Update B-自然语言处理/B-专题-句嵌入.md

ytZhou · Oct 20, 2018 · d40ddd8 · d40ddd8
1 parent 5a8c0d1
commit d40ddd8
Showing 1 changed file with 263 additions and 0 deletions.
diff --git a/B-自然语言处理/B-专题-句嵌入.md b/B-自然语言处理/B-专题-句嵌入.md
@@ -0,0 +1,263 @@
+专题-句向量（Sentence Embedding）
+===
+
+Reference
+---
+- [The Current Best of Universal Word Embeddings and Sentence Embeddings](https://medium.com/huggingface/universal-word-sentence-embeddings-ce48ddc8fc3a) 
+
+Index
+---
+<!-- TOC -->
+
+- [基线模型](#基线模型)
+    - [基于统计的词袋模型（BoW）](#基于统计的词袋模型bow)
+    - [基于词向量的词袋模型](#基于词向量的词袋模型)
+        - [均值模型](#均值模型)
+        - [加权模型](#加权模型)
+    - [基于 RNN（任务相关）](#基于-rnn任务相关)
+    - [基于 CNN（任务相关）](#基于-cnn任务相关)
+- [词袋模型](#词袋模型)
+    - [[2018] Power Mean 均值模型](#2018-power-mean-均值模型)
+    - [[2017] SIF 加权模型](#2017-sif-加权模型)
+- [无监督模型](#无监督模型)
+    - [[2015] Skip-Thought Vector](#2015-skip-thought-vector)
+    - [[2018] Quick-Thought Vectors](#2018-quick-thought-vectors)
+- [有监督模型](#有监督模型)
+    - [[2017] InferSent](#2017-infersent)
+    - [[2017] Self-Attention](#2017-self-attention)
+    - [[2015] DAN & RecNN](#2015-dan--recnn)
+- [多任务学习](#多任务学习)
+    - [[2018] 基于多任务的 Sentence Embedding（微软）](#2018-基于多任务的-sentence-embedding微软)
+    - [[2018] Universal Sentence Encoder（谷歌）](#2018-universal-sentence-encoder谷歌)
+- [参考文献](#参考文献)
+
+<!-- /TOC -->
+
+
+## 基线模型
+
+### 基于统计的词袋模型（BoW）
+- 单个词的 One-Hot 表示
+- 基于频数的词袋模型
+- 基于 TF-IDF 的词袋模型
+- ...
+
+### 基于词向量的词袋模型
+#### 均值模型
+<div align="center"><a href="http://www.codecogs.com/eqnedit.php?latex=\fn_jvn&space;s=\frac{1}{N}\sum_{i=1}^N&space;v_i"><img src="../_assets/公式_2018091402442.png" height="" /></a></div>
+
+> 其中 `v_i` 表示维度为 `d` 的词向量，均值指的是对所有词向量**按位求和**后计算每一维的均值，最后 `s` 的维度与 `v` 相同。
+
+#### 加权模型
+<div align="center"><a href="http://www.codecogs.com/eqnedit.php?latex=\fn_jvn&space;s=\sum_{i=1}^N&space;\alpha_i\cdot&space;v_i"><img src="../_assets/公式_2018091402658.png" height="" /></a></div>
+
+> 其中 `α` 可以有不同的选择，但一般应该遵循这样一个准则：**越常见的词权重越小**
+>> [[2017] SIF 加权模型](#2017-sif-加权模型)
+
+### 基于 RNN（任务相关）
+- 以最后一个隐状态作为整个句子的 Embedding
+    <div align="center"><img src="../_assets/TIM截图20180914013219.png" height="" /></div>
+
+- 基于 RNN 的 Sentence Embedding 往往用于特定的有监督任务中，**缺乏可迁移性**，在新的任务中需要重新训练；
+- 此外，由于 RNN 难以并行训练的缺陷，导致开销较大。
+
+
+### 基于 CNN（任务相关）
+- 卷积的优势在于提取**局部特征**，利用 CNN 可以提取句子中类似 n-gram 的局部信息；
+- 通过整合不同大小的 n-gram 特征作为整个句子的表示。
+
+    <div align="center"><img src="../_assets/TIM截图20180914013449.png" height="" /></div>
