<mark id="oztn4"></mark>
1
| 本文作者： 亞萌 | 2016-12-26 22:03 |
編者按：12月18日，騰訊大數(shù)據(jù)峰會暨KDD China技術(shù)峰會在深圳舉行，華為諾亞方舟實驗室主任李航博士在會上做了題為《自然語言處理中的深度學(xué)習(xí)：過去、現(xiàn)在和未來》的演講，雷鋒網(wǎng)根據(jù)現(xiàn)場演講整理成本文。
深度學(xué)習(xí)在自然語言處理中的應(yīng)用，大概可以分成兩個階段。
第一個階段，主要是完全用深度學(xué)習(xí)的技術(shù)去做自然語言處理，是端到端的一個過程。
第二個階段，因為大家看到了深度學(xué)習(xí)在做自然語言處理的優(yōu)勢和不足， 從而看到了新的機會，把神經(jīng)處理和符號處理結(jié)合起來。
現(xiàn)在第一階段已經(jīng)基本結(jié)束，開始進入第二個階段。所以，未來自然語言處理深度學(xué)習(xí)的發(fā)展趨勢應(yīng)該是一個神經(jīng)處理和符號處理的結(jié)合的混合模式。
我在闡述這個觀點的過程當(dāng)中，也會介紹一下華為諾亞方舟實驗室做的一些工作。華為諾亞方舟實驗室，在整個華為的戰(zhàn)略里，是肩負著人工智能、機器學(xué)習(xí)和數(shù)據(jù)挖掘方面的研究任務(wù)，既有偏長期的工作，也有偏短期的、產(chǎn)品化的工作，那么我今天主要是講一講，我們已經(jīng)進行的基礎(chǔ)性長期性的工作。主要包括自動問答、圖片檢索、機器翻譯、自然語言對話領(lǐng)域里，我們做了哪些模型，取得了什么樣的效果。
如今的自動問答系統(tǒng)最簡單的實現(xiàn)方式就是檢索。
假設(shè)我們有一個問答庫，問答庫充滿了FAQ（常見問題），我們可以把它索引起來構(gòu)建一個檢索系統(tǒng)。那么如果來了一個新問題，我們可以用檢索的技術(shù)，針對問題找到一系列答案候選，把候選答案與問題做匹配并做一個排序（把最相關(guān)的答案排在前面），最后把最合適的答案反饋給用戶。
這里面有兩個很重要的技術(shù)，一個是匹配（Matching），一個就是排序（Ranking）。匹配和排序，往往是通過離線學(xué)習(xí)來完成的，其中要構(gòu)建很好的匹配模型和排序模型。
我們提出了這樣的一個匹配模型“Deep Match Model CNN”，在業(yè)界一定程度上被廣泛使用。其中最基本的想法就是，用卷積神經(jīng)網(wǎng)絡(luò)來去判斷，一個問句和一個答句二者是否可以匹配得很好。
這是一個二維模型（一個問句和一個答句），我們把每一句話看做是詞的序列，每個詞用向量來表示，那么每句話是“向量序列”。我們這個模型可以通過卷積和最大池化從兩個“向量序列”里抽取特征，從而根據(jù)特征來匹配。
圖片檢索，指的就是把圖片和文本相匹配，即給定一張圖片，對應(yīng)找到一個自然語言描述；或者反過來，給定一個自然語言描述，找到一張相關(guān)圖片。
在深度學(xué)習(xí)出來之前，類似“圖片檢索”這樣的事往往是不能做的。現(xiàn)在我們可以用卷積神經(jīng)網(wǎng)絡(luò)來做圖片和文本的匹配。我們這里有兩個CNN，左邊的CNN抽取圖片的特征，右邊的CNN抽取文本的特征，二者的特征做匹配。我們基于大量的這種“成對”的數(shù)據(jù)來訓(xùn)練模型。
下面我給大家做一個演示，這是我們基于30萬對的文本和圖片，訓(xùn)練得到的一個匹配模型。比如，你輸入一個自然語言描述“跟朋友公園玩耍的照片”，便得到如下圖片檢索結(jié)果。
我們把從網(wǎng)上爬來的每張照片里，人為標注了兩三句話的描述，有了這樣的標注數(shù)據(jù)之后，我們構(gòu)建了剛才所講的匹配模型。除此之外，沒有對圖片和自然語言做任何其他的處理。我們在檢索結(jié)果里可以看到，頭10張圖片里往往都有兩三張非常相關(guān)的圖片，準確率是相當(dāng)高了。
現(xiàn)在用神經(jīng)網(wǎng)絡(luò)去做機器翻譯的話，最典型的模型是基于循環(huán)神經(jīng)網(wǎng)絡(luò)RNN模型，也叫做“序列對序列學(xué)習(xí)”（Sequence to Sequence Learning）。如果現(xiàn)在我們把中文翻譯為英文，那么中文就是“源語言”，英文就是“目標語言”。
前面我們提到，可以把自然語言描述轉(zhuǎn)變成“向量序列”。機器翻譯，實際上就是把中文（源語言）表示的“向量序列”轉(zhuǎn)換成英文（目標語言）的"向量序列"，然后進行這種翻譯。
這個當(dāng)中有一個重要的機制，叫做Attention，將源語言序列和目標語言序列動態(tài)對應(yīng)在一起。比如現(xiàn)在要生成“Sitting”這個單詞，那么我們就要通過Attention機制，反向從源語言中找到跟“Sitting”最相關(guān)的單詞“坐”。
