本文概览：

本文又名《Distributed Representation: From Static Embedding to Contextualized Embedding》

1. Classical Representation: One-hot Encoding

独热编码是NLP领域最简单的一种单词表示法。One-hot Encoding就是一个单词用长度为的向量表示，其中只有一个位置为，其余位置为，为语料中词库的大小。

One-hot Encoding有什么问题呢？假如我想用余弦相似度计算上图中“机器学习”与“深度学习”的相似度，或者计算“贪心科技”与“深度学习”的相似度，我们会发现相似度的值都是相同的。 也就是说，单词通过独热编码的方式是不能表示单词间语义的相似度。 由于这是独热编码最大的问题，因此科学家们开始研究如何对独热编码做改进，改进成一个向量可以表示单词的语义。如果我们能用一个向量表示单词的语义，那么两个向量的相似度应该可以表示两个单词语义的相似度。下图是我们对独热编码的一个总结。

2. From One-hot to Distributed Representation

由于独热编码非常的稀疏、不能表示单词间语义的相似度等缺点，我们希望学习下图中右边所示的单词表示方法。这种方法是由稠密向量表示单词，且向量维度更低，我们把这种方法叫做词向量。

词向量需要通过词向量模型学习来得到。我们需要一批语料当作模型的输入，然后词向量模型可以选择SkipGram模型、Bert模型或者其它模型，最后就可以得到词的分布式表示向量。

学习词向量有一个非常重要的理论：分布式假设，即一个单词的出现，跟它的上下文有关，我们可以根据上下文来预测某个单词。举个例子，我们可以根据上文“贪心科技作为国内”和下文“的高端AI教育品牌”，猜测出横线处应该是“领先”这个词。后边两个横线，分别从它们的上下文中，可以猜出应填词为“推出”、“案例”。

3. Static Word Embedding

3.1 Word2Vec

比较经典的词向量模型是Word2Vec，主要包含两个模型：CBOW和SkipGram模型。CBOW是根据上下文来预测中心单词；SkipGram通过中心词来预测上下文的单词。

3.2 SkipGram in Detail

在SkipGram预测的时候，输出的是预测目标词的概率，也就是说我每一次预测都要基于全部的数据集进行计算，这无疑会带来很大的时间开销。因此，Word2Vec提出两种加快训练速度的方式，一种是Hierarchical softmax，另一种是Negative Sampling。

3.3 CBOW与SkipGram的比较

数据比较少的时候，SkipGram效果比较好。 因为通过SkipGram的训练方式，我们能从较少的数据集中构造出更多的训练样本，CBOW是对中心词构造一条样本，SkipGram是对中心词可以构造多条训练样本。
出现次数较少的单词在语料库中较多的时候，SkipGram效果比较好。 因为CBOW的映射层起到Smoothing的作用，模型会预测更经常出现的单词。

3.4 Word Embedding by Matrix Factorization

矩阵分解也是可以学习词向量的。假如我们有三个句子组成的语料库：I enjoy flying. I like NLP. I like deep learning. 我们可以统计出单词的共现矩阵（Co-occurrence Matrix），将共现矩阵行(列)作为词向量。例如：假设统计窗口大小为，“I like”出现在第，句话中，一共出现次，所以“I like”=。对称的窗口指的是，“like I”也是次。将共现矩阵行(列)作为词向量表示后，可以知道“like”、“enjoy”都是在“I”附近且统计数目大约相等，因此它们意思相近。

共现矩阵X的维度为：，我们可以通过SVD的方法将大矩阵X分解，因为矩阵X比较稀疏，从矩阵论的角度来看，希望学到更低秩的表示方法。因此可以将矩阵分解为三个小矩阵、、，可以用矩阵的每一行表示单词的词向量。

因为矩阵分解中的共现矩阵中的统计信息是来自于所有的语料库，因此矩阵分解得到的词向量是全局的方法（Global Method）。由于CBOW、SkipGram模型每次考虑的是中心词和它周围的单词，因此CBOW、SkipGram模型得到的词向量是局部的方法（Local Method）。

