理解 Word Embedding，全面拥抱 ELMO

提到 Word Embedding ，如果你的脑海里面冒出来的是 Word2Vec ，Glove ，Fasttext 等。那我猜你有 80%的概率是从事和 NLP 相关的工作或者至少是一个算法爱好者 ( 这貌似是一个真命题，哈哈 ) 。其实简单来说 Word Embedding 就是把词转换成向量的形式。计算机只识别二进制，智能问答系统，我们需要计算机理解的是文字。此时我们就需要将文字转换成数字，向量的形式。最简单的一种方式就是 one-hot 表示。这种方法没有语义的理解。把词汇表中的词排成一列，对于某个单词 A ，如果它出现在上述词汇序列中的位置为 k ，那么它的向量表示就是 ” 第 k 位为 1，其他位置都为 0 ” 的一个向量。这种表示表示学不到单词之间的关系 ( 任意两个单词向量的内积都为 0 ) ，并且如果词汇表很大，词向量会很长，带来维度上的灾难。无论是 Word2Vec 还是 Glove 和 Fasttext ，都完美的解决了上述两个问题，在训练的过程中，为每一个词生成一个向量，Word2Vec 训练的目的就是为了产生词向量，而 Fasttext 算法主要是为了做文本分类，词向量只是其副产物，中间会产生词向量。

这种方法在语义理解上效果比较好，可以将语义相似的词用相似的向量表示 ( 向量夹角小 ) ，但是有个缺点，训练好之后每个单词的表达就固定住了，以后使用的时候，不论新句子上下文单词是什么，这个单词的 Word Embedding 不会跟着上下文场景的变化而改变，如：“ 我喜欢吃苹果 ”，“ 很多人觉得苹果手机很好用 ” 。这两个句子中的苹果是不同的语义，表示不同的对象，没有办法表示出来。

历史总是惊人的相似，resnet 的出现颠覆了 cv 领域，刷爆了各大比赛的排行榜。Bert 登上历史的舞台，基本刷新了很多 NLP 任务的最好性能，有些任务还被刷爆了。牛顿曾经说过：如果说我看得比别人更远些，那是因为我站在巨人的肩膀上。同样，Bert 算法是站在 elmo ，GPT 等一系列算法的基础上。Bert 是近年来 NLP 重大进展的集大成者。之后我会逐步把这些都总结下来做成一个系列，第一篇我们先介绍语言模型预训练的鼻祖 ELMO ，ELMO 是 “ Embedding from Language Models ” 的简称，但论文题目是 “ Deep contextualized word representations ” ，这里面有两个关键词，一个是 deep ，一个是 context 。这两个词诠释了 ELMO 模型的精髓，利用深度网络学习单词的上下文。模型的本质和代码我会在下面的篇幅中逐步展开。

1. 理解 Word Embedding

我相信你或多或少都听过 FM 算法，目前推荐领域各种算法都可以看到 FM 的影子，FM 使得推荐领域达到了一个新的巅峰。无论是原始 FM 算法还是他的变形，FFM ，wide & deep ，DCN ，DeepFM ，会为每一个特征学习一个 latent vector 。这种特征 embedding 模式应该是 Word Embedding 方法的老前辈，这也充分体现了 Word Embedding 的重要性。

1.1 图像预训练

你可能会对这个题目比较好奇，我们要讲的是 Word Embedding ，这个是不是有点跑题了。之所以有这个章节，因为或许你会经常听到搞图像的人说，“ 我今天 Fine Tuning 了一个 base model ，我用 ImageNet 上训练的模型作为冷启动 ” 等一系列相关的内容。所以，我想花一点篇幅来解释一下图像领域的预训练。