我們在已有的模型基礎(chǔ)上做了一個比較大的改進，在其中加入了一個覆蓋向量機制（Coverage Vetor）。為什么要引入這個機制呢？傳統(tǒng)的神經(jīng)翻譯機器模型，會產(chǎn)生過翻譯（重復(fù)翻譯）或少翻譯的現(xiàn)象，那么Coverage Vetor機制，就用來記憶到目前為止，我們到底翻譯了多少內(nèi)容，并據(jù)此動態(tài)地去調(diào)整Attention機制。
比如在英文里面我們要產(chǎn)生"The"這樣虛詞的時候，它受到源語言的影響比較少，因為這是英文自己的語言特性決定要用“The”這樣的詞，所以這時就需要我們的Attention弱一些。所以我們需要動態(tài)地去調(diào)整Attention機制，從而大幅度提高機器翻譯的準確率。
下面看一看我們的模型運行的效果。比如，我們到互聯(lián)網(wǎng)上隨便找一句話:
“據(jù)韓國媒體報道，因為大量中國游客取消預(yù)約，正在韓國大邱居心搞的‘炸雞啤酒節(jié)’一項核心活動告吹。”
以下分別是諾亞方舟的神經(jīng)模型和網(wǎng)上某個在線翻譯系統(tǒng)給出的結(jié)果，大家可以對比來看。
需要提到的一點是，我們的這個模型是最基本的狀態(tài)，并沒有做其它工程上的事情。粗略來看的話，我們用這個深度學(xué)習(xí)做出的翻譯結(jié)果更加流暢，當(dāng)然也有一些問題，就是有些詞它還沒有翻譯出來。
那么我們這個系統(tǒng)跟其他業(yè)界相比，是個什么水平呢？
在同一個測試題上，我們跟谷歌的NMT神經(jīng)系統(tǒng)相比，還是有點差距（大約差3-4個百分點），因為他們有更大的訓(xùn)練庫和更強的計算架構(gòu)。但我們這個非常初級的模型，相比于互聯(lián)網(wǎng)的一般的搜索引擎里面提供的機器翻譯功能，效果已經(jīng)好很多了。
在自然語言對話這塊，我們提出了一個叫做“Neural Responding Machine”的模型，這是業(yè)界第一個完全基于深度學(xué)習(xí)的模型去做的單輪對話系統(tǒng)。
剛才我們談到的幾點，包括自動問答、機器翻譯，都是基于“檢索”的，那么對話系統(tǒng)的特點，就是基于“生成”的。
當(dāng)你輸入一句話到這個系統(tǒng)里，這個系統(tǒng)會自動產(chǎn)生一個回復(fù)，這個模型是通過大量的數(shù)據(jù)訓(xùn)練出來的，也是一個“序列對序列學(xué)習(xí)”的模型。那么下面，我們可以看一下演示。
這個系統(tǒng)是我們根據(jù)微博400萬份數(shù)據(jù)訓(xùn)練而成的，比如當(dāng)你輸入“我想買一部三星手機”，系統(tǒng)會自動生成回答“還是支持一下國產(chǎn)吧”。
這句生成的話，不是我們教它說的，而是它自己產(chǎn)生出來。我們來看第二個例子。
問：華為手機怎么樣？
答：用了都說好。
（臺下爆發(fā)一陣笑聲）第二個例子實際上是開玩笑的，如果多次讓系統(tǒng)看到這樣的對話，它就會這樣去說了。
所以這個模型是有記憶功能的，但卻不是死記。在經(jīng)過大量數(shù)據(jù)訓(xùn)練之后，它能夠在96%的情況下產(chǎn)生自然的回復(fù)，這個是非常令人吃驚的。并且在76%的情況下，可以形成一個單輪的對話。其實自然語言對話還是非常難的，剛才看到這樣的簡單機制還是很難幫我們真正地去實現(xiàn)自然語言對話系統(tǒng)，這是需要大概上億參數(shù)、幾百萬的神經(jīng)元，把對話的模式（Pattern）記憶下來，從而產(chǎn)生回復(fù)。
剛剛的幾個例子里，用大數(shù)據(jù)、深度模型完成一些端到端的任務(wù)，而且準確率還不錯。特別是圖片搜索和機器翻譯方面，有的甚至可以接近和達到實用水平。同時，我們也明顯看到深度學(xué)習(xí)在自然語言處理方面的一些局限，它針對長尾現(xiàn)象比較弱，很難結(jié)合人類的知識。在實際應(yīng)用中，我們希望將類似人類的一般知識放到機器系統(tǒng)里，讓這個系統(tǒng)能夠跟我們?nèi)艘粯樱褂眠@些知識。如果純粹使用神經(jīng)網(wǎng)絡(luò)模型往往是比較困難的，所以未來的自然語言處理的發(fā)展方向，應(yīng)該是深度學(xué)習(xí)（神經(jīng)處理）與符號處理的結(jié)合。
所以我們面臨很多挑戰(zhàn)性的任務(wù)，但我們已經(jīng)開始在這方面做一些嘗試。
下面介紹幾個例子，一個是在自動問答領(lǐng)域，我們提出一個名為“Neural Enquirer”的模型，當(dāng)然我們現(xiàn)在還在不斷改進這個模型。這個模型最基本的想法就是結(jié)合符號處理和神經(jīng)處理。比如，我們有一個包含大量“奧林匹克運動會”問答關(guān)系的數(shù)據(jù)庫。來了一個問詢語句，比如：
Which city hosted the longest Olympic game before the game in Beijing?
