斯坦福NLP课程 | 第6讲 - 循环神经网络与语言模型

原创

ShowMeAI

发布于 2022-05-08 00:38:05

4890

发布于 2022-05-08 00:38:05

文章被收录于专栏：ShowMeAI研究中心

作者：韩信子@ShowMeAI，路遥@ShowMeAI，奇异果@ShowMeAI
教程地址：http://www.showmeai.tech/tutorials/36
本文地址：http://www.showmeai.tech/article-detail/240
声明：版权所有，转载请联系平台与作者并注明出处
收藏ShowMeAI查看更多精彩内容

ShowMeAI为斯坦福CS224n《自然语言处理与深度学习(Natural Language Processing with Deep Learning)》课程的全部课件，做了中文翻译和注释，并制作成了GIF动图！

本讲内容的深度总结教程可以在这里查看。视频和课件等资料的获取方式见文末。

引言

（本篇内容也可以参考ShowMeAI的对吴恩达老师课程的总结文章深度学习教程 | 序列模型与RNN网络）

概述

介绍一个新的NLP任务
- Language Modeling 语言模型
介绍一个新的神经网络家族
- Recurrent Neural Networks (RNNs)

1.语言模型

1.1 语言模型

语言建模的任务是预测下一个单词是什么

更正式的说法是：给定一个单词序列 \boldsymbol{x}^{(1)}, \boldsymbol{x}^{(2)}, \ldots, \boldsymbol{x}^{(t)}，计算下一个单词 x^{(t+1)} 的概率分布：

P\left(\boldsymbol{x}^{(t+1)} \mid \boldsymbol{x}^{(t)}, \ldots, \boldsymbol{x}^{(1)}\right)

其中，x^{(t+1)} 可以是词表中的任意单词 V=\left\{\boldsymbol{w}_{1}, \ldots, \boldsymbol{w}_{|V|}\right\}
这样做的系统称为 Language Model 语言模型

1.2 语言模型

还可以将语言模型看作评估一段文本是自然句子（通顺度）的概率
例如，如果我们有一段文本 x^{(1)},\dots,x^{(T)}，则这段文本的概率(根据语言模型)为

\begin{aligned} P\left(\boldsymbol{x}^{(1)}, \ldots, \boldsymbol{x}^{(T)}\right) &=P\left(\boldsymbol{x}^{(1)}\right) \times P\left(\boldsymbol{x}^{(2)} \mid \boldsymbol{x}^{(1)}\right) \times \cdots \times P\left(\boldsymbol{x}^{(T)} \mid \boldsymbol{x}^{(T-1)}, \ldots, \boldsymbol{x}^{(1)}\right) \\ &=\prod_{t=1}^{T} P\left(\boldsymbol{x}^{(t)} \mid \boldsymbol{x}^{(t-1)}, \ldots, \boldsymbol{x}^{(1)}\right) \end{aligned}

语言模型提供的是 \prod_{t=1}^{T} P\left(\boldsymbol{x}^{(t)} \mid \boldsymbol{x}^{(t-1)}, \ldots, \boldsymbol{x}^{(1)}\right)

1.3 随处可见的语言模型

1.4 随处可见的语言模型

1.5 n-gram 语言模型

the students opened their __

问题：如何学习一个语言模型？
回答(深度学习之前的时期)：学习一个 n-gram 语言模型
定义：n-gram是一个由 n 个连续单词组成的块
unigrams: the, students, opened, their
bigrams: the students, students opened, opened their
trigrams: the students opened, students opened their
4-grams: the students opened their
想法：收集关于不同 n-gram 出现频率的统计数据，并使用这些数据预测下一个单词

1.6 n-gram 语言模型

首先，我们做一个简化假设：x^{(t+1)} 只依赖于前面的 n-1 个单词

\begin{aligned} P\left(\boldsymbol{x}^{(t+1)} \mid \boldsymbol{x}^{(t)}, \ldots, \boldsymbol{x}^{(1)}\right) & =P\left(\boldsymbol{x}^{(t+1)} \mid \boldsymbol{x}^{(t)}, \ldots, \boldsymbol{x}^{(t-n+2)}\right)\\ &=\frac{P\left(\boldsymbol{x}^{(t+1)}, \boldsymbol{x}^{(t)}, \ldots, \boldsymbol{x}^{(t-n+2)}\right)}{P\left(\boldsymbol{x}^{(t)}, \ldots, \boldsymbol{x}^{(t-n+2)}\right)} \end{aligned}

问题：如何得到n-gram和(n-1)-gram的概率？
回答：通过在一些大型文本语料库中计算它们(统计近似)

