NLP相关知识点问答总结（二）

前言

这些知识点基本是本人在准备春招和秋招时做的笔记，东西比较杂，有的是自己总结，有的是参考网上博客，可能不是很准确，还望各位批评指正，多多交流。

问-31：GloVe相对于word2vec有哪些优缺点？

答：
优点：
1：统计全局信息： 考虑了全局的统计信息，在小数据集上也能有不错的效果，word2vec只使用局部的信息
2：训练速度更快： 从其实现上来说，更容易实现并行化，所以训练速度更快，相对于Co-Occurence Vector进行矩阵分解，速度要更快
3：可拓展性强： 如果加入新的语料，由于之前的全局信息都已经统计出来了，因此可以只统计新加语料进行增量训练
缺点：
1：静态词向量， 无法解决多义词问题
2：存储更耗内存， 相比之下，word2vec在这方面节省了很多资源

问-32：GloVe中的衰减函数用来干什么？

答：
使得在上下文窗口中离得远的两个单词获取较小的统计值，一般和其距离成反比

问-33：GloVe中采用了什么样的损失函数？

答：
采用最简单的mean square loss，因为其相当于是回归问题，因此GloVe本质是加权最小二乘回归模型。

问-34：GloVe损失函数中的权重函数f，需要满足什么条件？

答：
1：非递减函数： 保证共现次数多的单词权重大于共现次数少的权重
2：f(0)=0： 当两个单词没有共现时，不用计入损失函数
3：函数值不能太大： 当共现次数太多时，其权重值也不能太大
if x else: f(x) = 1 如果共现次数超过一定的值之后，将其损失固定维1，防止其过大。

问-35：FastText的主要思路是什么？

答：
和word2vec很像，但是其利用了单词的内部信息，通过将单词拆分成以字母为单位的n-gram子词序列，通常可以将子词长度在3到6之间的所有子词和特殊子词的并集Gw取出，然后训练这些词向量。

问-36：FastText有哪些优缺点？

答：
优点：
1：训练速度更快： 不同单词可能会有相同的子序列，所以训练时可以共享权重，提升训练速度。预测的是标签。
2：缓解OOV问题： 因为即使不在训练集中的单词，也可能由已有的子序列组合而成。
3：考虑了词语内部结构信息：
缺点：
1：数据集小时容易过拟合：

问-37：FastText和word2vec最本质的区别是什么？

答：
1：前者使用了单词内部的结构信息
2：hierarchical softmax的使用不同
fasttext充分利用了h-softmax的分类功能，遍历分类树的所有叶节点，找到概率最大的label（一个或者N个）
Wordvec的目的是得到词向量，该词向量最终是在输入层得到，输出层对应的 h-softmax 也会生成一系列的向量，但最终都被抛弃，不会使用。

问-38：简述WordRank算法？

答：
一种词向量表示方法，其将词向量学习问题转换成一个排序问题。通过对单词向量和上下文向量的内积来对上下文向量进行排序，模型期望将与该单词更相关的上下文向量排在靠前的位置。

问-39：简述cw2vec算法？

一种基于汉字笔画 N-gram 的中文词向量表示方法。该方法根据汉字作为象形文字具有笔画信息的特点，提出了笔画 N-gram 的概念。有点类似fasttext，考虑了字或者词的内部信息，训练的时候也可以共享权重。

问-40：ELMO(Embedding from Language Models)算法的主要思想？

答：
先使用用语言模型训练神经网络，在使用word embedding 时，单词已经具备上下文信息，这个时候神经网络可以根据上下文信息对word embedding 进行调整，这样经过调整之后的word embedding 更能表达在这个上下文中的具体含义，这就解决了静态词向量无法表示多义词的问题。

问-41：简述ELMO的两个阶段？

答：
1：预训练语言模型： 采用双向RNN(lstm)，分别输入单词的上下文信息，预测目标单词
2：输出调整后的词向量： 从预训练网络中提取对应的单词的网络各层的word embedding作为新的特征补充到下游任务中。（不同层包含的主要信息不同）

问-42：ELMO有什么优缺点？

答：
优点：
1：解决了多义词问题： 由之前的静态词向量转化为动态词向量
2：适用范围更广，普适性强： 由于其由多层网络结构，每层结构学习到了不同的语义句法信息，所以可以适用更多任务。
3：可以缓解OOV问题： 模型的输入和输出采用字符级的CNN模型，
缺点：
1：特征抽取能力偏弱： 相比于Transfomer来说，LSTM的特征抽取能力还是较差
2：拼接方式的双向融合的特征融合能力偏弱： 只是一种猜测

