Coursera Deep Learning笔记 序列模型（二）NLP & Word Embeddings(自然语言处理与词嵌入)

参考

1. Word Representation

之前介绍用词汇表表示单词，使用one-hot 向量表示词，缺点：它使每个词孤立起来，使得算法对相关词的泛化能力不强。

从上图可以看出相似的单词分布距离较近，从而也证明了Word Embeddings能有效表征单词的关键特征。

2. 词嵌入(word embedding)

Transfer learning and word embedding：

• 从海量词汇库中学习word embeddings(即所有单词的特征向量)，或者从网上下载预训练好的word embeddings。

• 将word embeddings迁移到新的任务中，只有少量标注训练集的任务中。例如，用这个 300维的词嵌入 来表示你的单词

  • 好处：你可以用更低维度的特征向量，代替原来的1000维的one-hot向量，

• （可选）：继续使用新数据微调word embeddings。（只有当第二步有很大数据才会微调）

当训练集较小时，词嵌入作用最明显。它广泛应用于NLP领域（命名实体识别，文本摘要，文本解析，指代消减），在语言模型、机器翻译领域用的不多。

• 人脸图片经过Siamese网络，得到其特征向量 \(f(x)\)，这点跟word embedding是类似的。

• 二者不同的是Siamese网络输入的人脸图片可以是网络上海量的数据；而word embedding一般都是 已建立的词汇库 中的单词，非词汇库单词统一用 表示

3. 词嵌入的特性(Properties of word embeddings)

Word embeddings可以帮助实现类比推理，找到 不同单词之间的相似类别关系，如下图所示：

上例中，特征维度是4维的，分别是[Gender, Royal, Age, Food]。

常识地，“Man”与“Woman”的关系，类比于“King”与“Queen”的关系。而利用 Word embeddings 可以找到这样的对应类比关系。

我们将“Man”的embedding vector 与 “Woman”的embedding vector相减：

\[e_{man}-e_{woman}=\left[ \begin{matrix} -1 \\ 0.01 \\ 0.03 \\ 0.09 \end{matrix} \right]-\left[ \begin{matrix} 1 \\ 0.02 \\ 0.02 \\ 0.01 \end{matrix} \right]\approx\left[ \begin{matrix} -2 \\ 0 \\ 0 \\ 0 \end{matrix} \right] \]

类似地，将 “King”的embedding vector” 与 “Queen”的embedding vector”相减：

\[e_{king}-e_{queen}=\left[ \begin{matrix} -0.95 \\ 0.93 \\ 0.70 \\ 0.02 \end{matrix} \right]-\left[ \begin{matrix} 0.97 \\ 0.95 \\ 0.69 \\ 0.01 \end{matrix} \right]\approx\left[ \begin{matrix} -2 \\ 0 \\ 0 \\ 0 \end{matrix} \right] \]

相减结果表明，“Man”与“Woman”的主要区别是性别，“King”与“Queen”也是一样。

一般地，A类比于B 相当于 C类比于“？”，这类问题可以使用embedding vector进行运算。

如上图所示，根据等式 \(e_{man}-e_{woman}\approx e_{king}-e_?\)得：

\[e_?=e_{king}-e_{man}+e_{woman} \]

利用相似函数，

• For word w： argmax_w \(sim(e_w, e_{king}-e_{man}+e_{woman})\) .

关于相似函数，比较常用的是 余弦相似度(cosine similarity)，其表达式为：

\[Sim(u,v)=\frac{u^Tv}{||u||\cdot ||v||} \]

还可以计算Euclidian distance来比较相似性，即 \(||u-v||^2\)，距离越大，相似性越小。

4. 嵌入矩阵(Embedding matrix)

• 假设某个词汇库包含了10000个单词，每个单词包含的特征维度为300，那么表征所有单词的 embedding matrix 维度为 300 x 10000，用 \(E\) 来表示。

• 某单词w 的 one-hot向量 表示为 \(O_w\)，维度为10000 x 1，则该单词的 embedding vector 表达式为：

\[e_w = E\cdot O_w \]

• 因此，求出 embedding matrix \(E\)，就能计算出所有单词的 embedding vector \(e_w\)，重点介绍如何求出 \(E\)。

5. 学习词嵌入(Learning word embeddings)

Embedding matrix \(E\) 可以通过构建自然语言模型，运用梯度下降算法得到，例：

I want a glass of orange (juice).