共现矩阵不足：面临稀疏性问题、向量维数随着词典大小线性增长。
解决办法：SVD、PCA降维，但是计算量大。

3.5 Glove

局部的方法和全局的方法都有自己的优缺点。全局的方法可以从整个语料的角度更宏观的审视词的特点；局部的方法是基于局部语料库训练的，其特征提取是基于滑窗的，因此局部的方法可以进行在线学习。基于局部方法论和全局方法论的优缺点，科学家提出了Glove算法。

Glove算法很好地把MF这种全局的方法和SkipGram这种局部的方法整合在了一起。Glove的计算效率很高、效果也很好。

3.6 Glove和Word2Vec、 LSA对比有什么区别？（Word2Vec vs Glove vs LSA）

（1）Glove vs LSA

LSA（Latent Semantic Analysis）可以基于co-occurance matrix构建词向量，实质上是基于全局语料采用SVD进行矩阵分解，然而SVD计算复杂度高；
Glove可看作是对LSA一种优化的高效矩阵分解算法，采用Adagrad对最小平方损失进行优化；

（2）Word2Vec vs Glove

Word2Vec是局部语料库训练的，其特征提取是基于滑窗的；而Glove的滑窗是为了构建co-occurance matrix，是基于全局语料的，可见Glove需要事先统计共现概率；因此，Word2Vec可以进行在线学习，Glove则需要统计固定语料信息。
Word2Vec是无监督学习，同样由于不需要人工标注；Glove通常被认为是无监督学习，但实际上Glove还是有label的，即共现次数。
Word2Vec损失函数实质上是带权重的交叉熵，权重固定；Glove的损失函数是最小平方损失函数，权重可以做映射变换。
总体来看， Glove可以被看作是更换了目标函数和权重函数的全局Word2Vec。

3.7 Gaussian Embedding

下图中例子里，“AI”在语料库中出现的次数较多，那上面提到的几个模型学出的准确率越高。模型对于出现次数较多的词学出的词向量更加自信，模型对于出现次数较少的词学习的词向量把握不太大。

我们希望找到一种方式来评估模型学到的词向量的自信度（Confidence）。我们可以想到把每个单词的词向量表示成一个分布，比如：

其中，是模型学出的单词“AI”的词向量，是词向量服从的分布。表示了AI这个词向量，表示了对结果的不确定性。

每个单词都用高斯分布表示，那怎么衡量两个单词之间的相似度呢？我们可以用KL散度、Wasserstein距离（也叫Earth-Mover（EM）距离，在GAN中非常重要）来度量两个分布之间的相似度。

3.8 Pointcare Embedding

上面提到的模型是在欧式空间中进行的词嵌入，但是也存在一些非欧式空间的一些场景，比如计算地球仪中两个点之间距离。尤其是在物理学和天文学中，有很多非欧式空间的场景，比如一些非欧式空间的数据有层级结构或树型结构。

3.9 Neural Network Language Model

Neural Network Language Model根据之前的单词预测最新的一个单词，这里没有中心词的概念，只通过之前两三个单词来预测后面的一个单词。

4. Contextualized(Dynamic) Word Embedding

上面讲了一些静态的词向量，就是一个单词只能学出一个词向量。在很多的NLP工作里面，一个单词可以表示成很多种意思（即一词多义），如何处理一词多义、考虑单词在上下文中的意思，这个问题是近四年来NLP领域最火热的一个研究方向。就拿Bert模型来说，它是一个很明显的分水岭，想把它得到的上下文词嵌入运用到工业界里。年起学者都在研究静态的词向量，大概从年起大家慢慢的开始重点研究上下的词向量。

4.1 Contextualized Word Embedding简述

第一个例子中的第一个“apple”指苹果公司，第二个“apple”指水果苹果。假如我们用静态的词向量，那在整个语料中“apple”只能表示一个意思，不能表示单词在上下文中的一个区别。

第二个例子中的第一个“back”指后背，第二个“back”指倒车。第三个例子中的第一个“学习”是动词，第二个“学习”是名词。单词的词性和词义在上下文中不同，我们希望学到的词向量也是不一样的。

4.2 LSTM-based Model

4.2.1 CoVe

下图a)是一个经典的Seq2Seq模型，我们以机器翻译任务训练模型的Encoder和Decoder部分。我们可以通过这种方式学习出带有上下文的词向量。那么我们为什么可以通过这种方式学习到带有上下文的词向量呢？