+
+
+## 词袋模型
+
+### [2018] Power Mean 均值模型
+> [4]
+- 本文是均值模型的一种推广；通过引入“幂均值”（Power Mean）来捕捉序列中的其他信息；
+- 记句子 `s=(x_1, x_2, ..., x_n)`
+    <div align="center"><a href="http://www.codecogs.com/eqnedit.php?latex=\fn_cm&space;\large&space;s_p=\left&space;(&space;\frac{x_1^p&plus;\cdots&plus;x_n^p}{n}&space;\right&space;)^{\frac{1}{p}},\quad&space;p\in\mathbb{R}\cup\{\pm\infty\}"><img src="../_assets/公式_20180914232209.png" height="" /></a></div>
+
+    - `x_i` 为每个词的词向量，维度为 `d`
+    - 普通的均值模型即 `p=1` 时的特例；
+    - 特别说明，`±∞` 实际上指的是 `max`/`min`，而不是绝对值最大/最小
+
+- 本文通过**拼接**的方式来保留不同 `p` 的信息
+    <div align="center"><a href="http://www.codecogs.com/eqnedit.php?latex=\fn_jvn&space;\large&space;s=[s_{p_1};s_{p_2};...;s_{p_k}]"><img src="../_assets/公式_20180914232558.png" height="" /></a></div>
+
+    > 此时，Sentence Embedding 的维度应该是 **`K * d`**
+
+- 进一步的，文本还加入了在**不同词嵌入空间**上的词向量，依然通过**拼接**的方式保留信息
+    - 所谓**不同词嵌入空间**，指的就是使用不同算法在不同语料上训练得到的词向量
+        <div align="center"><a href="http://www.codecogs.com/eqnedit.php?latex=\fn_jvn&space;\large&space;\begin{array}{ll}&space;s^{(i)}&space;&=[s_{p_1}^{(i)};s_{p_2}^{(i)};...;s_{p_k}^{(i)}]&space;\\&space;s&space;&=[s^{(1)};s^{(2)};...;s^{(L)}]&space;\\&space;\end{array}"><img src="../_assets/公式_20180915135024.png" height="" /></a></div>
+
+        > 此时，Sentence Embedding 的维度应该是 **`K * L * d`**
+    - 本文使用了如下 **4 种词向量**：
+        - GloVe embeddings (GV) trained on Common Crawl
+        - Word2Vec trained on GoogleNews (GN)
+        - Attract-Repel (AR) (Mrksic et al., 2017)
+        - MorphSpecialized (MS) (Vulic et al., 2017)
+
+
+### [2017] SIF 加权模型
+- **文献 [1]** 提出了一个简单但有效的**加权词袋模型 SIF** (**Smooth Inverse Frequency**)，其性能超过了简单的 RNN/CNN 模型
+
+- **SIF** 的计算分为两步：<br/>
+    **1）** 对句子中的每个词向量，乘以一个权重 `a/(a+p_w)`，其中 `a` 是一个常数（原文取 `0.0001`），`p_w` 为该词的词频；对于出现频率越高的词，其权重越小；<br/>
+    **2）** 计算**句向量矩阵**的第一个主成分 `u`，让每个句向量减去它在 `u` 上的投影（类似 PCA）；
+
+- **完整算法描述**
+    <div align="center"><img src="../_assets/TIM截图20180914010334.png" height="" /></div>
+
+<!--  
+
+  <details><summary><b>Numpy 示例（点击展开）</b></summary>
+
+  ```python
+  
+  ```
+  
+  </details>
+
+-->
+
+
+## 无监督模型
+
+### [2015] Skip-Thought Vector
+> [2]
+
+- 类似 Word2Vec/语言模型 的思想，Sentence Embedding 作为模型的副产品。
+- 给定一个三元组 `s_{i-1}, s_i, s_{i+1}` 表示 3 个连续的句子。
+- 模型使用 Encoder-Decoder 框架；
+- 训练时，由 Encoder 对 `s_i` 进行编码；然后分别使用两个 Decoder 生成前一句 `s_{i-1}` 和下一句 `s_{i+1}`
