放牧代码和思想
专注自然语言处理、机器学习算法
    愛しさ 優しさ すべて投げ出してもいい

CS224n笔记18 挑战深度学习与自然语言处理的极限

目录

最后一课,总结了目前这两个领域中的难题,介绍了一些前沿研究:快16倍的QRNN、自动设计神经网络的NAS等。

深度学习已经漂亮地完成了许多单项任务,但如果我们继续随机初始化模型参数,我们永远也无法得到一个可以完全理解语言的系统。模型就像蒙住眼的狗,在高原上随机游走,头撞南墙。

hankcs.com 2017-07-14 下午4.21.53.png

Richard说他同样不相信独立的无监督学习能够救世(同意),虽然这个问题还存在许多争议。因为语言有许多监督与反馈,要完成的目标也多种多样。

在达到下一个层次的路上,摆在NLP面前有许多障碍。

障碍1:通用架构 

没有单个模型能够胜任多个任务,所有模型要么结构不同,要么超参数不同。

hankcs.com 2017-07-14 上午10.23.25.png

上次介绍的DMN带来了曙光。

hankcs.com 2017-07-14 上午10.28.55.png

障碍2:联合多任务学习

上次也提到过,同一个decoder/classifier,对于不同的输入,只要替换encoder就能同样输出。

  • 不像计算机视觉,只能共享低层参数

  • 只在任务相关性很强的时候才会有帮助

  • 否则会影响效果

解决方案

在第一课中提到的MetaMind团队提出的A Joint Many-Task Model: Growing a Neural Network for Multiple NLP Tasks,现在详细介绍。

hankcs.com 2017-07-14 上午10.44.24.png

这是个怪兽一般的模型,多层LSTM并联,从下往上看在文本颗粒度上是越来越大,在任务上是越来越复杂。由底而上分别是词性标注、CHUNK、句法分析、两个句子的相关性、逻辑蕴涵关系。输入可能是词,也可能是字符ngram。底层任务的隐藏状态有到其他层级的直接路径。相关性encoder的输出卷积一下,供逻辑关系分类器使用。

整个模型使用同一个目标函数。左右对称只是示意可以接受两个句子用于关联分析,其实是同一套参数。

模型细节

hankcs.com 2017-07-14 上午10.50.02.png

词性标注是单层LSTM,隐藏状态softmax一下,乘上label的embedding得到每个单词的pos embedding。将词性标注LSTM的隐藏状态、pos embedding和单词输入chunking的LSTM,执行类似的流程得到chunk的embedding。

依存句法分析

hankcs.com 2017-07-14 上午11.04.03.png

依然是单层LSTM,每个时刻同时接受下级的输入。每两个时刻的单词做一次softmax,判断它们的依存关系。理论上讲,该方法无法保证结果一定是合法的句法树,但Richard说99%的case都是合法的,加上一些剪枝规则后,可以拿到最高分数(虽然论文还未发表就被另一位同行超越了)。

语义联系

hankcs.com 2017-07-14 上午11.07.57.png

依然是类似的BiLSTM,多了个CNN max池化,过一层前馈神经网络,过一层softmax得到两个句子的语义联系。

训练

hankcs.com 2017-07-14 上午11.17.29.png

如果每个softmax都用交叉熵损失函数训练的话,效果并不好。这里用到了一种新奇的技巧叫做successive regularization,在某个上层任务的损失函数中,加入一个正则化项,限制下层任务的参数不要改变太多。

在训练的时候,从低层任务出发,先专注优化一个目标函数,假装上面的东西都不存在,逐步往上。(我觉得这并不是同一个目标函数)

结果

hankcs.com 2017-07-14 上午11.23.33.png

联合训练提高了每项任务的效果,任务数据越小,提升越显著。这是因为迁移学习的帮助越大。

大部分任务都拿到了最高分:

hankcs.com 2017-07-14 上午11.25.39.png

障碍3:预测从未见过的词语

以前课程也讲过,pointer copy机制

hankcs.com 2017-07-14 上午11.35.29.png

知识共享许可协议 知识共享署名-非商业性使用-相同方式共享码农场 » CS224n笔记18 挑战深度学习与自然语言处理的极限

评论 欢迎留言

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址

我的作品

HanLP自然语言处理包《自然语言处理入门》