通过这句话的前6个单词，预测最后的单词 “juice”。 \(E\) 未知待求，每个单词可用 embedding vector \(e_w\) 表示。构建的神经网络模型结构如下图所示：

神经网络输入层包含6个embedding vectors，每个embedding vector维度是300，则输入层总共有1800个输入。Softmax层有10000个概率输出，与词汇表包含的单词数目一致。

正确的输出label是“juice”。其中 \(E,W^{[1]},b^{[1]},W^{[2]},b^{[2]}\) 为待求值。对足够的训练例句样本，运用梯度下降算法，迭代优化，最终求出embedding matrix \(E\)。

一般地，我们把输入叫做context，输出叫做target。对应到上面这句话里：

• context: a glass of orange

• target: juice

关于context的选择有多种方法：

• target前n个单词或后n个单词，n可调

• target前1个单词

• target附近某1个单词（Skip-Gram）

不同的context选择方法都能计算出较准确的 embedding matrix \(E\)。

6. Word2Vec

Skip-Gram模型 是Word2Vec的一种：

I want a glass of orange juice to go along with my cereal.

Skip-Gram模型：

• 首先，随机选择一个单词作为context，例如“orange”.

• 然后，使用一个宽度为5或10（自定义）的滑动窗，在context附近选择一个单词作为target，可以是“juice”、“glass”、“my”等等。最终得到了多个 context—target对 作为监督式学习样本。

训练的过程是构建自然语言模型，经过softmax单元的输出为：

\[\hat y=\frac{e^{\theta_t^T\cdot e_c}}{\sum_{j=1}^{10000}e^{\theta_j^T\cdot e_c}} \]

其中，\(\theta_t\) 与输出(target)有关的的参数，即某个词t和标签相符的概率是多少，\(e_c\) 为context的 embedding vector，且 \(e_c = E ⋅ O_c\) 。

相应的loss function为：

\[L(\hat y,y)=-\sum_{i=1}^{10000}y_ilog\ \hat y_i \]

然后，运用梯度下降算法，迭代优化，最终得到embedding matrix \(E\)。

上述算法慢，主要因为softmax输出单元为10000个，\(\hat y\) 计算公式中包含了大量的求和运算。

解决办法：

• 使用 hierarchical softmax classifier，即分级softmax分类器。其结构如下图所示：

• 这种树形分类器是一种二分类。与之前的softmax分类器不同，它在每个数节点上对目标单词进行区间判断，最终定位到目标单词。

• 类似二叉搜索树，此分类器最多需要 \(log\ N\) 步就能找到目标单词，N为单词总数。

• 实际应用中，对树形分类器做了一些改进。改进后的树形分类器是非对称的，通常选择把常用单词放在树的顶层，不常用单词放在树的底层，更能提高搜索速度。

• 关于context的采样，注意：

  • 如果使用均匀采样，那么一些常用的介词、冠词，例如the, of, a, and, to等出现的概率更大一些。但是，这些单词的embedding vectors通常不是我们最关心的，我们更关心例如orange, apple， juice等这些名词等。

  • 所以，实际应用中，一般不选择随机均匀采样的方式来选择context，而是使用其它算法来处理这类问题。

7. 负采样(Negative sampling)

Negative sampling：

• 是另外一种有效的求解embedding matrix \(E\) 的方法。

• 方法：判断选取的context word 和 target word 是否构成一组正确的context-target对，一般包含一个正样本 和 k个负样本。

  • 例如，“orange” 为 context word，“juice” 为 target word，很明显“orange juice”是一组context-target对，为正样本，相应的target label为1。

  • 若“orange”为 context word不变，target word随机选择“king”、“book”、“the”或者“of”等，这些都不是正确的context-target对，为负样本，相应的target label为0。

• 一般地，固定某个 context word 对应的 负样本个数k 一般遵循：

  • 若训练样本较小，k一般选择 5～20；

  • 若训练样本较大，k一般选择 2～5。

Negative sampling 的数学模型为：

\[P(y=1|c,t)=\sigma(\theta^T_t\cdot e_c) \]

其中，\(\sigma\) 表示sigmoid激活函数。

• negative sampling某个固定的正样本对应k个负样本，即模型总共包含了 k+1个binary classification。

• 对比之前介绍的10000个输出单元的softmax分类，negative sampling转化为 k+1 个二分类问题，计算量要小很多，提高了模型运算速度。

如何选择负样本对应的target单词：

• 随机选择的方法

• 根据该词出现的频率进行选择(更实用)，相应的概率公式为：

\[P(w_i)=\frac{f(w_i)^{\frac34}}{\sum_j^{10000}f(w_j)^{\frac34}} \]

