李宏毅机器学习——序列标记问题

引言

今天我们要来学习另一个结构化学习问题——序列标记问题(Sequence Labeling Problem)。

序列标记

序列标记问题是，我们要找的函数它的输入和输出都是序列。我们先假设这两个序列的长度时一样的。

我们的输入和输出可写成向量的形式。这个可以用RNN来解，但是我们今天介绍一个和RNN不同的方法。

我们以词性标记(POS Tagging)作为例子讲解。词性标记任务就是要标记句子中每个词汇的词性。

词性有很多类别，光名词(Nouns)下面就可以分为专有名词(Proper)和一般名词(Common)。我们要做的是输入一个句子，系统自动标记每个单词的词性：

比如John是专有名词，第一个saw是动词，最后那个saw是名词等等。

词性标记其实是自然语言处理的基石。

那这个问题也许不是很难，我们可以找到一个词典，它可以告诉我们每个单词的词性是什么。但是问题是我们还要考虑上下文，也就是我们要知道整个句子的信息。
比如上面的saw可以是动词也可以是名词，虽然它在大多数情况下都是动词。

但是我们知道冠词the后面比较有可能接名词(这需要英文语法知识啊)，这样the后面的saw应该是名词而不是动词。

今天要介绍的技术如下：

HMM

隐马尔可夫模型（Hidden Markov Model，HMM）假设我们人类生成一个句子的时候，有以下两个步骤：

我们要说一句话的时候，先在心里形成一个词性序列。它是根据你大脑内建的语法所产生的。

接下来就是根据词性去找一个符合这些词性词汇。相当于动词(V)的位置你就找个动词填上去；名词(N)的位置你就找个名词填上去。就把POS的序列变成单词序列。最后再把这个单词序列说出来。

步骤一

第一个步骤是根据我们脑中所有的语法建立一个POS序列，HMM假设你脑中的语法是一个马尔可夫链(Markov Chain)。

假设你要说一句话的时候，有50%的概率是一个冠词；有40%的概率是一个专有名词；有10%的概率是一个动词。

然后根据概率随机生成一个，假设随机到了专有名词，然后就看下个词汇的词性是什么。有10%的概率专有名词后面接冠词；有80%的概率后面是动词；还有10%的概率是整个句子就结束了。

再随机生成一个词性，假设下一个词性是动词，然后再继续下去。动词后面有可能就结束了；有可能再讲一个专有名词；也有可能是一个冠词；

以此类推，假设动词后面接一个冠词(Det)；冠词后面接一个名词；名词后面就结束了。

这就是一个马尔可夫链。这样你可以可以算出产生下面词性句子的概率：

步骤二

产生了词性序列，接下来就进入了步骤二。步骤二要做的事情是根据某个词典，给定一个词性，我们看该词性应该要填入哪个词汇。

当我们要选专有名词的时候，就从专有名词的集合中去生成一个词汇出来。

因为这里有5个词汇，生成词汇John的概率就是20%。

从动词集合汇总生成saw的概率是17%，从冠词中取出the的概率是63%，从名词中取出saw的概率是17%。

所以给定一个POS序列，今天说出来的句子是"John saw the saw"的概率就是它们对应的概率之积。

根据HMM，它做的事情就是，它可以描述说一句话，刚好这句话是"John saw the saw"的概率。

$P(y)$的概率就是产生$y$这个词性序列的概率，这里是：PN放到句首的概率乘以PN后面接动词，乘以动词后面接冠词，再乘以冠词后面接名词的概率。

$P(x|y)$是给定词性序列$y$的情况下，产生句子$x$的概率，这里是PN产生John的概率，乘以V产生saw的概率，乘以D产生the的概率，乘以N产生saw的概率。

HMM就是描述我们怎么说出一句话来的。更加一般化的描述就是：

$P(y)$它是$y_1$放到句首的概率，乘上$y_l$后面接$y_{l+1}$的概率，最后乘上$y_L$放到句尾的概率。这个概率通常叫转移概率(Transition probability)。

那在第二步呢，我们会计算$P(x|y)$：

是整个序列上，给定$y_l$产生$x_l$的概率，然后再连乘起来。这个概率通常叫输出概率(Emission probability)。

现在的问题是我们要怎么算出这些概率呢？

计算概率

我们要怎么算PN后面接动词的概率呢，以及怎么算给定一个动词，生成saw的概率呢，这个可以从训练数据中得到。

我们收集一大堆的句子。在这些句子中的每个词汇，我们都找语言专家帮我们标记了词性。完了之后这个问题就很容易解决了。

假如你要计算给定$P(y_{l+1}|y_l)$的概率。

假设要算$y_l=s$，下一个词性是$s^{\prime }$的概率，只要计算在训练数据中$s$出现的次数，再算一下$s$这个词性后面接$s^{\prime }$的次数。然后相除就可以了。

