ELMo - Deep contextualized word representations

Deep contextualized word representations (ELMo)

最近NLP突飞猛进，现有ELMo，后有BERT。

glove以及word2vec的word embedding在nlp任务中都取得了最好的效果, 现在几乎没有一个NLP的任务中不加word embedding.

常用的获取embedding方法都是通过训练language model, 将language model中预测的hidden state做为word的表示, 给定N个tokens的序列(t1,t2,...,tn)(t1,t2,...,tn), 前向language model就是通过前k-1个输入序列(t1,t2,...,tk)(t1,t2,...,tk)的hidden表示, 预测第k个位置的token, 反向的language model就是给定后面的序列, 预测之前的, 然后将language model的第k个位置的hidden输出做为word embedding。

之前的做法的缺点是对于每一个单词都有唯一的一个embedding表示, 而对于多义词显然这种做法不符合直觉, 而单词的意思又和上下文相关, ELMo的做法是我们只预训练language model, 而word embedding是通过输入的句子实时输出的, 这样单词的意思就是上下文相关的了, 这样就很大程度上缓解了歧义的发生。且ELMo输出多个层的embedding表示, 试验中已经发现每层LM输出的信息对于不同的任务效果不同, 因此对每个token用不同层的embedding表示会提升效果。

elmo语言模型

目标：

1. 正向：对于序列，通过前n-1个token，预测第n个token。
   $$p\left(t_1,t_2,\dots ,t_N\right)=\prod _{k=1}^{N}p\left(t_k|t_1,t_2,\dots ,t_{k-1}\right)$$
2. 反向：通过当前词语后的[n+1, n + 2，…, seq_len]位置的token，预测第n个token。
   $$p\left(t_1,t_2,\dots ,t_N\right)=\prod _{k=1}^{N}p\left(t_k|t_{k+1},t_{k+2},\dots ,t_N\right)$$

使用的网络是Bi_LSTM，正向LSTM任务为正向目标，反向为反向目标，通过在语料上训练出模型，用于下游的任务。

fine-tuning

对于一个L层的elmo，共有2L+1个向量，对于下游网络使用，是直接用最上层的输出？还是将所有向量concat呢？
文中方法：提出基于任务的权重矩阵，通过目标任务来训练权重：
$${\mathrm{E}\mathrm{L}\mathrm{M}\mathrm{o}}_k^{\text{task}}=E\left(R_k;{\Theta }^{\text{task}}\right)={\gamma }^{\mathrm{task}}\sum _{j=0}^L{s}_j^{\mathrm{task}}{\mathbf{h}}_{k,j}^{LM}$$

模型下载：https://allennlp.org/elmo

Reference

1. 论文：https://arxiv.org/abs/1802.05365
2. 应用：https://arxiv.org/abs/1806.06259
3. github开源代码（TensorFlow）：https://github.com/allenai/bilm-tf
4. GitHub（PyTorch）：https://github.com/allenai/allennlp