강의 12 : 단어의 부분에서 정보 : SubwordModels

인간 언어의 소리 : 음성학과 음운론

인간 언어의 소리 : 음성학과 음운론

• 음성학 음성학 사운드 스트림 - 무적 "물리학"
• 음운론의 음운론 하나 더 많은 고유의 범주를 가정 음소의 고유 한 특성
  • 하나의 가능성은 널리 유형학하지만 언어는 특별한 이해입니다
  • 음운론에서 인식의 범위의 가장 좋은 증거
  • 음소 내부의 차이를 줄이고, 음소의 차이 확장
    

형태는 : 단어의 부품
어휘 : 품사를

• 전통적으로, 형태소 의미의 최소 단위이며

  • $[UN [fortun (E)] _ {ROOT}를 먹었다] _ {STEM}]} _ {STEM LY]} _ {WORD$

• 深度学习：很少研究形态学；递归神经网络的一个尝试是（Luong，Socher，&Manning 2013）
  
  一种可能的方法来处理更大的词汇-大多数看不见的单词是新的形态形式（或数字）

• 一个简单的替代方法是使用字符n-grams

  • Wickelphones(Rumelhart& McClelland 1986)
  • Microsoft’s DSSM (Huang, He, Gao, Deng, Acero, & Hect2013)

• 使用卷积层的相关想法

• 能更容易地发挥词素的许多优点吗？
  

Words in writing systems

• 书写系统在表达单词的方式上各不相同
  • 没有分词：美国关岛国际机场及其办公室均接获
  • 词（大多数）被分开：This is a sentence with words
    • 附着词 Clitics
      分开的：
      连续的：
    • 复合名词 -
      分开的 life insurance company employee
      连续的 Lebensversicherungsgesellschaftsangestellter

Models below the word level

• 需要处理数量很大的开放词汇：巨大的、无限的单词空间
  • 丰富的形态：nejneobhospodařovávatelnějšímu (“to the worst farmable one”)
  • 音译（特别是名字，在翻译中基本上是音译）
  • 非正式的拼写
    

Character-Level Models

1. 词嵌入可以由字符嵌入组成
   为位置单词产生嵌入
   相同的拼写分享相同的嵌入
   解决OOV（未登录词）问题
2. 连续的语言可以被当作字符处理

这两种方法都被证明是很成功的

• 有些令人惊讶的是，传统上，音素/字母不是一个语义单位，但是DL模型组成了组
• 深度学习模型可以存储和构建来自于多个字母组的含义表示，从而模拟语素和更大单位的意义，从而汇总形成语义

Below the word: Writing systems

• 大多数度入学习NLP的工作都是从书面语言开始的——它是易于处理和发现的数据
• 但人类语言书写系统不是一回事！
  

Purely character-level models

• 我们在上节课上看到了一个句子分类的纯字符级模型的好例子：
  • 用于文本分类的超深卷积网络
  • Conneau, Schwenk, Lecun, Barrault.EACL 2017
• 通过堆积卷积块得到的不错的结果

Purely character-level NMT models
以字符作为输入和输出的机器翻译系统

• 最初，效果不令人满意
  (Vilaret al., 2007; Neubiget al., 2013)
• 只有decoder（成功的）
  (JunyoungChung, KyunghyunCho, YoshuaBengio. arXiv 2016).
• 然后有前景的结果
  • (Wang Ling, Isabel Trancoso, Chris Dyer, Alan Black, arXiv 2015)
  • (Thang Luong, Christopher Manning, ACL 2016)
  • (Marta R. Costa-Jussà, José A. R. Fonollosa, ACL 2016)

English-Czech WMT 2015 Results

• Luong和Manning测试了一个纯字符级seq2seq (LSTM) NMT系统作为基线
• 它在单词级基线上运行得很好
• 对于 UNK，是用 single word translation 或者 copy stuff from the source
• 字符级的 model 效果更好了，但是太慢了
  • 但是在运行时需要3周的时间来训练，运行时没那么快
• 如果放进了 LSTM 中，序列长度变为以前的数倍（大约七倍）

Fully Character-Level Neural Machine Translation without Explicit Segmentation
Jason Lee, KyunghyunCho, Thomas Hoffmann. 2017.
编码器如下，解码器是一个字符级的GRU