如果你要算给定某个词性$s$，产生的词汇是$t$的概率的话，也是先计算整个训练数据中$s$出现的次数，以及统计一下词汇$t$它的词性标记为$s$的次数。然后也是相除就可以了。

要计算上面绿线标出的式子也很简单，只要计算$y_1$这个词性在句首出现的次数，和$y_L$在句尾出现的次数。它们都除掉句子的数量，就可以得到它们的概率。

我们统计出这些概率后，接下来要做什么呢。

如何做词性标记

我们回到原来的问题，给一个句子$x$，我们要寻找$y$。

这个$x$是已知的，而$y$是未知的。这就是为什么这个东西叫隐马尔科夫模型的原因。

怎么找出$y$呢，还是要靠我们算出$P(x,y)$。

如果我们知道了$x$，那么使得$P(y|x)$最大的$y$就是最有可能的$y$：

因为$x$是给定的，固定不变的。所以分母就可以去掉：

我们只要穷举所有的$y$，就可以知道哪个$y$的概率最大。

维特比算法(Veterbi Algorithm)

所以我们现在要做的事情就是只要穷举所有的$y$，算出它们的概率，找到最大概率的$y$。

是不是感觉穷举这件事情不好做。

假设现在有$S$个词性，而序列的长度(一个词汇代表一个长度)是$L$。那么$y$的数量是不是就是$|S{|}^L$这么多个呢

好在我们有维特比算法，可以把它想成一个函数，你告诉它$P(x,y)$怎么算，它就会告诉你哪个$y$可以让$P(x,y)$最大。
它的复杂度只有$O(L|S{|}^2)$。

HMM总结

HMM也是结构化学习的一种方法，我们说结构化学习方法要解决三个问题。

HMM如何回答这三个问题呢，第一个问题是，它的Evaluation就是$F(x,y)$

然后我们要解的Inference问题是哪个$y$可以让我们的$F(x,y)$最大：

第三个问题的答案是$P(y)$和$P(x|y)$可以从训练数据中统计获得

缺点

我们在求解的时候是让$P(x,y)$最大的$y$当做我们的输出。如果我们想让HMM得到一个正确结果的话，我们会希望正确结果的$P(x,\hat{y})$要大于$P(x,y)$。

但是HMM可能无法做到这件事情，在整个训练里面，它并没有保证让一个错误的$y$带进去使得$P(x,y)$的概率一定是小的。

我们以一个例子来解释下，假设我们统计出来说，N后面接V的概率是90%，N后面接D的概率是10%。

然后给定V看到词汇a的概率是50%，给定D看到词汇a的概率是100%。
(下面这个图增加了V看到词汇c的概率也是50%)

今天假设我们有一个问题，我们已经知道在$l-1$这个时间点我们的词性是N，在$l$这个时间点看到的词汇是a,那么$y_l$的词性最有可能是什么呢？

我们可以用概率来计算一下。

如果是V的话，N产生V的概率是0.9，V产生a的概率是0.5。一起就是0.45；
如果是D的话，N产生D的概率是0.1，D产生a的概率是1。一起就是0.1；
显然V的概率更大。

但是如果我们观察一下训练数据，假设是这样的：

N后面接V，V产生c出现9次；P后面接V产生a出现9次；P后面接D产生a出现1次。

这样可以统计出N后可以接V或接D；并且接V的概率是0.9；接D的概率是0.1；

V产生a和c的概率都是0.5；

根据训练数据得到的概率会告诉我们说这里会得到V，有没有觉得不太对啊。

因为我们训练数据中有N后面接D，然后D产生a这份数据。
如果我们的测试数据里面说前面是N，产生的是a，中间你去填V。而训练数据中明明就有一笔一模一样的数据。

这样不是不对吗，这里你的训练数据告诉你应该是D了，但是对HMM来说，它会给一些在训练数据中从来没有出现过的序列很高的概率。

如果我们按照HMM的算法，它会觉得N后面接V，V产生a的概率很高。所以HMM有个特色是它会脑补它没有看过的东西。

这个就是HMM的一个问题。

但是其实这件事情也有好的一面，当你的训练数据很少的时候，也许实际上这笔数据的概率也很高，只是你没有观察到。所以HMM在训练数据少的时候，它的表现反而比其他方法还要好。

