ELMo 原理解析
本文首发于我的个人博客：Sui Xin’s Blog
原文：https://suixinblog.cn/2019/09/elmo.html
作者：Sui Xin
ELMo (Embeddings from Language Models) 是一个深度上下文相关的词嵌入语言模型。运用了多层双向 LSTM 编码器。
论文：Deep contextualized word representations
模型架构
整体上，ELMo 采用了多层双向 LSTM 编码器（上图为双层）构建语言模型，最终取各层 LSTM 的 hidden state 与初始的 word embedding 构成下游任务的输入。
Bi-LSTM LM
前向的语言模型为：
p ( t 1 , t 2 , … , t N ) = ∏ k = 1 N p ( t k ∣ t 1 , t 2 , … , t k − 1 ) p\left(t_{1}, t_{2}, \ldots, t_{N}\right)=\prod_{k=1}^{N} p\left(t_{k} | t_{1}, t_{2}, \ldots, t_{k-1}\right) p(t1,t2,…,tN)=k=1∏Np(tk∣t1,t2,…,tk−1)
后向的语言模型为：
p ( t 1 , t 2 , … , t N ) = ∏ k = 1 N p ( t k ∣ t k + 1 , t k + 2 , … , t N ) p\left(t_{1}, t_{2}, \ldots, t_{N}\right)=\prod_{k=1}^{N} p\left(t_{k} | t_{k+1}, t_{k+2}, \ldots, t_{N}\right) p(t1,t2,…,tN)=k=1∏Np(tk∣tk+1,tk+2,…,tN)
最终的语言模型极大似然函数为：
∑ k = 1 N ( log p ( t k ∣ t 1 , … , t k − 1 ; Θ x , Θ ⃗ L S T M , Θ s ) + log p ( t k ∣ t k + 1 , … , t N ; Θ x , Θ ← L S T M , Θ s ) ) \begin{array}{l}{\sum_{k=1}^{N}\left(\log p\left(t_{k} | t_{1}, \ldots, t_{k-1} ; \Theta_{x}, \vec{\Theta}_{L S T M}, \Theta_{s}\right)\right.}{\left.+\log p\left(t_{k} | t_{k+1}, \ldots, t_{N} ; \Theta_{x}, \overleftarrow \Theta_{L S T M}, \Theta_{s}\right)\right)}\end{array} ∑k=1N(logp(tk∣t1,…,tk−1;Θx,ΘLSTM,Θs)+logp(tk∣tk+1,…,tN;Θx,ΘLSTM,Θs))
其中， Θ x \Theta_{x} Θx 是 token 表示层的参数， Θ s \Theta_{s} Θs 是 softmax 层的参数，这两个参数在前向和后向的语言模型中是共享的，只有 LSTM 的参数不同。
ELMo
对于一个 token t k t_k tk， L L L 层的 Bi-LSTM 可以得到 2 L + 1 2L+1 2L+1 个表示，最终通过拼接得到 L + 1 L+1 L+1 个特征：
R k = { x k L M , h → k , j L M , h ← k , j L M ∣ j = 1 , … , L } = { h k , j L M ∣ j = 0 , … , L } \begin{aligned} R_{k} &=\left\{\mathbf{x}_{k}^{L M}, \overrightarrow{\mathbf{h}}_{k, j}^{L M}, \overleftarrow{\mathbf{h}}_{k, j}^{L M} | j=1, \ldots, L\right\} \\ &=\left\{\mathbf{h}_{k, j}^{L M} | j=0, \ldots, L\right\} \end{aligned} Rk={xkLM,hk,jLM,hk,jLM∣j=1,…,L}={hk,jLM∣j=0,…,L}
其中， h k , 0 L M = [ x k L M ; x k L M ] \mathbf{h}_{k, 0}^{L M}=[\mathbf{x}_{k}^{L M}; \mathbf{x}_{k}^{L M}] hk,0LM=[xkLM;xkLM] 是 token embedding 重复拼接得到的向量， h k , j L M = [ h → k , j L M ; h ← k , j L M ] \mathbf{h}_{k, j}^{L M}=[\overrightarrow{\mathbf{h}}_{k, j}^{L M}; \overleftarrow{\mathbf{h}}_{k, j}^{L M}] hk,jLM=[hk,jLM;hk,jLM] 是双向的 LSTM 层 hidden state 拼接得到的向量。
对于下游的监督学习任务，一般的做法是直接取 LSTM 最顶层的 hidden state 作为特征，但 ELMo 认为模型不同层学到的是不同的信息，所以应该对得到的 L + 1 L+1 L+1 个特征计算一个加权组合：
E L M o k t a s k = E ( R k ; Θ t a s k ) = γ t a s k ∑ j = 0 L s j t a s k h k , j L M \mathbf{E} \mathbf{L} \mathbf{M} \mathbf{o}_{k}^{t a s k}=E\left(R_{k} ; \Theta^{t a s k}\right)=\gamma^{t a s k} \sum_{j=0}^{L} s_{j}^{t a s k} \mathbf{h}_{k, j}^{L M} ELMoktask=E(Rk;Θtask)=γtaskj=0∑Lsjtaskhk,jLM
其中， s j t a s k s_{j}^{t a s k} sjtask 是一个 softmax 归一化的权重系数，用于指示每一层应该放置多少关注度， γ t a s k \gamma^{t a s k} γtask 是一个全局的缩放系数，实验证明其非常重要。
下游任务使用
对于一部分任务，将原始的嵌入向量和 ELMo 加权向量拼接即可作为下游任务的特征： [ x k ; E L M o k t a s k ] \left[\mathbf{x}_{k} ; \mathbf{E} \mathbf{L} \mathbf{M} \mathbf{o}_{k}^{t a s k}\right] [xk;ELMoktask]
对于一部分任务，将 LSTM 某些中间层的嵌入向量和 ELMo 加权向量拼接可提升效果： [ h k ; E L M o k t a s k ] \left[\mathbf{h}_{k} ; \mathbf{E} \mathbf{L} \mathbf{M} \mathbf{o}_{k}^{t a s k}\right] [hk;ELMoktask]
某些情况下，在下游任务中 fine-tuning 可极大的提升效果。
模型特点
优势
- 上下文相关的 contextual 语言模型：减轻一词多义的影响；
- 双向编码语言模型；
- 模型深。
- 不同的层捕获到不同的自然语言信息：较低层捕获到语法信息，较高层捕获到语义信息。
缺点
- 是伪的双向模型；
- 特征抽取器为 LSTM 而不是更强的 Transformer。
参考
官方网址：https://allennlp.org/elmo
官方 GitHub：https://github.com/allenai/bilm-tf