从下图b)中我们可以知道，由于Encoder和Decoder都是BI-LSTM模型，模型本身含有语句上下文的信息。因此，用静态词向量输入Encoder编码器就可以得到含有上下文的词向量。我们把含有上下文的词向量和静态的词向量拼接在一起，就可以解决某些特定的任务。

4.2.2 ELMo

CoVe使用了机器翻译任务的Loss训练模型，而ELMo训练目标就是语言模型，根据上下文预测下一个单词。通过语言模型从左到右训练的方式，我们也叫做Autoregressive Model。

要从ELMo得到一个单词的词向量，我们可以把静态词向量，拼接第一层隐层向量，再拼接第二层隐层向量，最后再拼接第三层隐层向量，就得到了这个单词的完整的含有上下文的单词向量。比如，单词“今天”的词向量为：

4.3 Transformer-based Model

4.3.1 From LSTM-based Model to Transformer-based Model

LSTM的缺点：

梯度消失、梯度爆炸问题，导致模型不能很好的捕获长期依赖问题。
LSTM是序列模型，不能并行处理数据。

基于以上问题，所以我们用Transformer来作为模型处理序列数据的基础组件。

（1）Transformer

Transformer由两部分组成：Encoder、Decoder。Encoder部分有许多个Encoder Block组成。每个Encoder Block由五部分组成：

Self-Attention
Layer Norm
Skip Connection
Forward Network
Positional Encoding

（2）Self-Attention

Transformer的核心是Self-Attention，而在Transformer的每个Encoder Block中都是由个Self-Attention组成的Multi-Headed Attention。关于Self-Attention和Multi-Headed Attention的内容，可以看我之前的文章：《Self-Attention与Transformer》。

4.3.2 GPT

ELMo用LSTM作为基本组件，GPT用Transformer的Decoder作为基本组件。GPT用语言模型训练。GPT的优点是使用了Transformer结构，解决了LSTM的缺点问题。

GPT存在的问题：由于GPT是从左到右单向训练语言模型，没有考虑当前预测单词右边的信息，是一种单向的训练方式。

4.3.3 BERT

BERT使用Transformer的Encoder结构作为自己的组件。BERT训练的时候，随机把语料库中15%的单词做Mask操作。对于15%的单词做Mask操作分为三种情况：80%的单词直接用[Mask]替换、10%的单词直接替换成另一个新的单词、10%的单词保持不变，用这种方式训练的语言模型叫做MLM（Masked Language Model）。其实BERT的目标函数的核心思想来自于图像领域的DAE。

4.3.4 RoBERTa

基于BERT有很多的改进，比较直接的改进是RoBERTa。这个模型针对BERT来讲没有太大的区别，更多的还是在训练的过程中做了一些改进，所以总结起来有四点改进：

训练的时间更长，训练的Batch更大，训练的数据更多。
NSP任务被移除，因为很多研究者表明NSP任务在BERT中起到的作用不大，ALBERT中也指出NSP任务在BERT中作用不大。
RoBERTa训练在更长的序列中。
在BERT里面，Mask Token是在数据预处理过程中进行的，所以不管数据循环训练多少次，Mask Token是不变的。在训练RoBERTa时，针对每个训练数据是重新随机的选取Mask Token。

4.3.5 MASS

MASS模型既使用了Transformer的Encoder部分，也使用了Transformer的Decoder部分。MASS的训练过程更像是Translation Machine的过程，它有点类似于上面提到的CoVe模型。MASS主要工作原理是：在Encoder的输入部分随机Mask掉一些单词，然后在Decoder部分预测输出被Mask掉的单词。

4.3.6 XLNet

（1）What are the problems of BERT?