HMM为什么会产生这种脑补的现象，因为对它来说，输出概率和转移概率是分开建模的。它会假设这两个概率是独立的。

用更加复杂的模型能解决这个问题，但是容易做的很复杂。

其实CRF就可以用基于和HMM一样的模型来处理这个问题。

条件随机场

条件随机场(conditional random field,CRF)一样也要描述$P(x,y)$，它描述的方法看起来有点奇怪。

它说$P(x,y)$的概率正比于权重$w$与$\varphi (x,y)$点积，它们的点积结果作为$e$的幂。

• $\varphi (x,y)$是一个特征向量；
• $w$是从训练数据中学到的权重
• $exp(w\cdot \varphi (x,y))$一定是正的，并且可以大于1

所以不能说$exp(w\cdot \varphi (x,y))$这个东西是一个概率，只能说它是和概率成正相关的。

其实CRF不关心$P(x,y)$是什么，它真正关心的是$P(y|x)$。

$P(y|x)$可以写成$P(x,y)$除掉所有可能的$y^{\prime }$的$P(x,y^{\prime })$之和。

我们知道$P(x,y)$是和$exp$这一项成正比的，我们可以说是这一项除以$R$。
把上面这个$P(x,y)$的式子代入到$P(y|x)$的式子，可以消掉$R$，就得到：

这里我们把下面这项用$Z(x)$表示：

它是对所有可能的$y\prime \in Y$的一个求和，所以是和$y$是无关的。

可能感觉CRF和HMM是完全不一样的东西，其实它们的模型是一样的。
它们只是在训练上面是不一样的。

为什么说它们的模型是一样的呢？

在HMM里面，$P(x,y)$是一大堆的概率相乘。
我们把它取$log$，原来的相乘就会变成了相加：

然后我们先来看看相加里面的红框框出来的这项：

这一项应该是$L$个$logP(x_l|y_l)$的和，我们把这一项做一下整理，写成：

这里的$s$表示词性,$t$表示词汇。如果你有10个词性，有10000个词汇的话，就是对$10\times 10000$项进行求和。

$N_{s,t}(x,y)$是这个词汇$t$它被标记成$s$这件事情，在$x,y$里面总共出现的次数。$P(t|s)$是给定词性$s$是词汇$t$的概率。

为什么可以做这个转换呢，我们来举一个例子。

现在有一个句子$x$，每个词汇都有标记它的词性。
我们接下来做一些计算：

比如the(不考虑大小写)这个词汇被标记成冠词的次数，在这个句子中出现了2次；
$N_{s,t}(x,y)$说的是其他的词汇被标记成其他的词性的次数是0次；

接下来来计算一下所有概率的相乘，取$log$就成了相加。D产生the的概率，加上N产生dog的概率，加上V产生ate的概率…

我们可以看到D产生the的概率出现过两次，我们就可以把它整理一下，后面乘以2：

最终整理后就可以写成：

就是所有词性产生词汇的概率(取$log$)乘以它们在句子里面出现的次数之和。

对其他项我们也可以做几乎一样的转换，比如下面框出来的：

把它们都写成两项相乘后，我们会发现$logP(x,y)$可以写成一大堆两项的相乘：

然后我们可以把它们描述从两个向量的内积：

所以我们可以用$w$来代表紫色的向量，用$\varphi (x,y)$来代表红色的向量，这个红色的向量是与$x,y$有关的，可以说是由$x,y$所形成的特征。

所以我们说$P(x,y)$可以写成这样：

有个要注意的地方是,紫色向量中的元素$可以与HMM中的概率对应，比如$W_{s,t}对应到HMM中的$logP(x_i=t|y_i=s)$。

因为它们对应到HMM中的概率再取$log$，如果你想把它们转换成概率的话，就要取Exponential（e为底的指数函数）。

把这些权重取Exponential就可以转换为概率，但是有个问题是，我们在做训练的时候，这里的权重是可正可负的。如果取Exponential后得到的值大于1，就无法解释为概率了。

因此这里不用等于符号，而用正相关符号：

特征向量

特征向量$\varphi (x,y)$是怎样的呢

$\varphi (x,y)$包含两个部分，第一个部分是有关词性和词汇的关系；第二个部分是词性之间的关系。

上面黑色箭头指的是第一个部分。

假设有$S$个词性，有$L$个可能的词汇，第一部分的特征向量的维度就是$S\times L$。如果有10种可能的词性，有10000个词汇的话，那么它的维度就是100000维。

