聊聊Embedding(嵌入向量)
摘要自《深入浅出Embedding》一问。具体详细内容请移步该书。
概述
简单来说，嵌入是用向量表示一个物体，这个物体可以是一个单词、一条语句、一个序列、一件商品、一个动作、一本书、一部电影等，可以说嵌入(Embedding)涉及机器学习、深度学习的绝大部分对象。这些对象是机器学习和深度学习中最基本、最常用、最重要的对象，正因如此，如何有效表示、学习这些对象就显得非常重要。
Embedding本身也在不断更新，由最初表现单一的静态向表现更丰富的动态延伸和拓展。具体表现为由静态的Word Embedding、Item Embedding、Graph Embedding、Categorical variables Embedding向ELMo、Transformer、GPT、BERT、XLNet、ALBERT等动态的预训练模型延伸。
Word Embedding
因机器无法直接接收单词、词语、字符等标识符（token），所以可以采用整型数字标识或编码来处理，目前常用独热编码（One-Hot Encoding）来表示。这种编码方法虽然方便，但非常稀疏，属于硬编码，且无法重载更多信息。此后，人们想到用数值向量或标识符嵌入（Token Embedding）来表示，即通常说的词嵌入（Word Embedding），又称为分布式表示。
不过Word Embedding方法真正流行起来，还要归功于Google的word2vec，word2vec，是一群用来产生词向量的相关模型。
word2vec
从文本、标识符、独热编码到向量表示的整个过程，如下：
word2vec有两种模型：
- CBOW模型
- Skip-gram模型
两种模型的区别如下：
CBOW 模型是从上下文的多个单词预测中间的单词（目标词）；而 skip-gram 模型则从中间的单词（目标词）预测上下文的多个单词。
具体可参考：深入浅出理解word2vec模型 (理论与源码分析)
预训练流程
预训练模型（如ELMo、BERT等）的一般流程如图所示，其中微调是一个重要环节：
ELMo
word2vec实现了从独热编码到Word Embedding的一大进步，通过word2vec转换后，一个单词对应一个向量，单词的表现更丰富了，甚至一些相近的词在空间上也有明显的表现。
但word2vec还没有解决一词多义的问题，更不用说解决单词随环境变化而变化的问题。
多义词是自然语言中经常出现的现象，也是语言灵活性和高效性的一种体现。比如“Don't trouble trouble”，可翻译为“别烦恼了”，其中trouble这个词就属于一词多义。如果用word2vec模型训练后，trouble只对应一个向量，显然无法区别这个trouble的两个含义。而一词多义，不论是在英语、中文还是在其他语言中，都是普遍存在的问题。ELMo的提出意味着我们从词嵌入（Word Embedding）时代进入了语境词嵌入（Contextualized Word-Embedding）时代！
ELMo的核心思想主要体现在深度上下文（Deep Contextualized）上。与静态的词嵌入不同，ELMo除提供临时词嵌入之外，还提供生成这些词嵌入的预训练模型，所以在实际使用时，EMLo可以基于预训练模型，根据实际上下文场景动态调整单词的Word Embedding表示，这样经过调整后的Word Embedding更能表达在这个上下文中的具体含义，自然也就解决了多义词的问题。所以ELMo实现了一个由静态到动态的飞跃。
EMLo的实现主要涉及语言模型（Language Model），当然，它使用的语言模型有点特别，因为它首先把输入转换为字符级别的Embedding，根据字符级别的Embedding来生成上下文无关的Word Embedding，然后使用双向语言模型（如Bi-LSTM）生成上下文相关的Word Embedding。
ELMo整体模型结构如下：
ELMo的优点：
- 实现从单纯的词嵌入（Word Embedding）到情景词嵌入（Contextualized Word Embedding）的转变；
- 实现预训练模型从静态到动态的转变。
ELMo的缺点：
ELMo模型可以根据上下文更新词的特征表示，实现了词向量由静态向动态的转变。不过因ELMo依赖LSTM的架构，导致其训练只能按部就班，严格遵守从左到右或从右到左的次序进行训练，所以在面对特大语料库时将非常耗时。此外，LSTM虽然也有记忆功能，但其长期记忆的效果并不理想。
具体可参考《深入浅出Embedding》一书第6章。
BERT
BERT预训练模型很好的解决了并发以及大规模训练语料库下的性能问题。BERT的整体架构如图所示，它采用了Transformer中的Encoder部分。
Trm指Transformer的Encoder模块，如下所示：
BERT更擅长处理自然语言理解任务（NLU），使用上下文预测单词。
GPT
GPT预训练的方式和传统的语言模型一样，通过上文，预测下一个单词。它使用了Transformer的Decoder部分。GPT的整体架构如下：
其中Trm表示Decoder模块，在同一水平线上的Trm表示在同一个单元，E i表示词嵌入，那些复杂的连线表示词与词之间的依赖关系，显然，GPT要预测的词只依赖上文。GPT的Decoder模块如下：
GPT模型采用了传统的语言模型进行训练，即使用单词的上文预测单词。因此，GPT更擅长处理自然语言生成任务（NLG）。
小结
基于Transformer的Encoder模块得到BERT预训练模型，基于Transformer的Decoder得到GPT系列预训练模型。BERT采用MLM，而GPT系列采用LM，它们各有优势，都在很多领域取得很好的效果。