问-43：简述GPT模型？

答：
GPT是“Generative Pre-Training”的简称，生成式的预训练。
采用两阶段过程：利用语言模型进行预训练；通过Fine-tuning的模式解决下游任务（两个阶段的模型结构需要一样）。

问-44： GPT和ELMO的区别有哪些？

答：
1：特征提取器不同： 前者使用Transformer后者RNN
2：采用单向模型： 虽然GPT也是以语言模型为目标的预训练任务，但是其只是用了单词的前文信息，是单向的模型，限制了其应用场景，如阅读理解，完形填空等需要知道上下文的任务中。
3：应用于下游时方法不同： ELMO不用管下游任务的网络结构只提供提取到的特征，GPT则需要下游任务的网络结构和其本身一样，然后将预训练后的参数载入进去，再根据自己的任务对模型进行fine-tuning。（和图像领域很像）针对不同的下游任务，只需要在输入部分进行不同的修改即可。

问-45：Bert模型简述？

答：
BERT的全称为Bidirectional Encoder Representations from Transformers，即双向Transformer的Encoder。Bert模型算是Transformer模型(encoder)的一种堆栈，不同的是把其改造成双向模型，同时完成单词补全(Masked model)和句子关系预测(sentence prediction)两个任务，提高了模型的特征提取能力。

问-46：Bert模型的优缺点？

答：
优点：
1：效果好，普适性强， 能适用更多NLP任务
2：多任务模型， 既能学习到词语级特征(Masked model)，又能学习到句子级特征(sentence prediction)
3：双向语言模型，能够学习到更多的上下文信息
4：对于下游任务既可以适用fine-tunning，也可以模型结构不一样，加入新的任务特征
缺点：
1：需要有大规模的语料数据和算力
2：无法捕捉超过输入长度范围以外的依赖关系(transformer xl segment level recurrence)
3：输入的segement按照tokens的数量划分，容易造成上下文碎片化(context fragmentation)(transformer xl )
4：由于Mask符号的存在，造成训练和测试的数据不一致(XLNET permutation model)，虽然bert进行了缓解操作，一些不mask，一些不替换，但是并没有很好地解决。、
5：是AE（auto enconding）模型，不利于文本生成式任务，而AR（auto regression）模型如GPT模型则有利于文本生成式任务。
6：因为条件独立性假设，模型无法学习到被mask掉的各个token之间的关系。
7：NSP任务过于简单，只对部分模型

问-47：ELMO，GPT和Bert三者之间的关系？

答：
三者之间有很多相近的地方，也有很多不同点。
相同点：
1：都是两阶段模型，预训练->下游任务
2：自动从大规模语料中抽取语义信息
不同点：
1：是否为双向模型： ELMO和Bert都采用双向模型，但是GPT采用单向模型
2：特征提取器不同： Bert和GPT的特征提取器是Transfomer，但ELMO使用的是RNN
3：是否采用fine-tunning： ELMO和Bert的下游训练任务的网络结构可以和第一阶段不同，但是GPT必须是一样的网络结构进行fine-turnning。(Bert两者都可使用)
4：是否是多任务型： Bert同时学习两个任务

问-48：如何评价Bert模型？

答：
首先Bert模型是一个里程碑式的成果，这可以由其在各项NLP任务中取得的效果可知。但是我并认为其有太多的创新点，应该说其是一个集大成者。
下面说说它的优点及来源：
1：双向语言模型： 这个在ELMO中已经有用到，可以说是借鉴了它的思想，mask操作并没有全部进行mask，而是有一部分进行了替换，一部分保持不变，模型也无法知道哪些词是被mask的，使得训练数据更加接近真实情况下的输入，迫使模型在每一个词上都学习到一个全局语境下的表征，这才是其解决一词多义的最重要特性。
2：编码器使用transformer： GPT也同样采用Transformer(Decoder)
3：Masked Model： 算是有些创新，但是其本质还是和CBOW一样，通过上下文来预测目标单词
4：Sentence Prediction： 相当于多任务型首次使用，但是加入了这个机制只会在特定的任务中有所提升，对NLP任务影响不大
由此可见，bert实际上是结合了多个模型的优点，将其集成在一起，但是这也算是其最大的创新，使用有限的资源获取最大的收益。

