如何讓文本也像圖片一樣經(jīng)過預(yù)訓(xùn)練？這是一份通用句子編碼器的神秘指南。

簡(jiǎn)介

遷移學(xué)習(xí)是一個(gè)令人興奮的概念，我們?cè)噲D利用先驗(yàn)知識(shí)從一個(gè)領(lǐng)域和任務(wù)到另一個(gè)領(lǐng)域和任務(wù)。靈感來自我們?nèi)祟惐旧?，我們有一種與生俱來的能力，即不從零開始學(xué)習(xí)所有東西。我們從過去學(xué)到的知識(shí)中轉(zhuǎn)移和利用我們的知識(shí)來處理各種各樣的任務(wù)。有了計(jì)算機(jī)視覺，我們就有了優(yōu)秀的大型數(shù)據(jù)集，比如ImageNet，在它之上我們可以獲得一套世界級(jí)的、最先進(jìn)的預(yù)訓(xùn)練模型來利用遷移學(xué)習(xí)。但是自然語言處理呢？考慮到文本數(shù)據(jù)是如此的多樣化、充斥著噪音以及非結(jié)構(gòu)化的特點(diǎn)，這是一個(gè)嚴(yán)峻的挑戰(zhàn)。我們最近在文本嵌入方面取得了一些成功，包括Word2vec、GloVe 和 FastText 等方法，我在關(guān)于“文本數(shù)據(jù)的特征工程”[1]的文章中介紹了所有這些方法。

在這篇文章中，我們將展示幾種最先進(jìn)的通用句子嵌入編碼器，特別是在遷移學(xué)習(xí)任務(wù)的少量數(shù)據(jù)上與 Word embedding 模型相比的情況下，它們往往會(huì)給出令人驚訝的良好性能。

我們將嘗試涵蓋基本概念，并展示一些利用python和TensorFlow的手工操作示例，在文本分類問題中側(cè)重于情感分析的案例。

為什么我們對(duì)嵌入（embedding）如此瘋狂?

嵌入是一個(gè)固定長(zhǎng)度的向量，通常用于編碼和表示一個(gè)實(shí)體(文檔、句子、單詞、圖形)

我在前一篇文章[2]中談到了在文本數(shù)據(jù)和NLP上下文中嵌入的必要性。但為了方便起見，我將在這里簡(jiǎn)短地重復(fù)一下。在語音或圖像識(shí)別系統(tǒng)方面，我們已經(jīng)以豐富的密集特征向量的形式獲得信息，這些特征向量嵌入在高維數(shù)據(jù)集中，如音頻譜圖和圖像像素強(qiáng)度。然而，當(dāng)涉及到原始文本數(shù)據(jù)時(shí)，特別是基于計(jì)數(shù)的模型，比如詞袋模型（Bag of words），我們處理的是單個(gè)單詞，它們可能有自己的標(biāo)識(shí)符，并且不捕獲單詞之間的語義關(guān)系。這就導(dǎo)致了文本數(shù)據(jù)的大量稀疏詞向量，因此如果我們沒有足夠的數(shù)據(jù)，我們可能會(huì)因?yàn)榫S度詛咒而得到很糟糕的模型，甚至過擬合數(shù)據(jù)。

對(duì)比圖片、音頻、文本的特征表示

預(yù)測(cè)方法（predictive methods），比如基于神經(jīng)網(wǎng)絡(luò)的語言模型，試圖從其相鄰的單詞中預(yù)測(cè)單詞，觀察語料庫(kù)中的單詞序列，在學(xué)習(xí)分布式表示的過程中，給我們提供稠密的單詞嵌入表示。

現(xiàn)在你可能在想，我們從文本中得到了一堆向量，現(xiàn)在怎么辦？如果我們有一個(gè)很好的文本數(shù)據(jù)的數(shù)字表示，它甚至捕捉到上下文和語義，我們可以將它用于各種各樣的下游現(xiàn)實(shí)世界任務(wù)，比如情感分析、文本分類、聚類、摘要、翻譯等等。事實(shí)上，機(jī)器學(xué)習(xí)或深度學(xué)習(xí)模型能在這些數(shù)字和嵌入表示上運(yùn)行，是編碼這些模型使用的文本數(shù)據(jù)的關(guān)鍵。