Training and Testing discrepancy。BERT模型在训练的时候，训练数据是随机Mask掉一些单词，但是在测试或预测的时候输入的数据是没有Mask操作，这会导致训练数据和测试数据不一致的问题。
Independent assumption of predicted tokens。比如，BERT模型需要预测句子“今天是[MASK]讲[MASK]”中被Mask的单词。BERT首先根据上下文“今天、是、讲”来预测出“周日”，再根据上下文“今天、是、讲”预测出“CV”，但是“周日”和“CV”是有一定关系的，BERT模型并没有考虑预测单词之间的关系。

（2）Two Objectives: Autoregressive vs Autoencoding

AR：Autoregressive Language Modeling
AE：Autoencoding Language Modeling

AR语言模型：指的是依据前面（或后面）出现的tokens来预测当前时刻的token，代表有 ELMo， GPT等。

forward:

backward:

AE语言模型：通过 上下文信息 来预测被mask的token，代表有 BERT , Word2Vec(CBOW) 。

二者有着它们各自的优缺点：

AR 语言模型：

缺点： 它只能利用单向语义而 不能同时利用上下文信息。ELMo 通过双向都做AR模型，然后进行拼接，但从结果来看，效果并不是太好。
优点： 对生成模型友好，天然符合生成式任务的生成过程。这也是为什么GPT能够编故事的原因。

AE 语言模型：

缺点： 由于训练中采用了 [MASK] 标记，导致 预训练与微调阶段不一致的问题。BERT独立性假设问题，即没有对 被遮掩（Mask）的 token 之间的关系 进行学习。此外对于生成式问题， AE 模型也显得捉襟见肘。
优点： 能够很好的编码上下文语义信息（即考虑句子的双向信息），在自然语言理解相关的下游任务上表现突出。

所以，AR方式所带来的自回归性学习了预测 token 之间的依赖，这是 BERT 所没有的；而 BERT的AE方式带来的对深层次双向信息的学习，却又是像ELMo还有GPT单向语言模型所没有的，不管是有没有替换 “[MASK]”。于是，自然就会想， 如何将两者的优点统一起来？ 这时就到了XLNet登场的时间。

（3）XLNet原理

XLNet模型为了获得上下文信息，对一个句子排列组合出所有可能的顺序，这样就有点类似于双向语言模型的感觉。

5. Model Compression

上面讲了许多词嵌入的模型，但是有许多模型参数巨大，不能在有限的机器上训练出来，在工业界落地那就更难了。因此，有一部分学者就在模型压缩方面做了一些工作，我认为在未来一段时间很多工作都会围绕模型压缩来做。模型压缩有以下几种方式：

Sparse Priors。这个压缩方法是从贝叶斯想法过来的。如果你之前了解过在逻辑回归上使用正则来得到稀疏参数，跟L1正则相对应的是Laplace Priors，就是我把先验放到参数上面，使得模型在训练过程中自动的学到一些稀疏参数。比较经典的论文是《Bayesian Compression for Deep Learning》。
Sparse Matrix Factorization。如下图所示，假如模型里有两层、，这两层之间的参数矩阵是，维度很高且非常稀疏，维度为。我们可以用矩阵分解的方法分解为两个低纬度矩阵，基于这种方法论的一个模型是ALBERT。
Knowledge Distillation。有两个Model：Student Model和Teacher Model。Student Model层数更少、参数更少、模型更小，输入、输出和Teacher Model一样，用来模拟Teacher Model。

5.1 ALBERT（Sparse Matrix Factorization）

ALBERT发现Transformer的第、、层参数可视化后，学到的东西很类似，用一个参数矩阵来表示、、层参数，做到多层参数共享，节省内存空间。

5.2 TinyBERT（Knowledge Distillation）

TinyBERT有两个模型如下图所示，左边的Teacher(BERT)有层，右边的Student(TinyBERT)有层，知识蒸馏就是把左边的模型迁移到右边的模型，且。

6. Summary

7. Reference

本文是Microstrong在观看李文哲在B站上讲解的直播课程《Distributed Representation: From Static Embedding to Contextualized Embedding》的笔记。视频地址： https://www.bilibili.com/video/BV1EK411p7Nd?p=1 。

【1】【NLP系列直播2】From Static Embedding to Contextualized Embedding，贪心学院，地址： https://www.bilibili.com/video/BV1EK411p7Nd?p=1

【2】李文哲老师直播课深入浅出词嵌入技术，地址： [https://www.bilibili.com/video/BV1tt4y1C7Cm?from=search&se

文章目录