输入的字符先被映射到character embedding。然后与窗口大小不同的卷积核进行卷积操作再将输出联结起来，例如上图中有三种窗口大小分别为3，4，5的卷积核，相当于学习了基于字符的trigram, 4-grams, 5-grams。然后对卷积的输出进行max pooling操作，相当于选择最显著的特征产生segment embedding。由此我们从最基础的输入的character embedding得到了系统中认为语言学上有意义的segment embedding。然后将这些特征经过Highway Network(有些类似于Residual network，方便深层网络中信息的流通，不过加入了一些控制信息流量的gate）和双向的GRU，这样得到最终的encoder output。之后decoder再利用Attention机制以及character level GRU进行decode。

Stronger character results with depth in LSTM seq2seq model

Revisiting Character-Based Neural Machine Translation with Capacity and Compression. 2018. Cherry, Foster, Bapna, Firat, Macherey, Google AI

• 左图横坐标表示LSTM层数，如1×2+2表示encoder使用1层BiLSTM，decoder使用2层LSTM，同样地，3×2+4表示encoder使用3层BiLSTM，decoder使用4层LSTM
• 模型较小时，word-level 更佳；模型较大时，character-level 更佳

Sub-word models: two trends

• 与词向量相同的架构
  • 但使用更小的单元，“word pieces”
  • [Sennrich, Haddow, Birch, ACL’16a],
    [Chung, Cho, Bengio, ACL’16].
• 混合结构：
  • 主模型使用单词，其他使用字符级
  • [Costa-Jussà& Fonollosa, ACL’16],
    [Luong & Manning, ACL’16].

Byte Pair Encoding

• 最初是一种压缩算法
  • 把经常出现的byte pair用一个新的byte来代替，例如假设(‘A’, ’B‘）经常顺序出现，则用一个新的标志’AB’来代替它们。
    Rico Sennrich, Barry Haddow, and Alexandra Birch. Neural Machine Translation of Rare Words with SubwordUnits. ACL 2016.
    https://arxiv.org/abs/1508.07909 https://github.com/rsennrich/subword-nmt https://github.com/EdinburghNLP/nematus
• 也是一种分词算法
  • 从底向上聚类
  • 从数据中所有（Unicode）字符的unigram词汇表开始
  • 频率最高的ngram pairs↦一个新的ngram
    下面是一个例子
    
    
    
    
• 有一个目标词汇大小，当达到时停止。
• 做确定的最长片段分词
• 分割只在一些先前的tokenizer（通常是用于MT的Moses tokenizer）识别的单词内进行
• 自动决定系统的词汇
  • 不再是传统的“词”

Wordpiece/Sentencepiece model

• 谷歌的NMT（GNMT）使用了它的一个变体
  • V1：wordpiecemodel
  • V2：sentencepiece model
• 不使用字符的 n-gram count，而是使用贪心近似来最大化语言模型的对数似然函数值，选择对应的pieces
  • 添加最大限度地减少困惑度（衡量语言模型）的n-gram
• Wordpiece模型标记内部单词（即将一个单词划分成几个单词）
• Sentencepiece模型使用原始文本
  • 空格被保留为特殊标记(_)，并正常分组
  • 可以通过将片段连接起来并将它们重新编码到空格中，从而在末尾将内容反转
  • https://github.com/google/sentencepiece
  • https://arxiv.org/pdf/1804.10959.pdf
• BERT 使用了 wordpiece 模型的一个变体
  • (相对)在词汇表中的常用词
    • at, fairfax, 1910s
  • 其他单词由wordpieces组成
    • hypatia = h ##yp ##ati ##a（如何从四个向量中得到hypatia的表示，加起来平均，或选择最大的，或经过一个LSTM进行编码等等）
• 如果你在一个基于单词的模型中使用BERT，你必须处理这个

Character-level to build word-level

Learning Character-level Representations for Part-ofSpeech Tagging
(Dos Santos and Zadrozny2014)

• 对字符进行卷积以生成单词嵌入
• 为词性标注使用固定窗口的词嵌入

Character-based LSTM to build word rep’ns

Ling, Luís, Marujo, Astudillo, Amir, Dyer, Black, Trancoso. Finding Function in Form: Compositional Character Models for Open Vocabulary Word Representation. EMNLP’15.

