Deep Learning for Nature Language Processing --- 第七讲

Overview

传统语言模型

RNNs

RNN 语言模型

一些训练时重要的策略和技巧

梯度消失和梯度爆炸的问题

双向RNNs

其他序列问题中的RNNs

Language Models

语言模型计算的是一连串词的概率：P(w1,w2…wT)；其中的w1,w2…wT都是词向量。

这种语言模型有利于机器翻译，例如：

1.词序：p(the cat is small) > p(small the is cat)

2.词的选取：p(walking home after school) > p(walking house after school)

Traditional Language Models

在传统的语言模型中，计算的概率P通常取决于之前的一个包含n个词的窗（window）中的词。

传统语言模型可以理解为一个不准确但是必要的马尔科夫假设：

以基于单个词和两个词为例（一元和二元），估计接下来出现的词的概率：

更高的元（grams）能获得更好结果

单个这样的传统的语言模型存在非常多的n-grams（n元），所以要求巨大的RAM。

目前处于领先地位的研究：

论文题目：Scalable Modified Kneser-­‐Ney Language Model Estimation by Heafield et.建立了一个基于126 billion tokens的模型，在140GB的机器上训练了2.8天。

Recurrent Neural Networks！

RNN模型在每一个（时间节点）time step都有一个相应的权重（weights）

RNN模型考虑到了前面出现的所有词

对RAM的需求仅仅是特定数目的词

Recurrent Neural Network Language Model

词向量：x1…xt-1,xt,xt+1…xT

对于单个时间节点（time step）：

RNN Language Model的中心思想：在所有的time step上使用同一组weights。而对于每个time step，其计算公式不变：

那么总的y就是基于整个词汇表V的概率分布

交叉熵公式是相同的：

Training RNNs is hard

RNN训练困难，可以体现在以下几点：

1）在每次的前向传播中，都需要乘以一个矩阵W

2）理论上，在RNN模型中，很久以前的time step上的输入也会影响RNN的输出y

3）试试求一下RNN模型中，连续两个time step对的导数

The vanishing gradient problem

在反向传播过程中，对于每一个time step都要乘以同一个矩阵W

剖析造成RNN vanishing gradient problem的原因：

1）每个time step上的计算公式：

2）全局的误差等于每个time step上的误差之和：

3）又因为链式法则：

4）观察下面红色框中的公式：

5）又因为：

6）而前面累乘号里面的式子即导数，有事一个雅克比（jacobian）矩阵：

7）要计算雅克比行列式，需要对其中的每个元素进行求导：

8）而梯度则是雅克比矩阵的乘积，这样的话到最后，梯度会变得特别大或者特别小，造成vanishing gradient problem：

理论上，单个time step上的误差error在反向传播时，会影响之前很多time step的改变，所以vanishing gradient 是一个problem：

vanishing gradient problem对问答系统等的影响：对于当前语句涉及到的单词，模型不会考虑离这些单词的很远的time step上的单词。例如：

IPython Notebook with vanishing gradient example

Trick for exploding gradient: clipping trick

伪代码：

For vanishing gradients: Initialization + ReLus!

将W初始化为单位矩阵，并且使用max（x，0）作为非线性函数：

这是只有一个节点的RNN的梯度下降图。蓝色实线是没做trick的梯度轨迹，撞到那堵墙后就被弹飞了；做了trick后的轨迹是虚线，同样遇到那堵墙后，新的梯度不会被乱弹。每一步的W会用梯度更新，梯度爆了的话，新W就离老W远很多了，局部性就被打破了

Problem: Softmax is huge and slow

策略：基于类的单词预测

即：

类的数量越多，则复杂性更大，速度也越低。

Sequence modeling for other tasks

分类：

1）NER（命名实体识别，如车辆，地点等等）

２）情感分析

3）观点表达

可以参考下面这篇论文：

Opinion Mining with Deep Recurrent Nets

目标：通过以下两种方法给每个单词进行分类

Approach: Recurrent Neural Network

标记：

其中：

1）x代表一个单词（token）所表示的词向量

2）y代表模型输出的label（B，I或者O），上图中的g=softmax

3）h是记忆单元（可以理解为隐含层），是由之前的记忆单元和当前的词向量计算得到，可以说概括了直到这个time step的一段话

Bidirectional RNNs

对于分类问题，如果想要当前的time step包含之前和之后的词的信息，则可以考虑使用双向RNN：

Data