文本嵌入

這里的一個(gè)大趨勢(shì)是找出所謂的“通用嵌入（universal embeddings）”，它基本上是通過在一個(gè)龐大的語料庫(kù)上訓(xùn)練深度學(xué)習(xí)模型而獲得的預(yù)訓(xùn)練的嵌入表示。這使我們能夠在各種各樣的任務(wù)中使用這些經(jīng)過預(yù)訓(xùn)練的(一般的)嵌入表示，包括缺乏足夠數(shù)據(jù)等約束的場(chǎng)景。這是遷移學(xué)習(xí)的一個(gè)完美例子，利用預(yù)訓(xùn)練嵌入表示的先驗(yàn)知識(shí)來解決一個(gè)全新的任務(wù)！下圖顯示了通用詞嵌入（word embedding）和句子嵌入(sentence embedding)的一些最新趨勢(shì)。

最近在通用詞&句子嵌入的趨勢(shì)

來源：https://medium.com/huggingface/universal-word-sentence-embeddings-ce48ddc8fc3a)

上圖中有一些有趣的趨勢(shì)，包括谷歌的通用句子編碼器，我們將在本文中詳細(xì)探討。現(xiàn)在，讓我們?cè)谏钊胙芯客ㄓ镁渥泳幋a器之前，簡(jiǎn)要介紹單詞和句子嵌入模型的趨勢(shì)和發(fā)展。

詞嵌入模型的發(fā)展趨勢(shì)

詞嵌入模型（Word Embedding Models）是一些比較成熟的模型，這些模型是從2013年的Word2vec開始發(fā)展的?；谡Z義和上下文相似性的連續(xù)向量空間嵌入詞向量的三種最常見的利用深度學(xué)習(xí)(無監(jiān)督方法)的模型是：

Word2Vec

GloVe

FastText

這些模型是基于分布語義學(xué)領(lǐng)域中的分布假設(shè)原理而建立的，它告訴我們，在相同的語境中發(fā)生和使用的詞在語義上是相似的，具有相似的意義。

最近發(fā)展起來的這一領(lǐng)域的另一個(gè)有趣的模型是由Allen人工智能研究所（Allen Institute for Artificial Intelligence）開發(fā)的ELMo（Embeddings from Language Models）模型。

基本上，ELMo給我們提供了從深度雙向語言模型(biLM)中學(xué)習(xí)的單詞嵌入，該模型通常是在大型文本語料庫(kù)上進(jìn)行預(yù)訓(xùn)練，從而使遷移學(xué)習(xí)和這些嵌入能夠跨不同的NLP任務(wù)使用。Allen AI告訴我們，ELMo表示是上下文感知的、深度的和基于字符的，它使用形態(tài)學(xué)線索來形成表示，甚至對(duì)于OOV(out-of-vocabulary)標(biāo)記也是如此。

通用句子嵌入模型的發(fā)展趨勢(shì)

句子嵌入（Sentence Embedding）的概念并不是一個(gè)非常新的概念，因?yàn)樵跇?gòu)建詞嵌入時(shí)，最簡(jiǎn)單的方法之一就是用平均法構(gòu)建baseline句子嵌入模型。

一個(gè)baseline句子嵌入模型可以通過平均每個(gè)句子的單個(gè)詞嵌入(有點(diǎn)類似于我們失去了句子中固有的語境和單詞序列的bag of words)來建立。下圖顯示了實(shí)現(xiàn)此功能的方法。

當(dāng)然，還有一些更復(fù)雜的方法，比如對(duì)句子中的詞嵌入表示進(jìn)行線性加權(quán)組合。

Doc2Vec也是 mikolov 等人提出的一種非常流行的方法。他們提出了段落向量，這是一種無監(jiān)督的算法，它從可變長(zhǎng)度的文本 (如句子、段落和文檔) 中學(xué)習(xí)固定長(zhǎng)度的特征嵌入。

Word2Vec vs. Doc2Vec (Source:https://arxiv.org/abs/1405.4053)

在上述描述的基礎(chǔ)上，該模型用一個(gè)稠密向量表示每個(gè)文檔，該向量訓(xùn)練用于預(yù)測(cè)文檔中的單詞，唯一的區(qū)別是使用段落或文檔id與常規(guī)單詞tokens一起構(gòu)建嵌入表示。這樣的設(shè)計(jì)使這種模型克服了詞袋模型的缺點(diǎn)。