下图对网络的训练进行了可视化，由图中可以看出：

第一个隐藏层主要提取图像的纹理，线条等特征，第二个隐藏藏提取人脸五官轮廓，第三个隐藏层提取了人脸的轮廓。Deep learning 底层的网络主要提取的是图像的基础特征，随着网络深度的加深，才会提取到更多的语义信息。换句话说就是高层特征和具体的任务相关。无论是图像分类还是图像检测，我们都需要图像的基础特征。因此我们当然可以使用在 ImageNet 上训练网络提取基础特征。ImageNet 数据集大，种类多，对于网络提取到的基础特征泛化能力强。这样总比我们随机初始化网络，在我们自己的数据上从头开始训练强。采用 ImageNet 上预训练的网络，有两种做法，一种是加载浅层网络的特征，在自己的任务上训练时，保持不变，前面的网络就像 “ 冻住 ” 了，反向传播时，不进行梯度更新，称之为 “ Frozen ” 。另外一种方式是浅层网络也随机训练变化，不过学习率相对于后面深层网络，会比较小，这个称之为 “ Fine Tuning ” 。

现在主流的 backbone 网络如 resnet ，inception ，FPN 等网络参数动不动就是上千万甚至上亿。在自己的数据集上从头开始训练网络，往往都是欠拟合，此时会借助预训练的方式。如果训练数据少，更适合用 “ Frozen ” 的方式，网络集中精力调整深层的网络。当训练数据集比较大的时候，可以使用 Fine-Tuning 的方式。

1.2 Word Embedding 预处理

言归正传，Word Embedding 计算词向量只是很小的一个功能，Word Embedding 更多的用处是用在预处理中。你可能会感觉到迷惑，Word Embedding 怎么作为预训练？就如我们前面介绍的，计算机识别的是数字。Word Embedding 只是将 character 转换成向量的过程，为具体的下游任务提供服务。如下图的智能问答系统，我们将每一个问题转换成词向量的形式，输送到网络里面进行训练。

和上面介绍的图像预训练一样，我们在具体训练中，既可以冻结词向量，也可以进行微调，我们可以把 embedding 看成网络的一部分。当然我们也可以随机初始化右边的 embedding 矩阵，训练的过程中，利用反向传播更新 embedding 矩阵。

现实任务中，我们同样面临这两个问题，一是我们的数据集可能有限，二是我们更关心的是需求本身，希望网络更多的关注在业务层面。

从以上两点出发，都可以看出 Word Embedding 作为预训练的重要性和必要性。

2. 理解 ELMO

通过上面，我们知道了 Word Embedding 作为上游任务，为下游具体业务提供服务。因此，得到单词的 Embedding 向量的好坏，会直接影响到后续任务的精度，这也是这个章节的由来。google 2013 年提出开的 word2vec 算是佳作 ( 我个人觉得，google 出品的好多都非常靠谱 ) ，算是开辟了词向量的新天地。缺点是对于每一个单词都有唯一的一个 embedding 表示，而对于多义词显然这种做法不符合直觉，而单词的意思又和上下文相关，ELMO 的做法是我们只预训练 language model ，而 word embedding 是通过输入的句子实时输出的, 这样单词的意思就是上下文相关的了, 这样就很大程度上缓解了歧义的发生。且 ELMO 输出多个层的 embedding 表示，试验中已经发现每层 LM 输出的信息对于不同的任务效果不同，因此对每个 token 用不同层的 embedding 表示会提升效果。

2.1 理论

ELMO 使用了双向循环神经网，包含了一个正向的和一个反向的 LSTM 。如图：

给定 k 个 $\mathrm{t}\mathrm{o}\mathrm{k}\mathrm{e}\mathrm{n}(t_1,t_2,\cdots ,t_k)$，会同时进入正向网络和反向网络。我们知道，语⾔模型即 k−1 阶⻢尔可夫链 ( Markov chain of order k−1 ) ，这⾥的⻢尔可夫假设是指⼀个词的出现只与前⾯ k−1 词相关。 所以，当给定的前 k−1 个 token 序列，计算第 k 个 token 出现的概率，可以得到如下计算公式：

显然，模型优化的目标是似然概率最大，即

这个优化函数是连乘，一个通用的套路就是转而求解对数似然概率最大：

如上图，正向，反向网络有两层 LSTM ，每次都会输出一个 final_state 向量。如果有 l 层，ELMO 会输出 2l 个 final_state 向量，final_state 向量和最后词的 Word Embedding 息息相关。再加上开始的词转换成 Embedding 输入到网络中的向量，总共有 2l+1 个向量决定了每个词的 Word Embedding：

