论文笔记Baseline Needs More Love:On Simple Word-Embedding-Based Models and Associated Pooling Mechanisms

摘要
在NLP的文本序列相关的任务中，深度学习的方法被广泛使用。但是深度学习模型的参数多、计算量大，所以不易于训练。对于深度学习模型的效果，也缺乏严格的研究。在这篇文章中，我们对两种方法进行对比，即简单的、基于word-embedding、包含了pooling操作的SWEMs，以及基于word-embedding的 CNN/RNN模型。出人意料的是，在大部分任务中，SWEMs的效果能够打平甚至超过CNN/RNN。作者提出了两种额外的pooling方法，即 i) max-pooling，这种pooling方法可以有较好的直观解释性 ii) hierarchical pooling，这种pooling可以获取空间、词序信息(n-gram)。作者在17个数据集上做了三类任务的对比实验，即 i) 长文本分类 ii) 文本匹配 iii) 短文本分类、标注。

一、问题介绍
以word-embedding为基本组件，深度学习方法被用于对可变长度的句子序列进行建模。这些方法包括了简答的对word embeddings的加和操作，以及更为复杂的CNN/RNN方法。
CNN/RNN能力强大，但是计算量大，相比而言，简单模型则是通过对word embeddings (通过word2vec或者glove得到) 进行简单的加和、求平均运算。一般而言，这种SWEM方法难以保留句子内部的词序信息，但这种方法的确计算简单，所以这里就有了计算量-模型效果的trade-off。
本文中，我们设计实验，从而探寻简单的pooling操作，在何种情况下是有效的，以及有效的原因所在。
我们设计实验，探索词序信息在不同的NLP任务中的作用大小。我们发现，在文本表示任务中，很多词，诸如停用词、与情感或主题无关的词对最终预测效果的作用微乎其微。基于此，我们提出了max-pooling操作，max-pooling是在句子的全部word embedding的每一维取max，用来提取最有效的信息。为什么是每一维取max？因为word embedding的每一维都反映了某一方面的信息，每个词与某个维度信息的相关性是不一样的，我们对word embedding取max，就是取与每一维度相关性最大的word。在情感分析任务中，我们提出hierarchical pooling，这种pooling可以提取空间也就是词序信息。

二、相关工作
NLP任务中一个基本的目标就是构建有效、计算考虑高的函数去抓取自然语言序列的语义结构。那么这些函数应该是怎样的呢？最近的研究表明，在一些特定的NLP任务中，一些基于word-embedding的简单模型的效果甚至追平甚至超过了CNN/RNN等复杂模型。在这些基于word-embedding的模型中，虽然复杂结构被去除，但另外的模块，比如attention-layer被包含进来。
SWEM和Deep Averaging Network (DAN)以及fastText很相似，fastText其实就是一个简答的averaging pooling操作。在本文中，除averaging pooling之外，我们还会探索几种pooling方法。特别的，在情感分析任务中，我们提出的hierarchical pooling相比averaging会取得更好的效果。除了回答何种情况下简单的pooling操作是有效的，我们还将探索背后的原因。

三、模型和训练
考虑一个句子序列 X X ，包含词汇 w1,w2,...,wL w 1 , w 2 , . . . , w L ， L L 是token的个数，也就是句子/文档的长度， v1,v2,...,vL v 1 , v 2 , . . . , v L 是每一个token对应的word embedding，我么要找到一个函数 f f ，把 X X 映射到一个固定长度的向量 z z ，即 f:X→z f : X → z ，然后用 z z 来做具体的预测任务。

1. Recurrent Sequence Encoder
   RNN的函数形式为 ht=f(vt,ht−1) h t = f ( v t , h t − 1 )

2. Convolutional Sequence Encoder
   CNN卷积层的每个窗口观察 n n 个连续的word，卷积层之上是max-pooling层，用来提取最显著的特征。

3. Simple Word-Embedding Model (SWEM)
   1) SWEM-aver
   averaging pooling
   
   2) SWEM-max
   max-pooling
   
   3) SWEM-concat
   concat-pooling
   将SWEM-aver、SWEM-max的结果做concat，道理在于，averaging pooling保留了全部token的信息，而max-pooling则侧重突出的信息。
   4）Hierarchical Pooling
   SWEM-aver和SWEM-max都无法将词序信息纳入，所以提出了Hierarchical Pooling的方法。 vi:i+n−1 v i : i + n − 1 为窗口 i i 内的 n n 个token的word-embedding，先做averaging-pooling，得到 L L 个向量，然后对这 L L 个向量做max-pooling。

4. 参数量 & 计算复杂度比较
   对于CNN、LSTM、SWEM，比较参数量以及计算开销。
   记 K K 为word-embedding的维度， n n 为CNN filter的尺寸， d d 为最终的序列表示的维度，特别的， d d 其实就是LSTM的hidden unit的个数，或者CNN中filter的个数。
   

四、实验
作者在多个NLP任务上进行了实验，包括文档分类、句子匹配、文本分类。
使用glove模型得到的word embedding (维度 K=300 K = 300 )。词典之外的词的向量用[-0.01, 0.01] 之间的均匀分布来初始化。glove embedding有两种使用方式，1）embedding作为初始化，然后在模型训练的过程中做fine-tune 2) embedding后接一个带有ReLU activation的MLP（就是先线性变换，再非线性变换），模型训练的过程中去更新MLP，把MLP层的输出作为最终的embedding。后者可以更好地适应不同的任务、数据集。
最后的分类器是MLP (维度从[100,300,500,1000]中选择), 后接一个sigmoid / softmax函数。
优化算法选用adam，learning rate选择范围是 [1×10−3,3×10−4,2×10−4,1×10−5] [ 1 × 10 − 3 , 3 × 10 − 4 , 2 × 10 − 4 , 1 × 10 − 5 ] ，dropout 在word embedding层以及末尾的MLP层使用，dropout rate从[0.2, 0.5, 0.7] 中选择。

4.1 文档分类
也就是长文本分类。数据集分为三类，主题分类、情感分析、本体分类。各个模型效果如下

可以看到，在主题分类任务上，SWEM的效果甚至超过了CNN、LSTM。SWEM-concat甚至超过了29层的CNN模型。
而在情感分析任务中，CNN、LSTM的效果则超过了SWEM，这意味着词序信息对于分析情感是有用的。譬如”not really good” 和 “really not good”所表达的负面情感程度是不一样的。

4.1.1 模型解释
大多数情况下SWEM-concat可以取得SWEM变体中最好的效果。我们发现，SWEM-max得到的词向量很稀疏。我们统计word embedding各个维度的取值的分布，如下图

可以发现SWEM-max大多数取值为0。

4.2 文本匹配
SWEM取得了比CNN、LSTM更好的效果，这表明在进行自然语言的匹配时，大多数情况下词语级别的对齐就足够了。
4.2.1 语序的重要性。
语序什么情况下是重要的？作者做了一组实验，将训练集的句子内部的词序做shuffle，
模型效果如下，

可以看到，对于Yahoo、SNLI两个数据集，LSTM模型的效果几乎不受shuffle的影响。而在Yelp P. 数据集（情感分析）上，语序是重要的。

4.3 SWEM-hier for sentiment analysis

参考文献：
Baseline Needs More Love:On Simple Word-Embedding-Based Models and Associated Pooling Mechanisms