[[206924]]

在自然語言處理領(lǐng)域，深度學(xué)習(xí)的承諾是：給新模型帶來更好的性能，這些新模型可能需要更多數(shù)據(jù)，但不再需要那么多的語言學(xué)專業(yè)知識。

關(guān)于深度學(xué)習(xí)方法有很多炒作和大話，但除了炒作之外，深度學(xué)習(xí)方法正在為挑戰(zhàn)性問題取得***進(jìn)的結(jié)果，特別是在自然語言處理領(lǐng)域。

在這篇文章中，您將看到深度學(xué)習(xí)方法應(yīng)對自然語言處理問題的具體前景?？赐赀@篇文章后，你會知道：

1. 自然語言處理深度學(xué)習(xí)的承諾。
2. 深度學(xué)習(xí)從業(yè)人員和研究科學(xué)家對自然語言處理深度學(xué)習(xí)的承諾有什么說法。
3. 自然語言處理的重要深度學(xué)習(xí)方法和應(yīng)用。

讓我們開始吧。

深度學(xué)習(xí)的承諾

深度學(xué)習(xí)的方法很受歡迎，主要是因為它們兌現(xiàn)了當(dāng)初的承諾。

這并不是說在技術(shù)上沒有任何炒作，而是說，這種炒作是基于非常真實的成果。這些成果正在從計算機(jī)視覺和自然語言處理的一系列***挑戰(zhàn)性的人工智能問題中得到證實。

深度學(xué)習(xí)力量的***次大型展現(xiàn)，就是在自然語言處理領(lǐng)域，特別是在語音識別方面。 最近的進(jìn)展則是在機(jī)器翻譯方面。

在這篇文章中，我們將看到，自然語言處理領(lǐng)域的深度學(xué)習(xí)方法的五個具體承諾。這些承諾是這個領(lǐng)域的研究人員和從業(yè)人者最近所強(qiáng)調(diào)的，而這些人面對這些承諾的態(tài)度比一般的新聞報道要克制得多。

總而言之，這些承諾是：

深度學(xué)習(xí)插入替換現(xiàn)有模型 。深度學(xué)習(xí)方法可以插入現(xiàn)有的自然語言系統(tǒng)，由此產(chǎn)生的新模型可以實現(xiàn)同等或更好的性能。

新NLP模型 。深度學(xué)習(xí)方法提供了新的建模方法以挑戰(zhàn)自然語言問題(如序列-序列預(yù)測)。

特征學(xué)習(xí) 。深度學(xué)習(xí)方法可以從模型所需的自然語言中學(xué)習(xí)特征，而不需要專家指定、提取特征。、

持續(xù)改進(jìn)。自然語言處理中的深度學(xué)習(xí)的表現(xiàn)是基于真實世界的結(jié)果，并且所帶來的改進(jìn)正在持續(xù)，還可能加速。

端對端模型 。大型端對端深度學(xué)習(xí)模型可以適應(yīng)自然語言問題，提供更一般和更好的方法。

我們現(xiàn)在將仔細(xì)看看這些承諾中的每一個。其實自然語言處理深度學(xué)習(xí)還有一些其他承諾;，這些只是我從中選擇的最突出的五個。

深度學(xué)習(xí)插入替換現(xiàn)有模型

自然語言處理中的深度學(xué)習(xí)的***個承諾是，能夠用具有更好性能的模型替代現(xiàn)有的線性模型，能夠?qū)W習(xí)和利用非線性關(guān)系。

Yoav Goldberg在他的《NLP研究人員神經(jīng)網(wǎng)絡(luò)入門》中強(qiáng)調(diào)，深度學(xué)習(xí)方法取得了令人印象深刻的成果，他說在此文中說：“最近，神經(jīng)網(wǎng)絡(luò)模型也開始應(yīng)用于文本自然語言信號，并再次帶來了非常有希望的結(jié)果。”

他還繼續(xù)強(qiáng)調(diào)，這些方法易于使用，有時可用于批量地替代現(xiàn)有的線性方法。他說：“最近，該領(lǐng)域在從稀疏輸入的線性模型切換到稠密數(shù)據(jù)的非線性神經(jīng)網(wǎng)絡(luò)模型方面取得了一些成功。大多數(shù)神經(jīng)網(wǎng)絡(luò)技術(shù)都很容易應(yīng)用，有時候幾乎可以替代舊的線性分類器;不過，在許多情況下仍存在著使用神經(jīng)網(wǎng)絡(luò)的障礙。”

新NLP模型

另一個承諾是，深度學(xué)習(xí)方法有助于開發(fā)全新的模型。

一個很好的例子是，使用能夠?qū)W習(xí)和判斷超長序列輸出的循環(huán)神經(jīng)網(wǎng)絡(luò)。 這種方法與從前的完全不同，因為它們允許NLP從業(yè)者擺脫傳統(tǒng)的建模假設(shè)，并實現(xiàn)***進(jìn)的結(jié)果。

Yoav Goldberg在其NLP深度學(xué)習(xí)的專著《自然語言處理的神經(jīng)網(wǎng)絡(luò)方法》第xvii頁指出，像循環(huán)神經(jīng)網(wǎng)絡(luò)這樣復(fù)雜神經(jīng)網(wǎng)絡(luò)模型可以帶來全新的NLP建模機(jī)會。他說，“在2014年左右，該領(lǐng)域已經(jīng)開始看到，在從稀疏輸入的線性模型到稠密輸入的非線性神經(jīng)網(wǎng)絡(luò)模型的轉(zhuǎn)換方面，已取得了一些成功。 .……其他的變化更高級，需要研究者改變思維，并能帶來新的建模機(jī)會。特別是，基于循環(huán)神經(jīng)網(wǎng)絡(luò)(RNNs)的一系列方法減輕了對序列模型中普遍存在的馬爾可夫假設(shè)的依賴，允許以任意長序列為條件，并產(chǎn)生了有效的特征提取器。 這些進(jìn)步導(dǎo)致了語言建模、自動機(jī)器翻譯和其他應(yīng)用的突破。”

