ELMo 原理解析

ELMo (Embeddings from Language Models) 是一个深度上下文相关的词嵌入语言模型。运用了多层双向 LSTM 编码器。
论文:Deep contextualized word representations

模型架构


整体上,ELMo 采用了多层双向 LSTM 编码器(上图为双层)构建语言模型,最终取各层 LSTM 的 hidden state 与初始的 word embedding 构成下游任务的输入。

Bi-LSTM LM

前向的语言模型为:

后向的语言模型为:

最终的语言模型极大似然函数为:

其中,$\Theta_{x}$ 是 token 表示层的参数,$\Theta_{s}$ 是 softmax 层的参数,这两个参数在前向和后向的语言模型中是共享的,只有 LSTM 的参数不同。

ELMo

对于一个 token $t_k$,$L$ 层的 Bi-LSTM 可以得到 $2L+1$ 个表示,最终通过拼接得到 $L+1$ 个特征:

其中,$\mathbf{h}_{k, 0}^{L M}=[\mathbf{x}_{k}^{L M}; \mathbf{x}_{k}^{L M}]$ 是 token embedding 重复拼接得到的向量,$\mathbf{h}_{k, j}^{L M}=[\overrightarrow{\mathbf{h}}_{k, j}^{L M}; \overleftarrow{\mathbf{h}}_{k, j}^{L M}]$ 是双向的 LSTM 层 hidden state 拼接得到的向量。
对于下游的监督学习任务,一般的做法是直接取 LSTM 最顶层的 hidden state 作为特征,但 ELMo 认为模型不同层学到的是不同的信息,所以应该对得到的 $L+1$ 个特征计算一个加权组合:

其中,$s_{j}^{t a s k}$ 是一个 softmax 归一化的权重系数,用于指示每一层应该放置多少关注度,$\gamma^{t a s k}$ 是一个全局的缩放系数,实验证明其非常重要。

下游任务使用

对于一部分任务,将原始的嵌入向量和 ELMo 加权向量拼接即可作为下游任务的特征:$\left[\mathbf{x}_{k} ; \mathbf{E} \mathbf{L} \mathbf{M} \mathbf{o}_{k}^{t a s k}\right]$
对于一部分任务,将 LSTM 某些中间层的嵌入向量和 ELMo 加权向量拼接可提升效果:$\left[\mathbf{h}_{k} ; \mathbf{E} \mathbf{L} \mathbf{M} \mathbf{o}_{k}^{t a s k}\right]$
某些情况下,在下游任务中 fine-tuning 可极大的提升效果。

模型特点

优势

  • 上下文相关的 contextual 语言模型:减轻一词多义的影响;
  • 双向编码语言模型;
  • 模型深。
  • 不同的层捕获到不同的自然语言信息:较低层捕获到语法信息,较高层捕获到语义信息。

缺点

  • 是伪的双向模型;
  • 特征抽取器为 LSTM 而不是更强的 Transformer

参考

官方网址:https://allennlp.org/elmo
官方 GitHub:https://github.com/allenai/bilm-tf