這樣一個長句對應(yīng)著一個非常復(fù)雜的命令，我們用神經(jīng)網(wǎng)絡(luò)將其轉(zhuǎn)換成向量表示，與數(shù)據(jù)庫里的向量表示做匹配，經(jīng)過多次匹配來真正找到復(fù)雜的邏輯關(guān)系，最后找到答案。
我們另外在做的一個事情，也是問答系統(tǒng)，跟剛才所講到的相似但不完全一樣。我們用到了一個包含知識圖譜的知識庫，包括“三元組”（圖中所示為 Learning System、Knowledge Graph和Question Answering System），據(jù)此提出了一個名為“GenQA”的模型，它可以結(jié)合符號處理和神經(jīng)處理，既用符號又用分布式表達做檢索，通過神經(jīng)網(wǎng)絡(luò)產(chǎn)生答案。因為時間關(guān)系，這個模型的具體細節(jié)我不詳細介紹了。
我們還在做的一件事情，就是將神經(jīng)機器翻譯（NMT）和統(tǒng)計機器翻譯（SMT）結(jié)合起來。其基本想法就是，傳統(tǒng)的統(tǒng)計機器翻譯有很多優(yōu)勢，那么當(dāng)我們在使用神經(jīng)機器翻譯的時候，用統(tǒng)計機器翻譯來輔助。因為NMT嚴重依賴于大數(shù)據(jù)，如果數(shù)據(jù)不足，往往還不如你用傳統(tǒng)的SMT方法來的好。這種結(jié)合，能夠提升解決實際問題的能力，比如翻譯不當(dāng)或?qū)τ谖吹侨朐~的翻譯問題。
我們剛才談到“序列對序列學(xué)習(xí)”可以幫助我們?nèi)プ鰴C器翻譯，也就是說NMT靠自己來決定產(chǎn)生哪些詞，那么在新模型里，SMT也會對詞的產(chǎn)生造成影響，這兩者結(jié)合起來，判斷最終應(yīng)該產(chǎn)生什么樣的詞。這樣可以在一定程度上，提升翻譯的準確度。
剛剛我們提到單輪對話做到了76%的準確率，我們希望能夠把準確率再進一步提升。不知大家有沒有觀察到這么一個現(xiàn)象，那就是我們在跟別人聊天的時候，往往會去重復(fù)一些對方已經(jīng)說過的詞組。比如說會發(fā)生這樣的對話：
-My Name is Harry Potter.
-Hi, Harry Potter.
這樣的一個對話是蠻自然的。所以一個可能重要的機制就是，把問句里的一部分復(fù)制到我們答句里，使得單輪對話的效果更好、更順暢。我們可以考慮這樣的一個叫做“CopyNet”的模型，其效果是非常好的。前面我們提到，單輪對話也是“序列對序列學(xué)習(xí)”，那么當(dāng)我們產(chǎn)生組成答句的各個詞匯時，就需要決定在某個位置產(chǎn)生特定的詞，所以每個位置都面臨一個動態(tài)的選擇：是生成新的詞，還是從輸入語句里復(fù)制一些詞過來。
以上就是我們?nèi)A為諾亞方舟實驗室大致進行的工作，總的來說就是：深度學(xué)習(xí)確實給自然語言處理帶來了一些突破性進展，主要體現(xiàn)在能夠端到端地訓(xùn)練模型以完成不同的任務(wù)，包括自動問答、機器翻譯和圖片檢索等，但是它仍然有一定的局限性。當(dāng)自然語言處理牽涉到更高層次的推理、知識等方面內(nèi)容時，這種局限性就很容易凸顯出來。所以我們現(xiàn)在采取的方法就是將深度學(xué)習(xí)和符號處理結(jié)合起來，這也就是自然語言處理未來的發(fā)展方向。
PS：關(guān)注雷鋒網(wǎng)（微信公眾號：雷鋒網(wǎng)）
相關(guān)文章：
語音交互的痛點，為什么扎克伯格精心打造的AI“賈維斯”還會出糗？
AI 初學(xué)者入門指南：深度學(xué)習(xí)的五級分類
