斯坦福NLP课程 | 第8讲 - 机器翻译、seq2seq与注意力机制

作者：韩信子@ShowMeAI，路遥@ShowMeAI，奇异果@ShowMeAI

教程地址：http://www.showmeai.tech/tutorials/36

本文地址：http://www.showmeai.tech/article-detail/243

收藏ShowMeAI查看更多精彩内容

ShowMeAI为斯坦福CS224n《自然语言处理与深度学习(Natural Language Processing with Deep Learning)》课程的全部课件，做了中文翻译和注释，并制作成了GIF动图！

本讲内容的深度总结教程可以在这里查看。

引言

概述

引入新任务：机器翻译
引入一种新的神经结构：sequence-to-sequence
- 机器翻译是 sequence-to-sequence 的一个主要用例
引入一种新的神经技术：注意力
- sequence-to-sequence 通过 attention 得到提升

1.机器翻译与SMT（统计机器翻译）

1.1 Pre-neural Machine Translation

1.2 机器翻译

机器翻译(MT)是将一个句子 x 从一种语言(源语言)转换为另一种语言(目标语言)的句子 y 的任务。

1.3 1950s：早期机器翻译

机器翻译研究始于20世纪50年代初。

俄语 → 英语(冷战的推动)
系统主要是基于规则的，使用双语词典来讲俄语单词映射为对应的英语部分

1.4 1990s-2010s：统计机器翻译

核心想法：从数据中学习概率模型
假设我们正在翻译法语 → 英语
对于给定法语句子 x，我们想要找到最好的英语句子 y

argmax_yP(y mid x)

使用Bayes规则将其分解为两个组件从而分别学习

argmax_yP(x mid y) P(y)

P(x mid y)：Translation Model / 翻译模型
- 分析单词和短语应该如何翻译(逼真)
- 从并行数据中学习
P(y)：Language Model / 语言模型
- 模型如何写出好英语(流利)
- 从单语数据中学习

1.5 1990s-2010s：统计机器翻译

问题：如何学习翻译模型 P(x mid y)？
首先，需要大量的并行数据(例如成对的人工翻译的法语/英语句子)

1.6 SMT的学习对齐

问题：如何从并行语料库中学习翻译模型 P(x mid y)？
进一步分解：我们实际上想要考虑

P(x,a mid y)

a 是对齐
即法语句子 x 和英语句子 y 之间的单词级对应

1.7 对齐

Examples from: “The Mathematics of Statistical Machine Translation: Parameter Estimation", Brown et al, 1993. http://www.aclweb.org/anthology/J93-2003

对齐是翻译句子中特定词语之间的对应关系
- 注意：有些词没有对应词

1.8 对齐是复杂的

对齐可以是多对一的

1.9 对齐是复杂的

对齐可以是一对多的

1.10 对齐是复杂的

有些词很丰富
对齐可以是多对多(短语级)
我们学习很多因素的组合，包括
- 特定单词对齐的概率(也取决于发送位置)
- 特定单词具有特定多词对应的概率(对应单词的数量)

1.11 SMT的学习对齐

问题：如何计算argmax
- 我们可以列举所有可能的 y 并计算概率？→ 计算成本太高
回答：使用启发式搜索算法搜索最佳翻译，丢弃概率过低的假设
- 这个过程称为解码

1.12 SMT解码

Source: ”Statistical Machine Translation", Chapter 6, Koehn, 2009. https://www.cambridge.org/core/books/statistical-machine-translation/94EADF9F680558E13BE759997553CDE5

1.13 SMT解码

1.14 1990s-2010s：统计机器翻译

SMT是一个巨大的研究领域
最好的系统非常复杂
- 数以百计的重要细节我们还没有提到
- 系统有许多独立设计子组件工程
- 大量特征工程
  - 很多功能需要设计特性来获取特定的语言现象
- 需要编译和维护额外的资源
  - 比如双语短语对应表
- 需要大量的人力来维护
  - 对于每一对语言都需要重复操作

2.神经网络机器翻译

2.1 Neural Machine Translation

2.2 神经机器翻译(NMT)

2.3 神经机器翻译(NMT)

神经机器翻译(NMT)是利用单个神经网络进行机器翻译的一种方法
神经网络架构称为 sequence-to-sequence (又名seq2seq)，它包含两个RNNs

2.4 神经机器翻译(NMT)

编码器RNN生成源语句的编码
源语句的编码为解码器RNN提供初始隐藏状态
解码器RNN是一种以编码为条件生成目标句的语言模型
注意：此图显示了测试时行为 → 解码器输出作为下一步的输入