问-49：Bert和GPT的特征提取器有什么区别？

答：
本质上他们都使用的是Transformer。但是在论文中GPT作者说的是采用了Transformer的decoder，而Bert里面采用的是其encoder。在GPT中采用的decoder又和transformer的不太一样，因为它不包含encoder-decoder-self-attention层，但是它包含了Mask操作，在GPT中通过Mask操作，使得模型根据前面已有的单词去预测后面的单词，所以它是单向模型。正是由于这个Mask操作，使得Transformer的decoder无法进行加速的并行运算，但是encoder可以，所以bert会更快一些，同时由于没有mask，保证了其双向的特性。

问-50：机器翻译的难点有什么？

答：
1：译文的选择： 由于一次多义，近义词的原因，在进行翻译的时候如何选择合适的单词是一个问题
2：语序的调整： 不同的语言有不同的语序特点，主谓宾等语义要素的位置不太一样，根据源语言语序输出符合语法的目标语言语序是一大难点。
3：数据稀疏： 大量的双语对照资源对于有些语言对来说很少，如何根据少量的语料训练出能够实用的模型是一个挑战
4：没有标准答案： 这点在很多自然语言任务中都有，即使是真人去完成这个任务，都不可能百分之百一样。
5：缺乏背景知识或常识信息： 在各个语言和文化中，有很多约定俗成但是又不太符合各种规则的现象，如中国的成语，不能仅仅依靠其字面意思去进行翻译。
6：词义随着时代发生变化： 如小姐一词，不同时代有点不一样
7：网络用词变化快，数量多： 网络用词出现数量很多，而且在一个时期内变化比较快

问-51：机器翻译经历的几个阶段？

答：
1：基于规则的翻译： 通过专家构建规则，利制定好的规则进行机器翻译。1954年IBM做出第一个基于规则的英俄互译系统。1966年的ALPAC报告，认为当时的机器翻译遇到了难以解决的语义障碍。典型系统：加拿大开发的一款天气预报系统。
1.5：基于中间语言的翻译，基于事例的翻译
2：基于统计的翻译： 由于仅依赖双语平行语料，大大降低了进入机器翻译研究的门槛；但因为数学模型过于复杂，很难实现。典型系统：在14年之前，大家所熟悉的Google翻译都是基于统计机器翻译
3：神经网络机器翻译： 相比统计机器翻译而言，神经网络翻译从模型上来说相对简单，它主要包含两个部分，一个是编码器，一个是解码器。编码器是把源语言经过一系列的神经网络的变换之后，表示成一个高维的向量。解码器负责把这个高维向量再重新解码（翻译）成目标语言。Sutskever et al., 2014, Bahdanau etal., 2014

问-52：机器翻译的评价方法？

答：
1：人工评价： 信，达，雅 ，人工评测指标: HTER(手动计算达到人工翻译的目标所需要的最少编辑距离)
2：BLEU： 基于n-gram（n元语法）的评价方法，自己的译文中出现的单词数和参考译文中的数量是否一样。精确度的衡量
3：METEOR： METEOR标准于2004年由lavir发现在评价指标中召回率的意义后提出的
4：NIST： Bleu的一种变体，赋予少见的n-gram更高的权重。
5：TER： (Translation Edit Rate)计算机器翻译与人工参考译文之间的编辑距离 (Edit distance)

问-53：BLEU方法的优缺点？

答：
优点：
1：n-gram共现统计，考虑了更长的匹配信息
2：基于精确度
缺点：
1：各个词和n-gram被平等对待，显然一句话中，不同词的重要程度是不一样的
2：只看重精确度，不看重召回率
3：存在常用词干扰（可以用截断的方法解决）
4：短句得分较高（即使引入了brevity penalty，也还是不够）
5：没有考虑到语义，语序信息。有些语句单词全部一样，但是意思却完全相反。

问-54：METEOR的优缺点？

答：
优点：
1：unigram 共现统计
2：基于F值，考虑到了召回率
3：考虑同义词、词干
缺点：
1：参数较多，有四个需要自己设置的参数
2：需要外部知识源，比如：wordNet，如果是wordNet中没有的语言，则无法用METEOR评测。

问-55：机器翻译有哪些开源的项目？其SOTA值是多少？

答：
1:Open-NMT
哈佛大学自然语言研究组，使用框架pytorch，也有tf版本。编写yaml配置文件。
“Neural Machine Translation by Jointly Learning to Align and Translate” Bahdanau et al. ICLR 2015
“Effective Approaches to Attention-based Neural Machine Translation” Luong et al. EMNLP 2015
2:neural monkey
使用框架tensorflow
Neural Monkey: An Open-source Tool for Sequence Learning：2017-The Prague Bulletin of Mathematical Linguistics
3:Fairseq
这个翻译模型由Facebook AI实验室在2017年提出，和以往以RNN为基础的翻译模型相比，采用了以cnn为主的模型结构。
根据语言对的不同，bleu 值大致在30左右，高的可以达到40以上如en-fr等语言对