+    <div align="center"><img src="../_assets/TIM截图20180914133101.png" height="" /></div>
+
+    - **Encoder**（GRU）
+        <div align="center"><img src="../_assets/TIM截图20180914151435.png" height="" /></div>
+
+    - **Decoder**（带窥孔的 GRU）
+        <div align="center"><img src="../_assets/TIM截图20180914151535.png" height="" /></div>
+        
+        > 其中 `h_i` 为 Encoder 的输出，即表示 `s_i` 的 Sentence Embedding
+    - **Decoder** 可以看作是以 **Encoder** 输出为条件的**神经语言模型**
+        <div align="center"><img src="../_assets/TIM截图20180914151641.png" height="" /></div>
+
+        > 语言模型，`v` 表示词向量
+
+    - **目标函数**
+        <div align="center"><img src="../_assets/TIM截图20180914152110.png" height="" /></div>
+
+- OOV 词的处理 TODO
+
+### [2018] Quick-Thought Vectors
+> [4]
+
+- 本文是基于 Skip-Thought Vector 的改进
+- Skip-Thought Vector 中给出前一句**生成**上一句和下一句的任务，被重新描述为一个**分类任务**：Decoder 作为分类器从一组候选句子中选择正确的上一个/下一个句子。
+    - **生成模型**（Skip-Thought Vector）
+        <div align="center"><img src="../_assets/TIM截图20180915151749.png" height="" /></div>
+
+    - **分类模型**（Quick-Thought Vectors）
+        <div align="center"><img src="../_assets/TIM截图20180915151811.png" height="" /></div>
+
+- 该模型的一个主要优点是**训练速度**比 Skip-Thought Vector 快，后者需要训练 3 个 RNN 模块。
+- **一些细节**：
+    - `batch size = 400`，即一个 batch 为 400 个连续的句子；
+    - `context size = 3`，即对给定句子，预测其上一句和下一句；
+    - **负采样**：同一 batch 中除上下文句子，均作为 负例；
+    - 开始训练时，词向量被初始化为 `[-0.1, 0.1]`，没有使用预训练的词向量；
+
+
+## 有监督模型
+
+### [2017] InferSent
+> [5]
+
+- 本文使用有监督的方法，在**自然语言推理**（NLI）数据集上训练 Sentence Embedding；
+- 本文认为从 **NLI 数据集**（比如 **SNLI**）中训练得到的句向量也适合**迁移**到其他 NLP 任务中。
+    - 就像在各种 **CV 任务**中使用基于 ImageNet 的模型（VGG, ResNet 等）来得到图像特征一样，在处理 **NLP 任务**之前可以先使用**本文公开的模型**来计算句子的特征。
+
+
+- **基本模型**
+    - 在 NLI 任务中，每个样本由三个元素构成 `(u, v, l)`——其中 `u` 表示前提（premise），`v` 表示假设（hypothesis），`l` 为类标（entailment 1, contradiction 2, neutral 3）
+    - 本文比较了 7 种编码器：1）LSTM, 2）GRU, 3）bi-GRU, 4）bi-LSTM(mean pooling), 5）bi-LSTM(max pooling), 6）self-attention, 7）CNN
+
+    <div align="center"><img src="../_assets/TIM截图20180915160225.png" height="" /></div>
+
+    - 注意：在 NLI 数据集中，句子 `u` 和 `v` 的地位不是等价的
+
+
+### [2017] Self-Attention
+> [3]
+
+- 本文提出使用**二维矩阵**作为句子表征，矩阵的行表示在句子不同位置的关注度，以解决句子被压缩成一维向量时的信息损失。
+
+    <div align="center"><img src="../_assets/TIM截图20180914153455.png" height="" /></div>
+
+
+### [2015] DAN & RecNN
+> [9]
+
+- 原文模型仅用于分类，但也可用于有监督的学习 Sentence Embedding