2.5 Sequence-to-sequence是多功能的！

序列到序列不仅仅对机器翻译有用
许多NLP任务可以按照顺序进行表达
- 摘要(长文本 → 短文本)
- 对话(前一句话 → 下一句话)
- 解析(输入文本 → 输出解析为序列)
- 代码生成(自然语言 → Python代码)

2.6 神经机器翻译(NMT)

sequence-to-sequence 模型是条件语言模型的一个例子
语言模型(Language Model)，因为解码器正在预测目标句的下一个单词 y
条件约束的(Conditional)，因为预测也取决于源句 x
NMT直接计算 P(y mid x)

P(y | x)=Pleft(y_{1} | xright) Pleft(y_{2} | y_{1}, xright) Pleft(y_{3} | y_{1}, y_{2}, xright) ldots Pleft(y_{T} | y_{1}, ldots, y_{T-1}, xright)

上式中最后一项为，给定到目前为止的目标词和源句 x，下一个目标词的概率
问题：如何训练NMT系统？
回答：找一个大的平行语料库

2.7 训练一个机器翻译系统

Seq2seq被优化为一个单一的系统。反向传播运行在“端到端”中

3.机器翻译解码

3.1 贪婪解码

我们了解了如何生成(或“解码”)目标句，通过对解码器的每个步骤使用 argmax
这是贪婪解码(每一步都取最可能的单词)
这种方法有问题吗？

3.2 贪婪解码的问题

贪婪解码没有办法撤销决定
如何修复？

3.3 穷举搜索解码

理想情况下，我们想要找到一个(长度为 T )的翻译 y 使其最大化
我们可以尝试计算所有可能的序列 y
- 这意味着在解码器的每一步 t ，我们跟踪 V^t个可能的部分翻译，其中 V 是 vocab 大小
- 这种 O(V^T) 的复杂性太昂贵了！

3.4 集束搜索解码

核心思想：在解码器的每一步，跟踪 k 个最可能的部分翻译(我们称之为假设hypotheses )
- k 是Beam的大小(实际中大约是5到10)
假设 y_1, ldots,y_t 有一个分数，即它的对数概率

operatorname{score}left(y_{1}, ldots, y_{t}right)=log P_{mathrm{LM}}left(y_{1}, ldots, y_{t} | xright)=sum_{i=1}^{t} log P_{operatorname{LM}}left(y_{i} | y_{1}, ldots, y_{i-1}, xright)

分数都是负数，分数越高越好
我们寻找得分较高的假设，跟踪每一步的 top k 个部分翻译
波束搜索 不一定能 找到最优解
但比穷举搜索效率高得多

3.5 集束搜索解码：示例

Beam size = k = 2
蓝色的数字是

operatorname{score}left(y_{1}, ldots, y_{t}right)=sum_{i=1}^{t} log P_{operatorname{LM}}left(y_{i} | y_{1}, ldots, y_{i-1}, xright)

计算下一个单词的概率分布
取前 k 个单词并计算分数
- 对于每一次的 k 个假设，找出最前面的 k 个单词并计算分数
- 在 k^2 的假设中，保留 k 个最高的分值
  - t = 2 时，保留分数最高的 hit 和 was
  - t = 3 时，保留分数最高的 a 和 me
  - t = 4 时，保留分数最高的 pie 和 with
  - t = 5 时，保留分数最高的 a 和 one
  - t = 6 时，保留分数最高的 pie
这是最高得分的假设
回溯以获得完整的假设

3.6 集束搜索解码：停止判据

在贪心解码中，我们通常解码到模型产生一个 <END> 令牌
- 例如：<START> he hit me with a pie <END>
在集束搜索解码中，不同的假设可能在不同的时间步长上产生 <END> 令牌
- 当一个假设生成了 <END> 令牌，该假设完成
- 把它放在一边，通过 Beam Search 继续探索其他假设
通常我们继续进行 Beam Search ，直到
- 我们到达时间步长 T (其中 T 是预定义截止点)
- 我们至少有 n 个已完成的假设(其中 n 是预定义截止点)

3.7 集束搜索解码：完成

我们有完整的假设列表
如何选择得分最高的？
我们清单上的每个假设 y_1, ldots ,y_t 都有一个分数

operatorname{score}left(y_{1}, ldots, y_{t}right)=log P_{mathrm{LM}}left(y_{1}, ldots, y_{t} mid xright)=sum_{i=1}^{t} log P_{operatorname{LM}}left(y_{i} mid y_{1}, ldots, y_{i-1}, xright)

问题在于 ：较长的假设得分较低
修正：按长度标准化。用下式来选择top one

frac{1}{t} sum_{i=1}^{t} log P_{mathrm{LM}}left(y_{i} mid y_{1}, ldots, y_{i-1}, xright)

