并且停滞了3年。直到2017年才有质的飞跃。

我觉得这个句子涉及到指代相消，MT系统很难消解损兵的“他们”。MT系统必须有这样的常识：兵力悬殊的两军对战，人数少的一方更容易失败。估计语料不足以给它这种知识。

NMT主要由工业界促进

2016-02 微软在Android和iOS上发布了离线NMT系统，这对境外旅游人士特别有帮助。

2016-08 Systran发布了NMT模型

2016-09 Google发布了NMT系统，大肆宣传了一番，并且overclaim比得上人工翻译质量。Manning真是直言不讳啊。

介绍Attention

朴素encoder-decoder的问题是，只能用固定维度的最后一刻的encoder隐藏层来表示源语言Y，必须将此状态一直传递下去，这是个很麻烦的事情。事实上，早期的NMT在稍长一点的句子上效果就骤降。

Attention机制

解决方法是将encoder的历史状态视作随机读取内存，这样不仅增加了源语言的维度，而且增加了记忆的持续时间（LSTM只是短时记忆）。

这种机制也与人类译员的工作流程类似：不是先把长长的一个句子暗记于心再开始闭着眼睛翻译，而是草草扫一眼全文，然后一边查看原文一边翻译。这种“一边……一边……”其实类似于语料对齐的过程，即找出哪部分原文对应哪部分译文。而NMT中的attention是隐式地做对齐的。

词语对齐

传统的SMT中需要显式地做双语对齐：

而attention model是在翻译的过程中隐式地对齐。

同时学习翻译和对齐

一个非常棒的可视化，显示attention model成功地对齐了法语和英语，其中一小段语序的调整也反应出来了：

打分

在图示问号时刻，究竟应该关注哪些时刻的encoder状态呢？关注的强度是多少呢？

有一种打分机制，以前一刻的decoder状态和某个encoder状态为参数，输出得分：

然后softmax归一化分值转化为概率，这个概率称为对齐权值（alignment weights）：

这个概率也代表模型应该将多少比例的注意力放在一个历史状态上：

加权和得到一个context vector，作为条件之一生成decoder的当前状态：

而分数的获得，是通过attention function进行的。attention function有多种选择，其中流行的是中间这种。$W_a$给了两个向量更复杂的interaction，而最后一种根本没有interaction。

有一些观点认为模型不应该注意所有的事情，可能对长句子来讲比较有潜力：

但这些观点并没有取得更好的成绩：

句子特短的时候，模型们的得分都不高。这纯粹是因为语料中的短句子本来就语义隐晦，比如某个专有名词作为标题。而有attention的模型在句子很长的时候，效果依然没有下降，说明了attention的重要性。

LSTM非常擅长生成自然的文本，但有时候译文与原文相去甚远，没有把注意力放在原文上。比如下面红色的名字不知道从哪里冒出来的：

加了attention好了很多，还是比不上人类，有时候会把同一个意思的词重复两遍：

更多attention！覆盖范围

在图片标题生成研究中，模型通过对图片不同区域的attention生成了不同的词语：

如何保证不错过任何重要的区域呢？

Doubly attention

一种思路是同时注意原文和译文：

用旧模型的语言学思想拓展attention

可以利用IBM2等模型中的位置或fertility(丰富程度)，因为一般而言一个词最多翻译为两三个词，如果生成了五六个词，那么模型可能在重复生成。

decoder

模型能够在给定原文$ s $的情况下计算译文$ \bar{s} $的概率$ \mathbb{P}(\bar{s} | s) $之后，就来到传统的问题了，找出最可能的译文$ \bar{s}* $：

$$ \bar{s}* = \operatorname{argmax}_{\bar{s}}(\mathbb{P}(\bar{s} | s )) $$

在decoding的时候，朴素想法是生成所有的翻译，用语言模型打分，然后挑最大的。但译文数量是词表大小的指数函数，无法实现。

Ancestral sampling

在时刻$t$，根据之前的词语生成当前词语$x_t$：

$$ x_t \sim \mathbb{P}( x_t | x_1, \ldots, x_n) $$

可以多次sample取最好的。

理论上完美无缺，但实践中只会产生高方差的差效果。你也不想同一个句子每次翻译结果都不一样。

Greedy Search

不多想了，贪婪地选取当前最可能的那个单词：

$$ x_t = \operatorname{argmax}_{\tilde{x_t}} \mathbb{P}( \tilde{x_t} | x_1, \ldots, x_n) $$

缺点显而易见，不是全局最优，走错一步会影响后面的部分。

Beam search

老生常谈了，从不搜索到贪婪搜索到柱搜索，随处可见。

每个时刻记录$k$个最可能的选项（剪枝），在其中进行搜索。

$$ \mathcal{H}_t = \{ (x_1^1, \ldots, x_t^1), \ldots, (x_1^K, \ldots, x_t^K) \} $$

然后递推$ \mathcal{H}_{t+1} $：

$$ \tilde{\mathcal{H}}_{t+1} = \bigcup_{k=1}^K \tilde{\mathcal{H}_{t+1}^k}$$

其中

$$ \tilde{\mathcal{H}_{t+1}^k} = \{ (x_1^k, \ldots, x_t^k, v_1), \ldots,  (x_1^k, \ldots, x_t^k, v_{|V|})\}$$

也就是说把词表中的词丢进入计算概率取前$K$个。

效果对比

采样要采50轮才得到比贪心搜索稍好的结果，但很小的柱搜索轻松超越了它们。另外，基于短语的MT常用的柱搜索大小是100到150，可见NMT的优势。

 知识共享署名-非商业性使用-相同方式共享：码农场 » CS224n笔记10 NMT与Attention