神經(jīng)網(wǎng)絡(luò)語言模型(NNLM)是 Bengio 等人在2003年提出的。他們討論學(xué)習(xí)單詞的分布式表示，允許每個(gè)訓(xùn)練句子向模型提供關(guān)于語義相鄰句子的信息。該模型同時(shí)學(xué)習(xí)每個(gè)單詞的分布式表示，同時(shí)學(xué)習(xí)詞序列的概率函數(shù)，并以這些形式表示出來。泛化是因?yàn)橐粋€(gè)以前從未見過的單詞序列，如果它是由類似于構(gòu)成一個(gè)已經(jīng)出現(xiàn)過的句子的單詞構(gòu)成的詞構(gòu)成的，那么它就具有很高的概率。

Google已經(jīng)建立了一個(gè)通用的句子嵌入模型nnlm-en-dim128[3]，這是一種基于標(biāo)記的文本嵌入，使用三層前饋神經(jīng)網(wǎng)絡(luò)語言模型在英語google新聞200B語料庫(kù)上進(jìn)行訓(xùn)練。該模型將任意文本映射為128維嵌入。我們很快就會(huì)在接下來演示中用到這個(gè)。

Skip-Thought Vectors也是基于非監(jiān)督學(xué)習(xí)的句子編碼器領(lǐng)域中最早的模型之一。在他們提議的論文中，利用文本的連續(xù)性，他們訓(xùn)練了一個(gè)編碼器-解碼器模型，試圖重建編碼段落的周圍句子。共享語義和句法屬性的句子被映射到類似的向量表示。

Skip-Thought Vectors (Source:https://arxiv.org/abs/1506.06726)

這就像skip-gram模型，但是是針對(duì)于句子而言的，即我們?cè)噲D預(yù)測(cè)給定源句子的周圍句子。

Quick Thought Vectors是最近用來學(xué)習(xí)句子表達(dá)的一種較新的方法。原論文中詳細(xì)介紹了學(xué)習(xí)句子表示的有效框架。有趣的是，他們通過在常規(guī)的編解碼結(jié)構(gòu)中用分類器替換解碼器，把預(yù)測(cè)句子出現(xiàn)的上下文的問題重新定義為分類問題。

Quick Thought Vectors (Source:https://openreview.net/forum?id=rJvJXZb0W)

因此，給定一個(gè)句子及其出現(xiàn)的上下文，分類器根據(jù)它們的嵌入表示來區(qū)分上下文句子和其他對(duì)比句子。給定一個(gè)輸入語句，它首先使用某種函數(shù)進(jìn)行編碼，但是模型沒有生成目標(biāo)句子，而是從一組候選句子中選擇正確的目標(biāo)句子。將生成看作是從所有可能的句子中選擇一個(gè)句子，這可以看作是對(duì)生成問題的一種判別近似。

InferSet是一種基于自然語言推理數(shù)據(jù)學(xué)習(xí)通用句子嵌入的有監(jiān)督學(xué)習(xí)方法。這是硬核監(jiān)督遷移學(xué)習(xí)，就像我們?cè)贗mageNet數(shù)據(jù)集上接受計(jì)算機(jī)視覺訓(xùn)練一樣，他們使用斯坦福自然語言推理數(shù)據(jù)集的監(jiān)督數(shù)據(jù)來訓(xùn)練通用句子表示。該模型使用的數(shù)據(jù)集是由570 k人工生成的英語句子對(duì)組成的SNLI數(shù)據(jù)集，它捕捉到了理解句子語義的自然語言推理。

InferSent training scheme (Source:https://arxiv.org/abs/1705.02364)

基于上圖所描述的體系結(jié)構(gòu)，我們可以看到，它使用了一個(gè)共享語句編碼器，它為前提u和假設(shè)V輸出一個(gè)表示。一旦生成句子向量，就可以使用3種匹配方法來提取u和v之間的關(guān)系：

Concatenation (u, v)