这个特征向量里面就是所有的词性与所有的词汇的配对。如果The被标记为D，出现2次的话，那么这个维度对应的值就是2。没有出现过的就标记为0。

这个向量是非常稀疏的，它的维度非常大，但是有值的不多。

第二个部分是关于词性之间的关系。怎么做呢，其实就是标记了词性$s$和$s^{\prime }$在$(x,y)$里面连续出现的次数。

所以$N_{D,D}(x,y)$就是说$D$后面接$D$出现的次数，这个例子中是0。

$D$后面接$N$出现过两次。
那这个向量的维度是多少呢，假设总共有$S$个可能的词性

那么这个向量的维度就是$S\times S+2S$

因为对于所有的词性对都要有一个维度，然后每个词性与Start产生的对也是一个维度，跟End也会产生一个维度。因此最终就得到了上面的式子。

CRM和HMM想要建模的东西是一样的，但是因为CRF把它的概率描述成一个权重与特征向量的内积，所以CRF比HMM更厉害一点的在于，我们可以自定义这个特征向量。

训练准则

首先我们要收集训练数据。接下来要找一个向量$w^{\ast }$，它要去最大化目标函数$O(w)$：

要找一个$w$，最大化给定$x^n$产生正确的序列${\hat{y}}^n$的概率。

这一项可以转换：

其实就是对下面的式子取$log$，然后除变成了减：

当我们最大化这个等式时
第一项告诉我们的是，当我们最大化这个等式时，我们会最大化我们在训练数据中看到的$x^n,{\hat{y}}^n$对(pair)的概率。

同时我们要最小化没有看到的对的概率。如果做呢，这里要最大化一个目标函数，所以可以用梯度上升法。

梯度上升法

在梯度下降时，我们要最小化损失函数$C$，然后通过上面的式子来更新$\theta$。

而梯度上升做的事情也很像，我们有一个目标函数要最大化，我们在每个迭代计算下$O$的梯度，然后把这个梯度加给要优化的参数就好了。

训练

这是我们要优化的函数。我们要去计算$O^n(w)$对权重的梯度。

我们的$w$有很多，有的$w$是对应到词汇和词性的对(pair)，有的是对应词性和词性的对。

计算过程这里就不展示了，经过计算后，得出：

第一项是$s,t$的pair出现的次数，第二项是对所有可能的 单词$t$被标记成$s$的pair在$x^n$跟任意一个$y^{\prime }$中出现的次数 乘以 给定$x^n$产生这个$y^{\prime }$的概率。

我们来看下这个式子的含义，第一项说$s$和$t$这一对在$x^n,{\hat{y}}^n$这个正确pair里面出现的次数。如果$s,t$在正确的$x^n,{\hat{y}}^n$出现的次数越多，那么它对应的权重就会越大。

第二项告诉我们说，因为是减去任意一个$x^n,y^{\prime }$的里面$s,t$出现的次数。如果$s,t$在任意一个pair里面出现的次数很多的话，并且没有在训练数据中出现，那么我们就要把权重减少。

我们可以采用随机梯度上升的方法，每次随机选取一笔数据。

推断

我们现在要做的事情是，给定一个$x$，找一个$y$让$P(y|x)$最大等同于是找个$y$让$P(x,y)$最大。

在CRF里面，我们知道：

因为$exp$是一个单调递增的函数，所以找$P(x,y)$最大的$y$，等同于是找让$w\cdot \varphi (x,y)$最大的$y$，就可以做一下替换：

这一项其实也可以用维特比算法来计算。

CRF与HMM

CRF不仅会增加$P(x,\hat{y})$，它还会减少任意一个$y^{\prime }$与$x$所形成的$P(x,{\hat{y}}^{\prime })$的概率，而HMM没有做这件事情。如果我们要得到正确的答案，我们会希望$P(x,\hat{y})$的概率大于$P(x,y)$，而CRF会减少其他$y$的概率。