问-56：简述Transformer-XL？

答：
Transformer-XL，XL意思是extra long，这个XL就是相比于原始的transformer或者bert来说，它能捕获更长距离的依赖关系，结合了Transformer和RNN的优点。
主要创新点：
1：片段级循环神经网络：segment-level recurrence
其引入了一个记忆模块或者cell，缓存上一个segment的隐藏状态，用于当前隐藏状态的生成（注意力机制），这样就可以增长其依赖距离。
2：相对位置编码：relative positional encoding scheme
代替transformer里的绝对位置编码，是可训练的位置嵌入。在memory的循环计算过程中，避免时序混淆，位置编码可重用。原来的绝对位置编码，对于不同句中的相同位置的词，其位置编码是相同的，即使像bert那样加入segement编码，也无法解决这个问题。
因此，片段级循环机制有利于捕捉更长距离的依赖，相对位置编码的提出用于实现片段循环机制，解决可能在不同片段中出现的时序混乱问题。也可以简单的理解Transformer-XL=Transformer + RNN，即segment-wise的RNN模型，但是RNN模型的组件是Transformer的Encoder模块。

问-57：简述XLNET？

答：
Bert模型能够表现的很好，但是长距离依赖关系的学习能力较弱，且由于mask的原因，导致训练阶段和测试阶段出现不一致。AR模型可以方便捕获更长的依赖关系，但是却不如bert的AE方式带来的对深层次双向信息的学习能力（不管有没有带mask）。如何结合这两个模型的优点，同时尽量克服其缺点？XLNET使用以下几点来完成：
1：排列组合语言模型(permutation language model，PLM)
主要解决的问题是mask问题和双向学习问题。通过对输入序列进行随机排列，可以保证输入的信息不包含mask符合，同时也能让模型在预测当前词的时候可以看到其两边的信息，保证模型的双向性。论文中 Permutation 具体的实现方式是通过直接对 Transformer 的 Attention Mask 进行操作。
2：双流自注意力机制（Two-stream self-attention）
主要解决的问题是排列组合后位置信息和内容信息割裂的问题。在模型中同时包含两个自注意流，一个是包含内容的自注意力流（content self-attention stream），一个是只有位置信息作为注意力机制中query输入的流(query self-attention stream)。这样就能利用 Query Stream 在对需要预测位置进行预测的同时，又不会泄露当前位置的内容信息。
具体就是有两个隐藏状态hx和gx，当计算hx时，q，k，v都是上一层的h，但是当计算第i个gx时，query值使用的是上一层的第i个gx，k和v使用的是上层位置对应的hx，这样做的目的就是不让计算该位置的时候，直接看到这个位置的信息，因为就是根据最后一层的gx来预测当前位置的信息。
3：借鉴Transformer-XL的两个机制
片段级循环神经网络：segment-level recurrence：解决长距离依赖问题，依赖长度和缓存的segement片段个数M以及每个segement的token数量N成线性关系。
相对位置编码机制：relative positional encoding scheme：解决可能的位置信息混乱问题，通过可学习的位置编码，来解决固定的绝对编码信息所带来的问题。主要有两个编码Relative Position Encoding，Relative Segment Encodings(准备两个向量，S+ 和 S- 分别表示在一句话内和不在一句话内)。
4：部分预测 Partial Prediction
解决的是误差积累，模型收敛速度变慢问题。原因是在AR系统中，从第一个token开始，一直预测到最后一个token，但是在预测的起始阶段上下文信息较少，可能会对分布产生误导。因此这里就只预测序列（排列后的）后面一部分的token，使得前面的都当做上下文。使用一个超参数K来控制，使得序列后面1/K的词用于预测。注意，K 越大，上下文越多，模型预测得就越精确。
总的来说相比于bert，XLNET可以处理更长的文本信息，同时适合于生成式任务，解决了bert中因为mask而导致的预训练和测试输入信息不一致的问题。