• 随机初始化字符嵌入，然后使用BiLSTM的两个最终隐藏状态作为单词嵌入，然后经过一个RNN-LM训练字符嵌入
• 使用Bi-LSTM构建单词表示
  

Character-Aware Neural Language Models
Yoon Kim, Yacine Jernite, David Sontag, Alexander M. Rush. 2015

• 一个更复杂/精密的方法
• 动机
  • 派生一个强大的、健壮的语言模型，该模型在多种语言中都有效
  • 编码子单词关联性：eventful, eventfully, uneventful…
  • 解决现有模型的罕见字问题
  • 用更少的参数获得可比较的表达性

Technical Approach

Convolutional Layer

Highway Network (Srivastavaet al. 2015)

• 对n-gram交互建模
• 在传递原始信息时应用转换。
• 类似于LSTM存储单元的功能。

Long Short-Term Memory Network

• 分级Softmax处理大的输出词汇
• 使用 truncated backpropthrough time 进行训练

Quantitative Results

• LSTM-Char比起word-level参数少，并且困惑度（PPL）也很低

Qualitative Insights

• 上两图结果表明，highway很有用，经过卷积之后只获得了结构上的相似性，而经过highway之后获得了语义上的相似性

Take-aways

• 本文对使用词嵌入作为神经语言建模输入的必要性提出了质疑
• 字符级的 CNNs + Highway Network 可以提取丰富的语义和结构信息
• 关键思想：您可以构建“building blocks”来获得细致入微且功能强大的模型！

Hybrid NMT

• A best-of-both-worlds architecture:
  • 翻译大多数是词级别的
  • 只有当需要的时候才使用字符级别
• 使用一个复制机制，试图填充罕见的单词，产生了超过 2 BLEU的改进
  Thang Luong and Chris Manning. Achieving Open Vocabulary Neural Machine Translation with Hybrid Word-Character Models. ACL 2016.

• Encoder使用word级别，当遇到cute这种OOV（未登录词）词汇时使用char级别来获得word表示
• Decoder类似，当遇到<UNK>时使用char级别
  2-stage Decoding
  
• 解码阶段使用两个级别的beam search，首先seq2seq在word级别搜索，当遇到<UNK>时，在字符级别使用beam search
• 混合模型与字符级模型相比
  • 纯粹的字符级模型能够非常有效地是用字符序列作为条件上下文
  • 混合模型虽然提供了字符级的隐层表示，但并没有获得比单词级别更低的表示

English-Czech Results

Sample English-Czech translations




另一个例子

Chars for word embeddings

A Joint Model for Word Embedding and Word Morphology

• 目标与w2v相同，但使用字符
• 使用BiLSTM计算嵌入
• 模型尝试捕捉形态学
• 模型可以推断单词的词根

FastText embeddings

Enriching Word Vectors with SubwordInformation Bojanowski, Grave, Joulinand Mikolov. FAIR. 2016.
https://arxiv.org/pdf/1607.04606.pdf
https://fasttext.cc

• 目的：下一代高效的word2vec类单词表示库，但更适用于具有大量词法的稀有单词和语言
• 带有字符n-grams的 w2v 的 skip-gram模型的扩展
• 将单词表示为用边界符号和整词扩充的字符n-grams
  $where = <wh, whe, her, ere, re>, <where>$
  注意 $<her>和<her不同于her$
  前缀、后缀和整个单词都是特殊的
• 使用这些表示的和来表示一个词，上下文单词得分为
  $s(w,c) = \sum_{g \in G(w)} \bold z^T_gv_c$
  其中 $G(w)$表示词w的n-gram集合
  细节：对于所有的grams，使用“hashing技巧”来获得固定数量的向量

• 在频率较低单词上的不同收益
  

总结

• 字符级别能够捕获一些语言结构上的特征，使用FastText embeddings在一些语言上可以获得更好的效果
• 일반적으로 두 개의 유용한 캐릭터 레벨이 있습니다 :
  • 단어 문자 표현을 생성함으로써, OOV 문제, 캡처 더 많은 기능을 해결했다
  • 그리고 단어 수준이 큰 구조의 성분으로서 혼입
• 순수한 캐릭터 레벨 일반적인 처리 단계는 다음과 같습니다 회선, 최대 풀링, 고속도로, LSTM. 어떤 고속도로가 매우 중요
• LSTM는 특징을 추출하기 위해 캐릭터 레벨에 직접 사용할 수있는 (없는 순수한 캐릭터 레벨, 긴 의존 수도 없습니다 캡처)