其中，$h_{k,0}^{LM}$ 是对 token 直接编码的结果 (这里是对字符进行CNN编码,这个我会在下一个章节代码分析的时候讲) ，即上式的 $x_k^{LM}$。

是每个 final_state 向量。ELMO 中所有层的输出 $R_k$ 压缩为单个向量 $EL{M}_{O_k}=E(R_k;{\Theta }_{ϵ})$。最简单的压缩方法是取最后一层的输出做为 token 的表示：

更通用的做法是通过一些参数来联合所有层的信息:

$s_j$ 是一个 softmax 出来的结果，$\gamma$ 是任务相关的 scale 参数。

Pre-trained 的 language model 是用了两层的 LSTM ，对 token 进行上下文无关的编码是通过 CNN 对字符进行编码, 然后将三层的输出 scale 到 1024 维，最后对每个 token 输出 3 个 1024 维的向量表示。这里之所以将 3 层的输出都作为 token 的 embedding 表示是因为实验已经证实不同层的 LSTM 输出的信息对于不同的任务作用是不同的, 也就是所不同层的输出捕捉到的 token 的信息是不相同的。此时得到 token 的 embedding vector ，就包含了 context 的信息了。

2.2 代码分析

我看的是 TensorFlow 版本代码的实现，代码地址：

https://github.com/allenai/bilm-tf

关于代码如何运行，我就不在此展开了，作者的 readme 里面写的比较清楚。我们关心的是代码的运行流程和一些看论文不是很清楚的地方 ( 如 2.1 里面提到的 CNN 对字符编码等 ) 。整个代码的流程图如下，我会分模块逐步介绍。

2.2.1 加载 vocabulary

在这个模块中，读取 vocab_file 文件，加载到内存中，方便后续的查找。max_word_length 指的是每个单词的最大长度是多少，程序中默认的是 50。

#加载vocabularydef load_vocab(vocab_file, max_word_length=None):if max_word_length:return UnicodeCharsVocabulary(vocab_file, max_word_length,                                      validate_file=True)else:return Vocabulary(vocab_file, validate_file=True)

在 load_vocab 方法中，创建 UnicodeCharsVocabulary 对象并返回。在构造函数中，读取 vocab_file 文件，设置两个很重要的变量 _id_to_word 和 _word_to_id ，将索引转换成单词和单词转换成索引，前一个是数组，后一个是词典。并且将每一个单词的字符转换成对应的 ASCII 码值，每个单词对应了一个向量。将转换后的结果存放到了 _convert_word_to_char_ids 变量中，形状是 ( num_words,max_word_length ) 。还提供了一系列的方法，比如单词与索引的转换，对字符的编码等。

2.2.2 构造数据集生成器

在构造函数中，首先创建了 LMDataset 对象，一个用正向网络一个用于反向的网络。最主要的工作是将单词转换成对应的索引存到 ids 中，以及每个单词转换成 ASCII 码对应的向量存到 chars_ids 中。ids 是二维向量，chars_ids 是三维向量。有了这些，就可以构造 data generator 了。下面列出了最重要的一个方法，每次获取一个 batch 的数据。

def _get_batch(generator, batch_size, num_steps, max_word_length):    """Read batches of input."""    cur_stream = [None] * batch_size

    no_more_data = False    while True:        #todo 输入大小        inputs = np.zeros([batch_size, num_steps], np.int32)        if max_word_length is not None:            #todo 每个单词的输入，将单词转化成数字            char_inputs = np.zeros([batch_size, num_steps, max_word_length],                                np.int32)        else:            char_inputs = None

        targets = np.zeros([batch_size, num_steps], np.int32)