Element-wise product u ? v

Absolute element-wise difference |u ? v|

生成的向量隨后被輸入由多個(gè)全連接的層組成的三分類器。

Google的通用句子編碼器Universal Sentence Encoder是最新的、最好的通用句子嵌入模型之一，于2018年初發(fā)布。通用句子編碼器將任意文本編碼成512維嵌入，可用于各種NLP任務(wù)，包括文本分類、語義相似性和聚類。它針對(duì)各種數(shù)據(jù)源和各種任務(wù)進(jìn)行訓(xùn)練，目的是動(dòng)態(tài)地容納各種各樣的自然語言理解任務(wù)，這些任務(wù)需要對(duì)單詞序列的含義進(jìn)行建模，而不僅僅是單個(gè)單詞。他們的主要發(fā)現(xiàn)是，使用句子嵌入的遷移學(xué)習(xí)往往優(yōu)于詞嵌入級(jí)別的遷移學(xué)習(xí)。

理解我們的文本分類問題

現(xiàn)在是時(shí)候把這些通用的句子編碼器付諸行動(dòng)了，接下來我們進(jìn)行演示。我們今天演示集中于一個(gè)非常流行的NLP任務(wù)，即在情感分析的背景下對(duì)文本進(jìn)行分類。下文演示中所用的數(shù)據(jù)集可以在[4]或[5]中下載。

這個(gè)數(shù)據(jù)集共有50000部電影評(píng)論，其中25k有正面情緒，25k有負(fù)面情緒。我們將在總共30000次評(píng)論上訓(xùn)練我們的模型，在5000個(gè)評(píng)論上進(jìn)行交叉驗(yàn)證，并使用15000次評(píng)論作為我們的測(cè)試數(shù)據(jù)集。主要目的是正確預(yù)測(cè)每一次評(píng)價(jià)的積極或消極情緒。

通用句子嵌入in action

現(xiàn)在我們已經(jīng)明確了我們的主要目標(biāo)，讓我們把通用的句子編碼器付諸行動(dòng)！我的設(shè)置是一個(gè)8CPU，30 GB，250 GB的SSD和一個(gè)Nvidia Quadro P4000。

加載包

我們從安裝tensorflow-hub開始，它使我們能夠輕松地使用這些句子編碼器。

Ok,接下來加載本教程要用到的模塊：

importtensorflowastfimporttensorflow_hubashubimportnumpyasnpimportpandasaspd

下面的命令幫助你檢查TensorFlow是否將使用GPU(如果您已經(jīng)設(shè)置了一個(gè)GPU)：

In [12]: tf.test.is_gpu_available()Out[12]: TrueIn [13]: tf.test.gpu_device_name()Out[13]: '/device:GPU:0'

加載和查看數(shù)據(jù)集

我們現(xiàn)在可以加載數(shù)據(jù)集并使用pandas查看它。

我們將情感表示的列編碼為1和0。

我們的電影評(píng)論數(shù)據(jù)集

構(gòu)建訓(xùn)練、驗(yàn)證和測(cè)試數(shù)據(jù)集

在開始建模之前，我們將創(chuàng)建訓(xùn)練、驗(yàn)證和測(cè)試數(shù)據(jù)集。我們將使用30000條評(píng)論用于訓(xùn)練，5000條用于驗(yàn)證，15000條用于測(cè)試。你可以使用train_test_split() from scikit-learn。我只是很懶，用簡(jiǎn)單的列表切片對(duì)數(shù)據(jù)集進(jìn)行了細(xì)分。

((30000,), (5000,), (15000,))

基本文本處理

我們有一些基本的文本預(yù)處理需要做，以從我們的文本消除一些噪音，如不必要的特殊字符，html標(biāo)簽的清除等。

下面的代碼幫助我們構(gòu)建一個(gè)簡(jiǎn)單而有效的文本系統(tǒng)。

現(xiàn)在讓我們使用上面實(shí)現(xiàn)的函數(shù)對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理。

構(gòu)建數(shù)據(jù)攝取函數(shù)

由于我們將使用tf.estimator API在TensorFlow中實(shí)現(xiàn)我們的模型，因此我們需要定義一些函數(shù)來構(gòu)建數(shù)據(jù)和特性工程pipline，以便在訓(xùn)練期間將數(shù)據(jù)輸入到我們的模型中。我們利用numpy_put_fn()，這有助于將大量的numpy數(shù)組輸入到模型中。

我們現(xiàn)在已經(jīng)準(zhǔn)備好建立我們的模型了！

用通用句子編碼器建立深度學(xué)習(xí)模型

在建立模型之前，首先要定義利用通用句子編碼器的語句嵌入特征。我們可以使用下面的代碼來實(shí)現(xiàn)這一點(diǎn)。

INFO:tensorflow:Using /tmp/tfhub_modules tocache modules.