\approx \frac{\operatorname{count}\left(\boldsymbol{x}^{(t+1)}, \boldsymbol{x}^{(t)}, \ldots, \boldsymbol{x}^{(t-n+2)}\right)}{\operatorname{count}\left(\boldsymbol{x}^{(t)}, \ldots, \boldsymbol{x}^{(t-n+2)}\right)}

1.7 n-gram 语言模型：示例

假设我们正在学习一个 4-gram 的语言模型

例如，假设在语料库中：
- students opened their 出现了1000次
- students opened their books 出现了400次

P(\text{books} \mid \text{students opened their})=0.4

students opened their exams 出现了100次

P( \text{exams} \mid \text{students opened their})=0.1

我们应该忽视上下文中的 proctor 吗？
- 在本例中，上下文里出现了 proctor，所以 exams 在这里的上下文中应该是比 books 概率更大的。

1.8 n-gram语言模型的稀疏性问题

问题1：如果students open their ww 从未出现在数据中，那么概率值为0
(Partial)解决方案：为每个 w \in V 添加极小数 \delta ，这叫做平滑。这使得词表中的每个单词都至少有很小的概率。
问题2：如果students open their 从未出现在数据中，那么我们将无法计算任何单词 w 的概率值
(Partial)解决方案：将条件改为open their，也叫做后退处理。
Note/注意: n 的增加使稀疏性问题变得更糟。一般情况下 n 不能大于5。

1.9 n-gram语言模型的存储问题

问题：需要存储你在语料库中看到的所有 n-grams 的计数

增加 n 或增加语料库都会增加模型大小

1.10 n-gram 语言模型在实践中的应用

Try for yourself: https://nlpforhackers.io/language-models/

你可以在你的笔记本电脑上，在几秒钟内建立一个超过170万个单词库(Reuters)的简单的三元组语言模型
- Reuters 是商业和金融新闻的数据集

稀疏性问题：

概率分布的粒度不大。today the company和today he bank都是4/26，都只出现过四次

1.11 n-gram语言模型的生成文本

可以使用语言模型来生成文本
使用trigram运行以上生成过程时，会得到上图左侧的文本
令人惊讶的是其具有语法但是是不连贯的。如果我们想要很好地模拟语言，我们需要同时考虑三个以上的单词。但增加 n 使模型的稀疏性问题恶化，模型尺寸增大

1.12 如何搭建一个神经语言模型？

回忆一下语言模型任务
输入：单词序列 \boldsymbol{x}^{(1)}, \boldsymbol{x}^{(2)}, \ldots, \boldsymbol{x}^{(t)}
输出：下一个单词的概P\left(\boldsymbol{x}^{(t+1)} \mid \boldsymbol{x}^{(t)}, \ldots, \boldsymbol{x}^{(1)}\right)率分布
window-based neural model 在第三讲中被用于NER问题

1.13 固定窗口的神经语言模型

使用和NER问题中同样网络结构

1.14 固定窗口的神经语言模型

1.15 固定窗口的神经语言模型

超越 n-gram 语言模型的改进

没有稀疏性问题
不需要观察到所有的n-grams

NNLM存在的问题

固定窗口太小
扩大窗口就需要扩大权重矩阵W
窗口再大也不够用
x^{(1)}和 x^{(2)} 乘以完全不同的权重。输入的处理不对称

我们需要一个神经结构，可以处理任何长度的输入

2.循环神经网络(RNN)

2.1 循环神经网络(RNN)

核心想法：重复使用相同的权重矩阵W

2.2 RNN语言模型

2.3 RNN语言模型

RNN的优点
- 可以处理任意长度的输入
- 步骤 t 的计算(理论上)可以使用许多步骤前的信息
- 模型大小不会随着输入的增加而增加
- 在每个时间步上应用相同的权重，因此在处理输入时具有对称性
RNN的缺点
- 循环串行计算速度慢
- 在实践中，很难从许多步骤前返回信息

2.4 训练一个RNN语言模型

获取一个较大的文本语料库，该语料库是一个单词序列
输入RNN-LM；计算每个步骤 t 的输出分布
- 即预测到目前为止给定的每个单词的概率分布
步骤 t 上的损失函数为预测概率分布 \hat{\boldsymbol{y}}^{(t)} 与真实下一个单词{\boldsymbol{y}}^{(t)} (x^{(t+1)}的独热向量)之间的交叉熵

J^{(t)}(\theta)=C E\left(\boldsymbol{y}^{(t)}, \hat{\boldsymbol{y}}^{(t)}\right)=-\sum_{w \in V} \boldsymbol{y}_{w}^{(t)} \log \hat{\boldsymbol{y}}_{w}^{(t)}=-\log \hat{\boldsymbol{y}}_{\boldsymbol{x}_{t+1}}^{(t)}

将其平均，得到整个训练集的总体损失

J(\theta)=\frac{1}{T} \sum_{t=1}^{T} J^{(t)}(\theta)=\frac{1}{T} \sum_{t=1}^{T}-\log \hat{\boldsymbol{y}}_{\boldsymbol{x}_{t+1}}^{(t)}

