2020李宏毅机器学习笔记——23. ELMO，BERT，GPT (三种解决一词多意问题的方法）
ELMO，BERT，GPT (三种解决一词多意问题的模型）
文章目录
- 摘要
- 1. 提出背景
- 2. Embeddings from Language Model(ELMO)
- 3. Bidirectional Encoder Representations from Transformers(BERT)
-
- 3.1 Training of BERT
- 3.2 How to use BERT
- 4. Generative Pre-Training(GPT)
- 5.总结与展望
摘要
本章主要在介绍ELMO、BERT和GPT 这三种解决一词多意的方法：
- ELMO的做法是训练一个双向的RNN，每一个单词都对应两个hidden state，进行拼接便可以得到单词的Embedding表示。该Embedding不仅考虑了前文意思，也考虑了后文意思。
- BERT 内部架构是Transformer的Encoder,常用的训练方法有两个，一个是将句子中的某些word用标志符[mask]代替，让machine去猜被代替的词是什么，如此就可以找到每个word的Embedding。另一个是输入分类标志符和句子间的分隔标志符，然后输入句子是否是可以连在一块的，让machine知道句子间的联系及含义。
- GPT是Transformer的Dncoder，即其采用多层Transformer Decoder作为特征抽取器，它是最复杂的，占用内存最大的。
1. 提出背景
机器是如何理解我们的文字的呢？ 怎样让机器读懂人类文字？
最早的技术是1-of-N encoding，把每一个词汇表示成一个向量，每一个向量都只有一个地方为1，其他地方为0。但是这个方法是有不足的，这样词汇和词汇之间的相关性反映不出来，而且过于稀疏。
接下来有Word Class：建立word class，把有相同性质的word放在同一个 class内，将词汇进行分类，这个方法也比较粗糙，比如动物也分了很多种，不能完全概况。
更进阶的想法Word Embedding：每一个的词汇也用向量来描述，相近的词汇距离较近。主流的做word embedding 算法是Word2vec，其具体训练模式有：通过上下文来预测当前词，通过当前词来预测上下文。与one-hot编码和word class相比，词嵌入可以将更多的信息塞入更低的维度中。
但是呢，同一个词汇是可能有不同的意思的，如下图中的bank，前两个指银行，后两个是指河堤，还有第三种意思-血库：
尽管有不同的意思，但使用之前传统的word embedding的方法，每一个word type有一种embedding，但是现在是每一个Word token就有一种embedding，即每一个词义就会有一个embedding。
对不同意思的bank，可以给出不同的embedding表示：（Contextualized Word Embedding根据语义对word进行编码）
根据上下文语境的不同，同一个单词bank我们希望能够得到不同的embedding。
那怎么样才做到这个操作呢？ 基于上述思想——引出ELMO技术
2. Embeddings from Language Model(ELMO)
ELMO是一个RNN-based的语言模型，其任务是学习句子中的下一个单词或者前一个单词是什么。
它是train一个双向的RNN，这样每一个单词都对应两个hidden state，进行拼接便可以得到单词的Embedding表示。该Embedding不仅考虑了前文意思，也考虑了后文意思。当同一个Word ，它的上下文不一样，得到的embedding就不同。
当我们的RNN是Deep的时候，对于同一个词汇，每一层都会输出一个Embedding，这样该如何选择？
ELMO的做法就是我全都要：如下图所示，将每一层的的两个Embedding都加权求和，得到代表能够每一层的Embedding，权重的值是learning到的，不同的任务是会有不一样的权重。
3. Bidirectional Encoder Representations from Transformers(BERT)
BERT的中文意思是来自于转换器的双向编码表示，Transformer中的Encoder就是Bert 预训练的架构。