3.8 神经机器翻译(NMT)的优点

与SMT相比，NMT有很多优点

更好的性能
- 更流利
- 更好地使用上下文
- 更好地使用短语相似性
单个神经网络端到端优化
- 没有子组件需要单独优化
需要更少的人类工程付出
- 无特征工程
- 所有语言对的方法相同

3.9 神经机器翻译(NMT)的缺点

SMT相比，NMT的缺点

NMT的可解释性较差
- 难以调试
NMT很难控制
- 例如，不能轻松指定翻译规则或指南
- 安全问题

4.机器翻译评估

4.1 如何评估机器翻译质量

BLEU (Bilingual Evaluation Understudy)
- 你将会在 Assignment 4 中看到BLEU的细节
BLEU将机器翻译和人工翻译(一个或多个)，并计算一个相似的分数
n-gram 精度 (n通常为1-4)
对过于短的机器翻译的加上惩罚
BLEU很有用，但不完美
- 有很多有效的方法来翻译一个句子
- 所以一个好的翻译可以得到一个糟糕的BLEU score，因为它与人工翻译的n-gram重叠较低

4.2 MT随时间推移的进步

Source: http://www.meta-net.eu/events/meta-forum-2016/slides/09_sennrich.pdf

4.3 NMT：NLP深度学习的最大成功案例

神经机器翻译于2014年从边缘研究活动到2016年成为领先标准方法

2014：第一篇 seq2seq 的文章发布
2016：谷歌翻译从 SMT 换成了 NMT
这是惊人的
- 由数百名工程师历经多年打造的SMT系统，在短短几个月内就被少数工程师训练过的NMT系统超越

4.4 机器翻译问题完美解决了吗？

Further reading: “Has AI surpassed humans at translation? Not even close!” https://www.skynettoday.com/editorials/state_of_nmt
Source: https://hackernoon.com/bias-sexist-or-this-is-the-way-it-should-be-ce1f7c8c683c
Picture source: https://www.vice.com/en_uk/article/j5npeg/why-is-google-translate-spitting-out-sinister-religious-prophecies
Explanation: https://www.skynettoday.com/briefs/google-nmt-prophecies

没有！
许多困难仍然存在
- 词表外的单词处理
- 训练和测试数据之间的领域不匹配
- 在较长文本上维护上下文
- 资源较低的语言对
使用常识仍然很难
NMT在训练数据中发现偏差
无法解释的系统会做一些奇怪的事情

4.5 NMT研究仍在继续

NMT是NLP深度学习的核心任务
NMT研究引领了NLP深度学习的许多最新创新
2019年：NMT研究将继续蓬勃发展
- 研究人员发现，对于我们今天介绍的普通seq2seq NMT系统，有很多、很多的改进。
- 但有一个改进是如此不可或缺

5.注意力机制

5.1 Attention

5.2 Sequence-to-sequence：瓶颈问题

源语句的编码
需要捕获关于源语句的所有信息
信息瓶颈！

5.3 注意力

注意力为瓶颈问题提供了一个解决方案
核心理念：在解码器的每一步，使用与编码器的直接连接来专注于源序列的特定部分
首先我们将通过图表展示(没有方程)，然后我们将用方程展示

5.4 带注意力机制的序列到序列模型

将解码器部分的第一个token <START> 与源语句中的每一个时间步的隐藏状态进行 Dot Product 得到每一时间步的分数
通过softmax将分数转化为概率分布
在这个解码器时间步长上，我们主要关注第一个编码器隐藏状态(“he”)
利用注意力分布对编码器的隐藏状态进行加权求和
注意力输出主要包含来自于受到高度关注的隐藏状态的信息
连接的注意力输出与解码器隐藏状态 ，然后用来计算 hat y_1
有时，我们从前面的步骤中提取注意力输出，并将其输入解码器(连同通常的解码器输入)。我们在作业4中做这个。

5.5 注意力：公式

我们有编码器隐藏状态 h_{1}, ldots, h_{N} in mathbb{R}^{h}
在时间步 t 上，我们有解码器隐藏状态 s_{t} in mathbb{R}^{h}
我们得到这一步的注意分数

e^{t}=left[s_{t}^{T} boldsymbol{h}_{1}, ldots, boldsymbol{s}_{t}^{T} boldsymbol{h}_{N}right] in mathbb{R}^{N}