        for i in range(batch_size):            cur_pos = 0

            while cur_pos < num_steps:                if cur_stream[i] is None or len(cur_stream[i][0]) <= 1:                    try:                        cur_stream[i] = list(next(generator))                    except StopIteration:                        # No more data, exhaust current streams and quit                        no_more_data = True                        break                #todo  这个地方减一是为了构造target                how_many = min(len(cur_stream[i][0]) - 1, num_steps - cur_pos)                next_pos = cur_pos + how_many

                inputs[i, cur_pos:next_pos] = cur_stream[i][0][:how_many]                if max_word_length is not None:                    char_inputs[i, cur_pos:next_pos] = cur_stream[i][1][                                                                    :how_many]                #todo 构造target目标                targets[i, cur_pos:next_pos] = cur_stream[i][0][1:how_many+1]

                cur_pos = next_pos

                cur_stream[i][0] = cur_stream[i][0][how_many:]                if max_word_length is not None:                    cur_stream[i][1] = cur_stream[i][1][how_many:]

        if no_more_data:            # There is no more data.  Note: this will not return data            # for the incomplete batch            break

        X = {'token_ids': inputs, 'tokens_characters': char_inputs,                 'next_token_id': targets}

        yield X

num_steps 是序列的长度，也就是我们用于训练 RNN 的时候，考虑了几个时间步长。

2.2.3 构造模型

模型使用了两层的双向循环 LSTM 网络。训练模型的时候有两种方式，一种是为一个单词随机初始化一个 Embedding 向量，还有一种是为每一个单词的每个字母初始化一个随机向量。第一种方式是常见的，我们重点介绍一下第二种，其实理解明白了也就很简单了。tokens_characters 是网络的一个输入，我们在前面小节中已经提到了，我们会把每个字符转换成一个数字。下面展示了一个例子，一个英文单词字母对应的 utf-8 编码。

因此，english 对应的向量就是 [ 101 , 110 , 103 , 108 , 105 , 115 , 104 ] ，当然这个还不是完整的向量，还有开始和结束的特殊字符，以及为了保持向量长度一样的填充字符等。此时，你应该稍微明白一点了吧。embedding_weights 是字符的权重向量，这个是需要随机初始化的，因为我们的目的就是为每一个字符学习到一个 Embedding 向量。现在捋一下，输入到网络中的 tokens_characters 会利用 embedding_lookup 方法，查询到每一个字符对应的 Embedding 向量，结果形状的大小为 ( batch_size, unroll_steps, max_chars, embed_dim ) ，此时你想到了什么。哇塞，一个四维的向量，这不就是标准的图像形状的大小吗？当然第一反应就是利用 CNN 操作。我们在后三个维度上做卷积操作，unroll_steps 看做图像的高度，max_chars 看做宽度，embed_dim 是通道。卷积核的高度去固定值 1，这样可以保证我们的卷积是在同一个单词上进行操作的。最后使用 pooling 操作，确保一个单词得到一个唯一的向量，引用一张网友画的比较形象的图：

#todo #字符的输入 self.tokens_characters = tf.placeholder(DTYPE_INT,                             shape=(batch_size, unroll_steps, max_chars),                             name='tokens_characters')  # the character embeddings  with tf.device("/cpu:0"):      #todo 字符的embedding矩阵      self.embedding_weights = tf.get_variable(              "char_embed", [n_chars, char_embed_dim],              dtype=DTYPE,              initializer=tf.random_uniform_initializer(-1.0, 1.0)      )      # shape (batch_size, unroll_steps, max_chars, embed_dim)      # todo 构造输入数据      self.char_embedding = tf.nn.embedding_lookup(self.embedding_weights,                                              self.tokens_characters)

2.2.4 其它

模型构造好后，会计算损失，保存一些中间值，供下游任务使用。关于代码的一些细节，可以参考我写有注释版的代码。

https://github.com/horizonheart/ELMO

作者介绍

王腾龙，滴滴算法工程师，中科院硕士，主要研究方向为机器学习与 Deepctr 。

本文来自 DataFun 社区

原文链接：

https://mp.weixin.qq.com/s/zfoQd-IOpTU-qCEuRHTU_A