我们要记住BERT做的事情是：将一个句子丢进BERT（输入word），然后输出word对应的Embedding。BERT里面的架构是与Transformer中的Encoder是一样的。（如果是中文的话，可以把字作为单位，而不是词，用字为单位是更为恰当的。）
3.1 Training of BERT
-
Masked LM
它就是随机的将句子中间的词用[Mask]替代，然后让machine去找合适的词填好，通过的上下文预测该单词，类似于一个完形填空任务。这样如果是多个词填在一起没有违和感时，那么它们就会有非常接近的Embedding。
-
Next Sentence Prediction(NSP)
它做的事情是，给machine两个句子，在句子开头，输入标志符[CLS]，句子间用标志符[SEP]表示两个句子的分隔符，[CLS]标志符得到的Embedding会送给一个二分类model，该线性model判断这两个句子该不该连在一块，是连在一起的即输出yes。
BERT 内部架构是Transformer,即是Self-attition机制，所以[CLS]放在开头或末尾结果都可以，即 [CLS] 的 output 里面肯定含有整句话的完整信息。
3.2 How to use BERT
case 1: classification
如果现在的任务是 classification，首先在输入句子的开头加一个代表分类的符号 [CLS]，将分类标志符的对应位置的Embedding丢给Linear Classifier，让其 predict 一个 class 即可。
整个过程中 Linear Classifier 的参数是需要从头开始学习的，而 BERT 中的参数微调(fine-tuning)就可以了。
case 2: Slot Filling(classification)
比如：Slot Filling问题，向BERT输入word和分类标志符[CLS]，然后将句子中各个字对应位置的 output 分别送入不同的 Linear，预测出该字的标签。其实这本质上还是个分类问题，只不过是对每个字都要预测一个类别。
case 3: NLI（自然语言推理）
它的做法是输入两个句子和分类标志符[CLS]，句子间用标志符[SEP]隔开。即给定一个前提，然后给出一个假设，模型要判断出这个假设是 正确、错误还是不知道。这本质上是一个三分类的问题，和 Case 1 差不多，对 [CLS] 的 output 进行预测即可。
case 4: QA(问答)
实际任务如下：
具体流程：
首先将问题q和文章d通过 [SEP] 分隔，丢入 BERT 之后，得到上图中黄色的输出。（此时我们还要训练两个 vector，即上图中红色和蓝色的向量。）将红色vector和所有的黄色向量进行 dot product，然后通过 softmax，看哪一个输出的值最大，例如上图中d2对应的输出概率最大，那我们就认为 s=2。
我们用蓝色的向量和所有黄色向量进行 dot product，最终预测得d3 的概率最大，因此 e=3。最终，答案就是 s=2,e=3。
其中两个红蓝vector是怎么学出来的呢？
4. Generative Pre-Training(GPT)
Generative Pre-Training是一个生成式的预训练模型与ELMO不同的是，GPT是一个Transformer Decoder架构，其采用多层Transformer Decoder作为特征抽取器，多项研究也表明，Transformer的特征抽取能力是强于LSTM的。它的思想也很简单，使用单向 Transformer 学习一个语言模型，对句子进行无监督的 Embedding，然后根据具体任务对 Transformer 的参数进行微调。
它做的事情是自动填词。GPT是最复杂的，是非常巨大的，神奇的，但是它也是很有效，相比其他model。
由于GPT-2的模型非常巨大，它在很多任务上都达到了惊人的结果，甚至可以做到zero-shot learning（简单来说就是模型的迁移能力非常好），如阅读理解任务，不需要任何阅读理解的训练集，就可以得到很好的结果。比如给一篇文章，然后给一个问题，直接就给答案，
还可以做翻译，特别快。
5.总结与展望
ELMO在处理一词多意的问题上是很有效的，当同一个Word ，它的上下文不一样，得到的embedding就不同，可以适当增加Deep来提高准确率。相比这三个model，ELMO所占内存也是最小的。BERT则是更适合用在处理文本分类的问题上，以及自然语言推理，阅读问答。在文本分类问题的比赛中常常被应用。GPT是这三个model最复杂，占用内存最大的，使用更少的训练数据完成同样的效果。