2.5 训练一个RNN语言模型

J^{(1)}(\theta)+J^{(2)}(\theta)+J^{(3)}(\theta)+J^{(4)}(\theta)+\cdots=J(\theta)=\frac{1}{T} \sum_{t=1}^{T} J^{(t)}(\theta)

2.6 训练一个RNN语言模型

然而：计算整个语料库 \boldsymbol{x}^{(1)}, \ldots, \boldsymbol{x}^{(T)} 的损失和梯度太昂贵了

J(\theta)=\frac{1}{T} \sum_{t=1}^{T} J^{(t)}(\theta)

在实践中，我们通常将 \boldsymbol{x}^{(1)}, \ldots, \boldsymbol{x}^{(T)} 看做一个句子或是文档
回忆：随机梯度下降允许我们计算小块数据的损失和梯度，并进行更新
计算一个句子的损失 J(\theta) (实际上是一批句子)，计算梯度和更新权重。重复上述操作。

2.7 RNN的反向传播

问题：关于重复的权重矩阵 W_h 的偏导数 J^{(t)}(\theta)
回答：重复权重的梯度是每次其出现时的梯度的总和

\frac{\partial J^{(t)}}{\partial \boldsymbol{W}_{\boldsymbol{h}}}=\sum_{i=1}^{t}\left.\frac{\partial J^{(t)}}{\partial \boldsymbol{W}_{\boldsymbol{h}}}\right|_{(i)}

2.8 多变量链式法则

Source: https://www.khanacademy.org/math/multivariable-calculus/multivariable-derivatives/differentiating-vector-valued-functions/a/multivariable-chain-rule-simple-version

对于一个多变量函数 f(x,y) 和两个单变量函数 x(t) 和 y(t)，其链式法则如下：

\frac{d}{d t} f(x(t), y(t))=\frac{\partial f}{\partial x} \frac{d x}{d t}+\frac{\partial f}{\partial y} \frac{d y}{d t}

2.9 RNN的反向传播：简单证明

对于一个多变量函数 f(x,y) 和两个单变量函数 x(t) 和 y(t)，其链式法则如下：

\frac{d}{d t} f(x(t), y(t))=\frac{\partial f}{\partial x} \frac{d x}{d t}+\frac{\partial f}{\partial y} \frac{d y}{d t}

2.10 RNN的反向传播

问题：如何计算？
回答：反向传播的时间步长 i=t,\dots,0。累加梯度。这个算法叫做 “backpropagation through time”

2.11 RNN语言模型的生成文本

就像n-gram语言模型一样，你可以使用RNN语言模型通过重复采样来生成文本。采样输出是下一步的输入。

2.12 RNN语言模型的生成文本

Source: https://medium.com/@samim/obama-rnn-machine-generated-political-speeches-c8abd18a2ea0
Source: https://medium.com/deep-writing/harry-potter-written-by-artificial-intelligence-8a9431803da6
Source: https://gist.github.com/nylki/1efbaa36635956d35bcc
Source: http://aiweirdness.com/post/160776374467/new-paint-colors-invented-by-neural-network

补充讲解

相比n-gram更流畅，语法正确，但总体上仍然很不连贯
食谱的例子中，生成的文本并没有记住文本的主题是什么
哈利波特的例子中，甚至有体现出了人物的特点，并且引号的开闭也没有出现问题
- 也许某些神经元或者隐藏状态在跟踪模型的输出是否在引号中
RNN是否可以和手工规则结合？
- 例如Beam Serach，但是可能很难做到

3.评估语言模型

3.1 评估语言模型

标准语言模型评估指标是 perplexity 困惑度
这等于交叉熵损失 J(\theta) 的指数

=\prod_{t=1}^{T}\left(\frac{1}{\hat{y}_{x_{t+1}}^{(t)}}\right)^{1 / T}=\exp \left(\frac{1}{T} \sum_{t=1}^{T}-\log \hat{\boldsymbol{y}}_{\boldsymbol{x}_{t+1}}^{(t)}\right)=\exp (J(\theta))

困惑度越低效果越好

3.2 RNN极大地改善了困惑度

Source: https://research.fb.com/building-an-efficient-neural-language-model-over-a-billion-words/

3.3 为什么我们要关心语言模型？

语言模型是一项基准测试任务，它帮助我们衡量我们在理解语言方面的进展
- 生成下一个单词，需要语法，句法，逻辑，推理，现实世界的知识等
语言建模是许多NLP任务的子组件，尤其是那些涉及生成文本或估计文本概率的任务
- 预测性打字、语音识别、手写识别、拼写/语法纠正、作者识别、机器翻译、摘要、对话等等