NLP学习-Task 3: 子词模型Subword Models

NLP学习

更新流程↓
Task 1: 简介和词向量Word Vectors
Task 2: 词向量和词义Word Senses
Task 3: 子词模型Subword Models
Task 4: Contextual Word Embeddings
Task 5: 大作业
日本人综艺感从昭和时代开始就这么强了吗？
今日份的舒适
常见餐桌礼仪

---

子词模型Subword Models

---

0. 有关语言学(linguistics)的启发

• 语音学(Phonetics)是一种非常基本的理论，只要是正常人，有着相同的人体器官和相同的发声结构，就会遵循着相同的发声规则和原理。
• 语音体系(Phonology)是有语义的声音的合集，各国各文明的人都会制定自己的语音体系。
• 音素(Phoneme)是语音中划分出来的最小的语音单位，分为元音和辅音。

  国际音标(由音素构成)按理来说可以表示所有的语音，但是会发现好多语音是没有语义的，这时我们采取的办法就是看音素的下一级(part of words)。

unfortunate代表没有语义，需要找下一级

  同样的思想我们可以用在深度学习上，如果我们在做翻译任务(Neural Machine Translation,NMT)时发现一些没有含义的单词(也就是不在词汇库中的单词)，我们可以通过找比单词更基本的成分来解决问题。
现实生活中做翻译任务时我们确实需要处理很大的，很开放的词汇(所以上述讨论是有意义的)：

• 非常丰富的词形
• 音译的单词(例如人名)
• 非正式的拼写(Gooood=Good,u=you,r=are)

  在之前学习的word2vec和GloVe是以单词作为最小基本单位的，这样虽然能够用词向量表示词库中的单词，但是若出现OOV(out-of-vocabulary)即词库中没有的单词，而且对于单词的一些词法上的修饰(morphology)处理的也不是很好。
  所以利用比word更小的基本单位来建立模型能更好的解决这些问题。本节思考采用n-gram思想训练Word Vector模型，也就是FastText。

---

1. Word-Level Models(单词级模型)

  以单词为最小基本单位的模型，例如word2vec和GloVe。

• 优点：能够较为完美地用词向量表示词库中的单词。
• 缺点：会出现OOV(out-of-vocabulary)即词库中没有的单词，例如“Gooooood”。且对于一些单词词法上的修饰(morphology)处理不是很好。

---

2. Character-Level Models(字符级模型)

  以字符Character为最小基本单位的模型，通常针对字符级模型有两种处理思路：

1. 是把原有的词向量分解处理。先生成character-embedding, 然后为OOV生成word-embedding, 即使用character-embedding来组成word-embedding。
2. 把连接的语言分解成字符。只生成character-embedding，不考虑word级别。

这两种的方法共同的优缺点如下：

  优点

1. 能够解决 Word-level 所存在的 OOV 问题。
2. 拼写类似的单词 具有类似的 embedding。

  缺点：

1. 由于从单词替换成字符导致处理的序列变长，速度变慢。
2. 由于序列变长，数据变得稀疏，数据之间的联系的距离变大，不利于学习，训练速度降低。

  为了解决以上缺点问题，Jason Lee, Kyunghyun Cho, Thomas Hoffmann于2017年发表了论文Fully Character-Level Neural Machine Translation without Explicit Segmentation，提出了利用多层conv和pooling和 highway layer的方式来解决该问题来解决了这些问题。



该论文的思路如下所示：

1. 输入的字符首先需要经过Character embedding层，并被转化为character embeddings表示。
2. 采用不同窗口大小的卷积核对输入字符的character embeddings表示进行卷积操作，论文中采用的窗口的大小分别为 3、4、5 ，也就是说学习Character-level的3-gram、4-gram、5-gram。
3. 对不同卷积层的卷积结果进行max-pooling操作，即捕获其最显著特征生成segment embedding。
4. segment embedding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）。
5. 输出结果，再经过单层BiGRU，得到最终的encoder output。
6. 之后，decoder再利用Attention机制以及character level GRU进行decode。

  通过这种方式不仅能够解决Word-level所存在的OOV问题，而且能够捕获句子的3-gram、4-gram、5-gram信息，这个也是后期FastText的想法雏形。

---

3. Subword Models(子词模型)

  这是介于Word-Level和Character-Level之间的Subword models，主要有两种趋势，一种是仍采用和Word-Level相同的结构，只不过采用更小的单元——Word pieces，名为Byte Pair Encoding（BPE）；另外一种是采用混合结构，Word和Character都有，名为SentencePiece。

 3.1. Byte Pair Encoding

  BPE是一种压缩算法，是一种自下而上的算法。将单词作为单词片段处理（Word pieces），以便于处理未出现单词。在NMT任务中，先将训练集单词划分成片段（利用BPE），然后将片段随机赋值后放到RNNs或CNNs中训练出片段的embedding，再将片段组合得出Word-embedding后，进行NMT工作。这样如果在训练集或者其他情况中，遇到生僻词或者未登录词时，直接利用片段进行组合来进行NMT任务。

  1.首先将统计text中单词，做成词汇表（频率-单词），然后按照unigram进行分解。