Word2Vec进阶 - ELMO

Word2Vec进阶 - ELMO – 潘登同学的NLP笔记

ELMO

ELMo出自Allen研究所在NAACL2018会议上发表的一篇论文《Deep contextualized word representations》，从论文名称看，应该是提出了一个新的词表征的方法。据他们自己的介绍：ELMo是一个深度带上下文的词表征模型，能同时建模

1. 单词使用的复杂特征（例如，语法和语义）；
2. 这些特征在上下文中会有何变化（如歧义等）。

这些词向量从深度双向语言模型（BiLSTM）的隐层状态中衍生出来，BiLSTM是在大规模的语料上面Pretrain的。它们可以灵活轻松地加入到现有的模型中，并且能在很多NLP任务中显著提升现有的表现，比如问答、文本蕴含和情感分析等。

原理

之前我们一般比较常用的词嵌入的方法是诸如SkipGram和GloVe这种，但这些词嵌入的训练方式一般都是上下文(相对长的上下文)无关的，并且对于同一个词，不管它处于什么样的语境，它的词向量都是一样的，这样对于那些有歧义的词非常不友好。因此，论文就考虑到了要根据输入的句子作为上下文，来具体计算每个词的表征，提出了ELMo（Embeddings from Language Model）。它的基本思想，用大白话来说就是，还是用训练语言模型的套路，然后把语言模型中间隐含层的输出提取出来，作为这个词在当前上下文情境下的表征，简单但很有用！

整体架构

1. 首先经过一个字符编码层，因为ELMo实际上是基于char的，所以它会先对每个单词中的所有char进行编码，从而得到这个单词的表示，经过Char Encoder layer层出来的维度是$(B,W,D)$
2. 随后该句子表示会经过BiLMs，即双向语言模型的建模，内部其实是分开训练了两个正向和反向的语言模型，而后将其表征进行拼接，最终得到的输出维度为$(L+1,B,W,2D)$,L+1实际上是将L个BiLSTM的输出结果，加上了最初的embedding层，得到的$L+1$维的输出
3. Scalar Mixer：紧接着，得到了biLMs各个层的表征之后，会经过一个混合层，它会将前面这些层的表示进行加权求和，这一层主要是训练权重值

Char Encoder Layer

• 输入的句子会被reshape成B W ∗ C BW * CBW∗C，因其是针对所有的char进行处理
• Char Embedding： 针对每个char进行编码，实际上所有char的词表大概是262，其中0-255是char的unicode编码，256-261这6个分别是（单词的开始）、（单词的结束）、 （句子的开始）、（句子的结束）、（单词补齐符）和（句子补齐符）,所以Char Embedding中的参数是$262\ast d$,$d$ 表示的是字符的embedding维度,与最终的输出D不同，而 D 表示的是单词的embedding维度
• Multi-Scale卷积层：这里用的是不同scale的卷积层，卷积之间的不同在于其kernel_size和channel_size的大小不同，用于捕捉不同n-grams之间的信息;这里的卷积都是1维卷积，即只在序列长度上做卷积,根据不同的channel_size的大小,有不同大小的输出$d_1,d_2,\dots ,d_m$
• Concat层: 拼接并且reshape成$(B,W,d_1+d_2+\dots +d_m)$
• Highway层: 借鉴了残差的思想，做的全连接与残差加和形式
• Linear层: 用全连接将$d_1+d_2+\dots +d_m$转换为D

BiLSTM

ELMO词向量

经过了BiLSTM之后，得到的表证维度为$(L+1,B,W,2D)$,接下来就是生成最终的ELMO向量了

再次强调，ELMO只是一个预训练Embedding层的模型，只需要语料库，不需要标签，目的也只是更好的描述词与词之间的关系

Scalar Mixer的作用主要是对$L+1$个张量,进行加权求和操作，每一个权重$\alpha$都是要学习的值，求和完后前面还有一个缩放系数$\gamma$,针对不同任务会有不同的值，也是要求学习的

同时论文里面还提到，每一层输出的分布之间可能会有较大差别，所以有时也会在线性融合之前，为每层的输出做一个Layer Normalization，这与Transformer里面一致。

经过Scalar Mixer之后的向量维度为$B\ast W\ast 2D$，即为生成的ELMo词向量，可以用于后续的任务

实验结果

这里主要列举一些在实际下游任务上结合ELMo的表现，分别是SQuAD（问答任务）、SNLI（文本蕴含）、SRL（语义角色标注）、Coref（共指消解）、NER（命名实体识别）以及SST-5（情感分析任务），其结果如下：

可见，基本都是在一个较低的baseline的情况下，用了ELMo后，达到了超越之前SoTA的效果！

总结

ELMo具有如下的优良特性：

• 上下文相关：每个单词的表示取决于使用它的整个上下文。
• 深度：单词表示组合了深度预训练神经网络的所有层。
• 基于字符：ELMo表示纯粹基于字符，然后经过CharCNN之后再作为词的表示，输入的词表很小。