我們將建立一個(gè)簡(jiǎn)單只有兩個(gè)隱層的前饋DNN，現(xiàn)在只是一個(gè)標(biāo)準(zhǔn)的模型，沒有太復(fù)雜，因?yàn)槲覀兿肟纯催@些嵌入在一個(gè)簡(jiǎn)單的模型上執(zhí)行得有多好。在這里，我們正在利用預(yù)訓(xùn)練嵌入形式的遷移學(xué)習(xí)方法。

模型訓(xùn)練

在我們的驗(yàn)證數(shù)據(jù)集上，我們獲得了接近87%的總體精度，在這樣一個(gè)簡(jiǎn)單的模型上，AUC達(dá)到了94%，這是相當(dāng)好的！

模型評(píng)估

現(xiàn)在，讓我們?cè)u(píng)估我們的模型在訓(xùn)練和測(cè)試數(shù)據(jù)集上的總體性能。

我們?cè)跍y(cè)試數(shù)據(jù)上獲得了接近87%的總體準(zhǔn)確率，與我們之前在驗(yàn)證數(shù)據(jù)集上觀察到的結(jié)果一致。因此，這應(yīng)該讓你了解利用經(jīng)過預(yù)訓(xùn)練的通用語句嵌入是多么容易，而不必?fù)?dān)心特征工程或復(fù)雜建模的麻煩。

獎(jiǎng)勵(lì)：不同通用句子嵌入的遷移學(xué)習(xí)

現(xiàn)在讓我們嘗試根據(jù)不同的句子嵌入構(gòu)建不同的深度學(xué)習(xí)分類器。我們將嘗試以下幾點(diǎn)：

NNLM-128

USE-512

我們還將在這里討論兩種最突出的遷移學(xué)習(xí)方法：

使用freezed預(yù)訓(xùn)練語句嵌入建立模型

建立一個(gè)模型，在這個(gè)模型中，我們微調(diào)并更新訓(xùn)練期間預(yù)先訓(xùn)練過的句子嵌入

我們現(xiàn)在可以使用上述定義的方法來訓(xùn)練我們的模型。

我在上面的輸出中描述了重要的評(píng)估指標(biāo)，可以看到，我們的模型得到了一些好的結(jié)果。下表以一種很好的方式總結(jié)了這些比較結(jié)果。

對(duì)比不同的通用句子編碼器

看起來像谷歌的通用句子編碼器微調(diào)給我們的測(cè)試數(shù)據(jù)最好的結(jié)果。讓我們加載這個(gè)保存的模型并對(duì)測(cè)試數(shù)據(jù)進(jìn)行評(píng)估。

[0, 1, 0, 1, 1, 0, 1, 1, 1, 1]

評(píng)估模型性能的最佳方法之一是以混淆矩陣的形式可視化模型預(yù)測(cè)。

從我們最好的模型預(yù)測(cè)中的混淆矩陣

我們也可以輸出其他重要的指標(biāo)包括準(zhǔn)確率，召回率和F1。

我們獲得了一個(gè)整體模型的準(zhǔn)確性和F1-分?jǐn)?shù)90%的測(cè)試數(shù)據(jù)，很好。

結(jié)論

對(duì)于不同的NLP任務(wù)，通用句子嵌入無疑是在支持遷移學(xué)習(xí)方面向前邁出的一大步。事實(shí)上，我們已經(jīng)看到像ELMo這樣的模型，通用句子編碼器，ULMFiT確實(shí)成為頭條新聞，因?yàn)樗故玖祟A(yù)先訓(xùn)練過的模型可以用來在NLP任務(wù)上實(shí)現(xiàn)最先進(jìn)的結(jié)果。著名的研究科學(xué)家和博客作者塞巴斯蒂安·魯?shù)?SebastianRuder)在推特上提到了同樣的問題。

我對(duì)NLP的進(jìn)一步推廣和使我們能夠輕松地解決復(fù)雜任務(wù)的未來感到非常興奮！