所以与HMM比起来，CRF更有可能得到正确的结果。

举例来说。

我们前文说过，根据统计的结果，HMM给我们的答案是V。

如果是CRF的话，它会调这些概率，让正确的$x,y$对的分数比较大。

比如把$P(a|V)$的概率由0.5调低为0.1。类似这样，最终CRF推断N后面接D。

CRF总结

CRF也是结构化方法，它也解决了三个问题。

结构化感知机/SVM

接下来看下我们上篇文章中学到的东西如何用到序列标记上面。

我们说过结构化感知机也是解决结构化问题的一个技术。它也解决了三个问题。

如果今天是序列的话，那么$\varphi (x,y)$应该要定义成什么样呢，很简单的方式是可以定义成CRF的方式。

第二个问题就是找到$y$让上面的式子最大，一样用维特比算法来解就好了。

在训练的时候，我们对所有不等于$\hat{y}$的$y$，我们希望让

那怎么做呢，我们要找一个 ${\stackrel{\sim }{y}}^n$,让下面这项

最大。接下来把$w$加上正常$\hat{y}$所形成的的向量减去 KaTeX parse error: Expected group after '^' at position 18: …verset{\sim} y^̲所形成的的向量。

会不会觉得这个式子和在做CRF的梯度上升的式子很像。

如果我们忽略$\eta$这一样，把它当成1。那么

绿线标出的那项是一样的，紫线标出的那一项，虽然表面上看起来不一样，但是它们之间是很有关系的。

上面减去的由$\stackrel{\sim }{y}$组成的特征是可以让 $w\cdot \varphi (x^n,y)$最大的。其实就是概率最大的$y$。而CRF对所有可能的$y$都按照概率去做加权和。

如果在$y^{\prime }$里面只有一个是1，其他都是0的话，那么这两个东西就是等价的。

在结构化向量机训练的时候会考虑margin和误差的概念。

误差函数

$\Delta$是计算$y$和$\hat{y}$的差异性。我们上次说过，结构化SVM的损失函数其实就是这个差异性的上界。如果你最小化结构化SVM的损失函数，那你就是在最小化错误的上界。

理论上说$\Delta (y,{\hat{y}}^n)$可以是任何你喜欢的函数。
但是需要满足：

举个例子，如果把两个序列的差异定义成错误率的话：

就可以解决问题2.1。

我们看一下不同的方法在文献上的比较：

这是词性标记实验，纵轴是平均错误，你可以看到HMM的表现是最差的。最好的是结构化SVM。

为什么不用RNN

RNN(下篇文章就会介绍了)和LSTM会有个缺点，在做决定的时候，并没有看完整个序列。在单方向的RNN里面，要产生第t个时间点的输出时，只考虑时间1和时间t的输入，没有考虑时间t+1的输入。如果发现时间t+1的输入想要你改答案的话，那就已经来不及了。

而HMM、CRF等方法会考虑整个序列，并且可以明确考虑输出标签之间的关系。

RNN和LSTM还有个问题，它的损失和你要的错误不见得是有关系的。就是你最小化损失函数不见得会最小化错误。

而结构化的这些方法，损失就是错误的上界。

但是RNN和LSTM有个优点是结构化方法无法比拟的地方，就是可以有深层。

就是因为这点，最后导致还是RNN和LSTM比较强。

我们可以整合这些方法。

把模型比作萝卜的话，在比较深的地方，在底层用RNN和LSTM，在浅层的地方用结构化方法。结构化方法可以比较方便的描述依赖关系。

这样可能会得到比较好的结果。

以语音识别为例，一般是使用CNN/RNN或LSTM/DNN ，最后会接HMM。

我们把HMM的初始化概率$P(x_l|y_l)$用DNN/RNN/LSTM得到的结果去代替。

但是有个问题是，蓝线标出的是$P(x_l|y_l)$，而RNN产生的是$P(a|x_l)$这种。
我们可以用条件概率公式来推导：

$P(y_l)$可以通过统计的方式得到。$y_l$出现的次数除以所有$y$出现的次数。

现在的问题是$P(x_l)$怎么得到，方法很简单，就不不管它？！

我们在用HMM的时候，是给定$x$，看哪个$y$可以让$P(y|x)$最大，因此$x$是给定的。不管它的值是多少，都不会影响最后得到的$y$。

总结

我们今天讲了好几种不同的处理序列标记的方法，它们都解决了三个问题。
在问题1里面我们要定义一个评估函数，每个方法定义的都不一样。
在问题2都用维特比算法。
在问题3HMM就是统计；CRF要去最大化这个概率；而结构化感知机要让正确的分数大过错误的分数；结构化向量机让它们大过一个margin。

最后都可以通过让它们加上深度学习变得更加强大。

参考

1.李宏毅机器学习