ELMo

论文：《Deep contextualized word representations》

1. word2vector

我们先简单回顾下word2vector。我们想解的问题的是：如何将一个词语用向量来表示？

1.1 one-hot

首先想到的是使用one-hot来表示，如我们有一个词典：【a,apple,…,zoo,】，词典有n个词语，那么就用n维向量表示某个词。向量中词语下标位的值为1，其余为0：

在这里插入图片描述

该方法的主要缺点为：

• 向量太长，词汇量增加，向量维度增加。
• 该向量无法表达出词汇之间的关系： 模型学不到“I want a glass of apple _____”该填什么的。 “orange”和“apple”的特征表示没有任何的关系。

1.2 Neural Architecture of language model

语言模型简单可以理解是某一句话是合理的概率模型。如给出“I want a glass of orange __”，通过语言模型我们可能得到空格处最可能的单词为“juice”。基于神经网络结构的语言模型如下所示：

在这里插入图片描述

• 第一层：绿色方块为onehot向量
• 第二层：各个one-hot向量（10000维）会乘以共享矩阵C，即词向量矩阵（10000*300）。
• 第三层：乘完的向量（300维）连接（3*300=900维），并代入tanh函数
• 第四层：第三层到第四层（10000维）使用的是全连接
• Softmax：Vi表示输出V中的第i个元素，那么这个元素的Softmax为

在这里插入图片描述

1.3 word2vector

Neural Architecture of language model 非常重，一个比较轻巧训练词向量的方式就是最流行的word2vector：

在这里插入图片描述

• CBOW模型：获得中间词两边的的上下文，然后用周围的词去预测中间的词。经过词嵌入后，将向量按位素数相加。
• Skip-gram模型正好和CBOW模型相反，输入为中间的词，使用预测两边的的上下文的单词。 为了加速训练，还做了优化：
• hierarchical softmax：不使用one-hot，而是利用哈夫曼编码。节点数logV。
• 负采样：将模型变成2分类任务模型： 相邻： [V orange ​ ,V juice ​ ] -> 1 非相邻：[ V orange ​ ,V man ​ ] - > 0

word2vector的显而易见的缺点是没考虑上下文含义。比如说“我 用 苹果 手机 上网 买了 一箱 苹果”，这里的两个“苹果”我们从词向量矩阵中lookup出来的是相同的向量，但是显然这两个苹果的含义的不同的。这个问题之前的解法有如，训练多个词向量矩阵，可参阅《improving word representations via global context and multiple word prototypes》。但是，这个方法存在比较大我问题是，如何确定一个词有多少种意思（多少个矩阵）？如何更好的确定选哪个词向量的矩阵？

2. ELMo

2.1 核心创新

ELMo 借鉴CV中低、中、高特征的表示，如图：

在这里插入图片描述

ELMo用多层的BiLSTM语言模型，也想训练出多层次的文本表示：

在这里插入图片描述

可认为，低层特征表示是词语级别的特征，中层特征表示是句法级别的特征、高层特征表示是语义级别的特征。

2.2 核心公式

• 各层的表示向量为：

在这里插入图片描述

其中：h0=[x,x]h_0 =[x,x]h0​=[x,x]，hl=[hl→,hl←]h_l=[\stackrel{\rightarrow}{h_l},\stackrel{\leftarrow}{h_l}]hl​=[hl​→​,hl​←​]

• 各层的表示向量加权求和得到该token的ELMo表示：

在这里插入图片描述

其中：sss为各层表示的权重，γ\gammaγ为改次任务的权重。

2.3 实验效果

如下表所示，ELMo能非常好的找到相同语境含义的“play”：

在这里插入图片描述