+    > [Universal Sentence Encoder（谷歌）](#2018-universal-sentence-encoder谷歌)
+
+- 基本模型，其中比较常用的是 DAN
+    - DAN（Deep Averaging Network）
+        <div align="center"><img src="../_assets/TIM截图20180915211556.png" height="" /></div>
+
+    - RecNN
+        <div align="center"><img src="../_assets/TIM截图20180915211635.png" height="" /></div>
+
+
+
+## 多任务学习
+- InferSent 模型的成功，使大家开始探索不同的有监督任务中得到的 Sentence Embedding 在下游任务中的效果。
+- 多任务学习试图在一次训练中组合不同的训练目标。
+
+### [2018] 基于多任务的 Sentence Embedding（微软）
+> [6]
+
+- 本文认为为了能够推广到各种不同的任务，需要对同一句话的多个方面进行编码。
+- 简单来说，模型同时在**多个任务**和**多个数据源**上进行训练，但是**共享**相同的 Sentence Embedding。
+- 任务及数据集包括：
+    - Skip-Thought（预测上一句/下一句）——BookCorpus
+    - 神经机器翻译（NMT）——En-Fr (WMT14) + En-De (WMT15)
+    - 自然语言推理（NLI）——SNLI + MultiNLI
+    - Constituency Parsing——PTB + 1-billion word
+
+- 本文模型与 [Skip-Thought Vector](#2015-skip-thought-vector) 基本一致
+    - **主要区别**在于本文的 Encoder 部分使用的是 **Bi-GRU**，而 Decoder 部分完全一致；
+    - 使用 GRU 而非 LSTM 的原因主要是为了速度；
+
+### [2018] Universal Sentence Encoder（谷歌）
+> [7]
+
+- 本文的目的是动态地适应各种的 NLP 任务，通过在不同的数据集和不同的任务上同时训练。
+- 本文使用**类似的多任务框架**，区别在于使用的 Encoder 不同。
+    > [[2018] 基于多任务的 Sentence Embedding（微软）](#2018-基于多任务的-sentence-embedding微软)
+- 本文以两种模型作为 Encoder
+    - **Transformer** [8]——更高的精度
+    - **DAN** (Deep Averaging Network) [9]——更快的速度
+
+- 一个可用的预训练版本
+    ```python
+    embed = hub.Module("https://tfhub.dev/google/universal-sentence-encoder/2")
+    embeddings = embed([
+        "The quick brown fox jumps over the lazy dog.",
+        "I am a sentence for which I would like to get its embedding"])
+
+    sess.run(embeddings)
+    ```
+    > TensorFlow Hub  |  [universal-sentence-encoder](https://www.tensorflow.org/hub/modules/google/universal-sentence-encoder/2) 
+
+
+## 参考文献
+- [1] A Simple but Tough-to-Beat Baseline for Sentence Embeddings, ICLR 2016.
+- [2] Skip-Thought Vectors, NIPS 2015.
+- [3] A Structured Self-attentive Sentence Embedding, ICLR 2017.
+- [4] An efficient framework for learning sentence representations, ICLR 2018.
+- [5] Supervised Learning of Universal Sentence Representations from Natural Language Inference Data, ACL 2017.
+- [6] Learning General Purpose Distributed Sentence Representations via Large Scale Multi-task Learning, ICLR 2018.
+- [7] Universal Sentence Encoder, arXiv 2018.
+- [8] Attention is all you need, NIPS 2017.
+- [9] Deep unordered composition rivals syntactic methods for text classification, 2015 ACL.