我们使用softmax得到这一步的注意分布 alpha^{t} (这是一个概率分布，和为1)

alpha^{t}=operatorname{softmax}left(e^{t}right) in mathbb{R}^{N}

我们使用 alpha^{t} 来获得编码器隐藏状态的加权和，得到注意力输出 alpha^{t}

boldsymbol{a}_{t}=sum_{i=1}^{N} alpha_{i}^{t} boldsymbol{h}_{i} in mathbb{R}^{h}

最后，我们将注意输出 alpha^{t} 与解码器隐藏状态连接起来，并按照非注意 seq2seq 模型继续进行

left[boldsymbol{a}_{t} ; boldsymbol{s}_{t}right] in mathbb{R}^{2 h}

5.6 注意力很棒！

注意力显著提高了NMT性能
- 这是非常有用的，让解码器专注于某些部分的源语句
注意力解决瓶颈问题
- 注意力允许解码器直接查看源语句；绕过瓶颈
注意力帮助消失梯度问题
- 提供了通往遥远状态的捷径
注意力提供了一些可解释性
- 通过检查注意力的分布，我们可以看到解码器在关注什么
- 我们可以免费得到(软)对齐
- 这很酷，因为我们从来没有明确训练过对齐系统
- 网络只是自主学习了对齐

5.7 注意力是一种普遍的深度学习技巧

我们已经看到，注意力是改进机器翻译的序列到序列模型的一个很好的方法
然而：你可以在许多结构(不仅仅是seq2seq)和许多任务(不仅仅是MT)中使用注意力
我们有时说 query attends to the values
例如，在seq2seq attention模型中，每个解码器的隐藏状态(查询)关注所有编码器的隐藏状态(值)

5.8 注意力是一种普遍的深度学习技巧

注意力的更一般定义
- 给定一组向量值和一个向量查询，注意力是一种根据查询，计算值的加权和的技术
直觉
- 加权和是值中包含的信息的选择性汇总，查询在其中确定要关注哪些值
- 注意是一种获取任意一组表示(值)的固定大小表示的方法，依赖于其他一些表示(查询)。

5.9 有几种注意力的变体

候选值 boldsymbol{h}_{1}, ldots, boldsymbol{h}_{N} in mathbb{R}^{d_{1}}，查询 s in mathbb{R}^{d_{2}}
注意力总是包括：
计算注意力得分 e in mathbb{R}^{N} (很多种计算方式)
采取softmax来获得注意力分布 alpha

alpha=operatorname{softmax}(boldsymbol{e}) in mathbb{R}^{N}

使用注意力分布对值进行加权求和：从而得到注意力输出 alpha (有时称为上下文向量)

boldsymbol{a}=sum_{i=1}^{N} alpha_{i} boldsymbol{h}_{i} in mathbb{R}^{d_{1}}

5.10 注意力的变体

More information: “Deep Learning for NLP Best Practices”, Ruder, 2017. http://ruder.io/deep-learning-nlp-best-practices/index.html#attention “Massive Exploration of Neural Machine Translation Architectures”, Britz et al, 2017, https://arxiv.org/pdf/1703.03906.pdf

有几种方法可以从 boldsymbol{h}_{1}, ldots, boldsymbol{h}_{N} in mathbb{R}^{d_{1}} 计算 e in mathbb{R}^{N} 和 s in mathbb{R}^{d_{2}}
基本的点乘注意力 boldsymbol{e}_{i}=boldsymbol{s}^{T} boldsymbol{h}_{i} in mathbb{R}
- 注意：这里假设 d_1 = d_2 这是我们之前看到的版本
乘法注意力 e_{i}=s^{T} boldsymbol{W} boldsymbol{h}_{i} in mathbb{R}
- boldsymbol{W} in mathbb{R}^{d_{2} times d_{1}} 是权重矩阵
加法注意力 e_{i}=boldsymbol{v}^{T} tanh left(boldsymbol{W}_{1} boldsymbol{h}_{i} boldsymbol{W}_{2} boldsymbol{s}right) in mathbb{R}
- 其中 boldsymbol{W}_{1} in mathbb{R}^{d_{3} times d_{1}}, boldsymbol{W}_{2} in mathbb{R}^{d_{3} times d_{2}} 是权重矩阵，boldsymbol{v} in mathbb{R}^{d_{3}} 是权重向量，d_3 (注意力维度)是一个超参数

5.11 课程总结

我们学习了一些机器翻译的历史
自2014年以来，神经机器翻译迅速取代了复杂的统计机器翻译
Sequence-to-sequence 是NMT的体系结构(使用2个RNN)
注意力是一种集中注意力的方法
- 从序列到序列改进了很多

6.视频教程

可以点击 B站查看视频的【双语字幕】版本

7.参考资料

本讲带学的在线阅翻页本
《斯坦福CS224n深度学习与自然语言处理》课程学习指南
《斯坦福CS224n深度学习与自然语言处理》课程大作业解析
【双语字幕视频】斯坦福CS224n | 深度学习与自然语言处理(2019·全20讲)
Stanford官网 | CS224n: Natural Language Processing with Deep Learning

深度学习 NLP服务机器学习自然语言处理 seq2seq 注意力机制 cs224n

0 人点赞