问-58：XLNET和Transformer-XL之间的区别？

答：
XLNET借鉴了Transformer-XL的两个最重要的特性，segement recurrence 和relative positional encoding。但是XLNET在这两个基础之上又添加了更重要的特性。
1：permutation language model：解决了mask问题造成的训练和测试的不同（很重要）
2：two-stream self-attention：解决了位置信息和内容信息的割裂问题
3：relative segement encoding：解决了不同句子内可能会造成的位置混乱的问题
4：partial prediction：算是不同点，主要解决收敛速度慢的问题

问-59：简述ALBERT？

答：
ALBert是谷歌在Bert模型上设计的一个精简模型，主要为了解决模型参数过大和训练速度过慢的问题。主要技术创新点有如下三点：
1：embedding参数分解（Factorized Embedding Parameterization）
将和单词数量以及隐藏状态相关的嵌入矩阵，分解成较小的两个矩阵的乘积，从而将隐藏层和词典大小分割开来，使得隐藏层节点的大小以及词典大小的拓展不再受限制。有点类似卷积神经网络中的两个33卷积核可以替换一个55的卷积核，既能取得不错的效果 ，还能降低模型参数数量，提高训练速度。
2：跨层参数共享（Cross layer parameter sharing）
将各个层的参数进行共享，共享有三种，一种是仅仅共享FFN的参数，一种是共享注意力机制的参数，最后一种是共享所有参数。本模型默认采用的是最后一种。这样的好处是可以在增加模型层数的时候，不会使得参数数量急剧增加。
3：句间连贯性损失（inter-sentence coherent loss）或句间连贯性预测任务SOP（sentence order prediction）
它和Bert里面的NSP（Next sentence prediction）不太一样，它的正样本还是两句连续的语句，但是负样本是把这两个语句的顺序进行颠倒，而不像Bert里面，随机在另一个文档中选择一个句子作为负样本。这样的目的是为了增加任务难度，输入内容都是同一主题，需要更好地捕捉到语义信息才能预测出该任务。在bert的NSP任务里面，其实就是主题一致性预测，任务难度低，所以在后续的研究中发现作用不大。
使用上述三个技术，既可以降低模型参数，提高训练速度，还能在原有Bert的基础上，提升效果。

问-60：简述ERNIE？

答：
在Bert之后，出现了很多和ERNIE同名的模型，其起名和动漫芝麻街里的动漫人物Bert的好友Ernie一样。这里简单讲述两个模型。
1：ERNIE-THU（清华大学）
引入了外部知识库到模型中去，同时在大规模语料库和知识图谱上预训练语言模型：
首先是识别输入文本中的实体，并将这些文本和知识图谱中已存在的实体进行对齐，采用知识嵌入算法（TransE），将得到的实体嵌入（entity embedding）同时作为模型的输入输入给模型。并在隐藏层中，对和实体对应的token进行融合。
然后是预训练阶段，模型除了采用Bert的MLM和NSP外，还随机Mask掉一部分实体，并要求模型从知识图谱中找到正确的实体（Denoising Entity auto-encoder，DEA），这一点和百度的entity-mask有点像。百度是直接进行学习entityembedding，DEA的目的是给定实体序列和文本序列来预测对应的实体。
2：ERNIE-Baidu
百度提出来的这个ERNIE主要是针对Bert在中文任务中表现不够好的改进。对于中文，Bert是使用基于字的处理，在进行掩盖的时候仅仅掩盖住一个单字。而由于Bert对每个被遮盖住的词有个独立性假设，因此Bert模型在应用于中文中的时候，能很简单地推测出字的搭配，但是并不会学到短语或者实体的语义信息（相对于英文天然的单词结构），而这对于理解一句话来说又是非常关键的。
因此其模型是在Bert的基础上，加入了海量语料中的实体，短语等先验知识，建模真实世界的语义关系。这里不是将知识向量直接丢进模型进行训练，而是在训练的时候将短语，实体等先验知识进行mask，强迫模型对其进行建模，学习他们的语义表示。
采用三种masking策略：
1>Basic-level masking： 进行单字的mask
2>Phrase-level masking： 输入仍然是单字，但是mask的是连续的短语
3>Entity-level masking： 首先进行实体识别，然后将识别出来的实体进行mask
3：其他类型
ERNIE2.0：也是百度提出来的，主要加了多任务学习，加入了任务嵌入的输入，可以以串行的方式进行持续学习 continual learning
ERNIE-Tiny： 也是百度的工作，主要是缩小了模型参数，直接截取了base模型的前几层进行下游任务的finetunne。
ERNIE-GEN： 也是百度的，主要是用于生成式的任务上。
ENRIE-Classification： 一个github项目，用于进行文本分类的