其中，\(f(w_i)\) 表示单词 \(w_i\) 在单词表中出现的概率。

8. GloVe word vectors

GLOVE的工作原理类似于Word2Vec。上面可以看到Word2Vec是一个“预测”模型，它预测给定单词的上下文，GLOVE通过构造一个共现矩阵(words X context)来学习，该矩阵主要计算单词在上下文中出现的频率。因为它是一个巨大的矩阵，我们分解这个矩阵来得到一个低维的表示。

GloVe算法引入了一个新的参数：

• \(X_{ij}\)： 表示 单词i 在 单词j 上下文中出现的次数，即单词i和单词j共同出现在一个窗口中的次数。

• 其中，i表示context，j表示target。一般地，如果不限定context一定在target的前面，则有对称关系 \(X_{ij}=X_{ji}\)；

• 如果有限定先后，则 \(X_{ij}\neq X_{ji}\)。下面默认存在对称关系 \(X_{ij}=X_{ji}\)

GloVe模型的loss function为：

\[L=\sum_{i=1}^{10000}\sum_{j=1}^{10000}(\theta_i^Te_j-log X_{ij})^2 \]

从上式可以看出，若两个词的embedding vector越相近，同时出现的次数越多，则对应的loss越小。

• 为了防止出现“log 0”，即两个单词不会同时出现，无相关性的情况，对loss function引入一个权重因子 \(f(X_{ij})\)：

\[L=\sum_{i=1}^{10000}\sum_{j=1}^{10000}f(X_{ij})(\theta_i^Te_j-log X_{ij})^2 \]

• 当 \(X_{ij}=0\)时，权重因子 \(f(X_{ij})=0\)。该方法 忽略了无任何相关性的context和target，只考虑 \(X_{ij}>0\) 的情况。

• 出现频率较大的单词相应的权重因子 \(f(X_{ij})\) 较大，出现频率较小的单词相应的权重因子 \(f(X_{ij})\) 较小。

一般地，引入偏移量，则loss function表达式为：

\[L=\sum_{i=1}^{10000}\sum_{j=1}^{10000}f(X_{ij})(\theta_i^Te_j+b_i+b_j'-log X_{ij})^2 \]

注意，参数 \(\theta_i\) 和 \(e_j\) 是对称的。使用优化算法得到所有参数之后，最终的 \(e_w\) 可表示为：

\[e_w=\frac{e_w+\theta_w}{2} \]

无论使用Skip-Gram模型还是GloVe模型等，不能保证嵌入向量的独立组成部分是能够理解的，计算得到的embedding matrix \(E\) 的 每一个特征值不一定对应有实际物理意义的特征值，如gender，age等。

9. 情感分类(Sentiment Classification)

情感分类一般是根据一句话来判断其喜爱程度，例如1～5星分布。如下图所示：

情感分类问题的一个主要挑战：缺少足够多的训练样本。 Word embedding 可以帮助 解决训练样本不足的问题。

首先介绍使用word embedding解决情感分类问题的一个简单模型算法。

没有考虑单词出现次序，如：Completely lacking in good taste, good service, and good ambience. good出现很多次，但是在good之前加上lacking，则变成消极意思。

情感分类的RNN模型：

该RNN模型是典型的many-to-one模型，考虑单词出现的次序，能够有效识别句子表达的真实情感。

使用word embedding，能够有效提高模型的泛化能力，即使训练样本不多，也能保证模型有不错的性能。

10. 词嵌入除偏(Debiasing word embeddings)

Word embeddings中存在一些性别、宗教、种族等偏见或者歧视。例如：

第二句话和第三句话存在性别偏见，因为Woman和Mother也可以是Computer programmer和Doctor。

以性别偏见为例，我们来探讨下如何消除word embeddings中偏见。

首先，确定偏见bias的方向：

• 方法是对 所有性别对立的单词 求差值，再平均。上图展示了 bias direction 和 non-bias direction。

\[bias\ direction=\frac1N ((e_{he}-e_{she})+(e_{male}-e_{female})+\cdots) \]

然后，单词中立化（Neutralize）：

• 将需要消除性别偏见的单词投影到non-bias direction上去，消除bias维度，例如babysitter，doctor等。

最后，均衡对（Equalize pairs）：

• 让性别对立单词 与 上面的中立词 距离相等，具有同样的相似度。例如让 grandmother 和 grandfather 与 babysitter 的距离同一化。

通常，大部分英文单词，例如职业、身份等都需要中立化，消除embedding vector中 性别 这一维度的影响。