特征學(xué)習(xí)

深度學(xué)習(xí)方法具有學(xué)習(xí)特征表示的能力，不必要求專家從自然語言中人工指定和提取特征。

NLP研究員Chris Manning在自然語言處理深度學(xué)習(xí)課程的***次講座中突出了這方面的觀點。

他描述了人工定義輸入特征的局限性：按照這種方法，在之前的應(yīng)用中，機(jī)器學(xué)習(xí)只是在統(tǒng)計NLP中證明人類事先定義的特征，并且計算機(jī)幾乎沒有學(xué)習(xí)。

Chris 認(rèn)為，深度學(xué)習(xí)方法帶來的承諾是自動特征學(xué)習(xí)。 他強(qiáng)調(diào)，特征學(xué)習(xí)是自動的，而不是人工;它易于適應(yīng)，不脆弱，并可以不斷自動地改善。

Chris Mining 在2017年的《自然語言處理與深度學(xué)習(xí)》講座***講幻燈片中說，“一般來說，我們?nèi)斯ぴO(shè)計的特征往往被過度地指定，它們不完整，需要很長時間才能設(shè)計和驗證，會讓你忙活一天后只能達(dá)到有限的性能水平。而深度學(xué)習(xí)到的特征易于適應(yīng)，能快速訓(xùn)練，它們可以持續(xù)學(xué)習(xí)，以便達(dá)到以前未能實現(xiàn)的、更好的性能水平。

持續(xù)改進(jìn)

NLP的深度學(xué)習(xí)的另一個承諾是，在挑戰(zhàn)性問題上持續(xù)快速改進(jìn)。

在《自然語言處理與深度學(xué)習(xí)》講座***講中，Chris Manning表示，深度學(xué)習(xí)的方法很受歡迎，因為它們很管用。他說，“深度學(xué)習(xí)對大多數(shù)人來說如此令人興奮的真正原因是，它確實管用。“

他強(qiáng)調(diào)，深度學(xué)習(xí)的初步結(jié)果令人印象深刻。深度學(xué)習(xí)在語音領(lǐng)域的表現(xiàn)比過去30年中任何其他方法的表現(xiàn)都更好。

Chris 提到，深度學(xué)習(xí)帶來的不僅是***進(jìn)的成果，而且是不斷改進(jìn)的進(jìn)步速度。他說，”……在過去的六七年中，非常令人驚嘆的是，深度學(xué)習(xí)方法一直在不斷改進(jìn)，并以驚人的速度變得更好。 我其實想說，這是***的，我看到這個領(lǐng)域飛速地進(jìn)展，每個月都會推出更好的方法。“

端對端模型的承諾

深度學(xué)習(xí)的最終承諾是，開發(fā)和訓(xùn)練自然語言問題的端對端模型能力，而不是為專門模型開發(fā)流程。

端對端模型不僅能改進(jìn)模型的性能，也能帶來更好的開發(fā)速度和簡潔性。

神經(jīng)機(jī)器翻譯(簡稱NMT)是指，嘗試學(xué)習(xí)將一種語言翻譯成另一種語言的大型神經(jīng)網(wǎng)絡(luò)。 傳統(tǒng)上，這是由一系列手工調(diào)整的模型組成的流程來處理的，而流程中的每個模型都需要專業(yè)語言知識。

Chris Manning 在斯坦福大學(xué)NLP深度學(xué)習(xí)課程第十講《神經(jīng)機(jī)器翻譯和注意模型》中描述了這一點。他說：”神經(jīng)機(jī)器翻譯是指，我們想要做的是構(gòu)建一個大型神經(jīng)網(wǎng)絡(luò)，在這個網(wǎng)絡(luò)中我們可以對訓(xùn)練整個端到端機(jī)器翻譯過程并進(jìn)行優(yōu)化。……這種遠(yuǎn)離人工定制模型、朝向端到端、序列到序列預(yù)測模型的趨勢，一直是語音識別的趨勢。 這樣做的系統(tǒng)被稱為NMT (神經(jīng)機(jī)器翻譯)系統(tǒng)。

設(shè)計端到端模型，而非為專門系統(tǒng)設(shè)計流程，這也是語音識別的一個趨勢。

在斯坦福NLP課程第十二講《語音處理的端到端模型》中，目前就職于Nvidia的 NLP研究員Navdeep Jaitly強(qiáng)調(diào)，語音識別的每個組成部分都可以用神經(jīng)網(wǎng)絡(luò)來代替。自動語音識別流程中的幾大組塊是語音處理，聲學(xué)模型，發(fā)音模型和語言模型。問題是，每個組塊的屬性和錯誤類型是不同的。這激發(fā)了開發(fā)一個神經(jīng)網(wǎng)絡(luò)來端到端地學(xué)習(xí)整個問題的需要。

他說，“隨著時間的推移，人們開始注意到，如果我們使用神經(jīng)網(wǎng)絡(luò)，這些組件中的每一個都可以做得更好。 ……但是，仍然有一個問題。 每個組件都有各自的神經(jīng)網(wǎng)絡(luò)，但是每個組件中的錯誤都是不同的，所以它們可能無法很好地協(xié)同工作。 所以這讓我們擁有動機(jī)，嘗試去把整個語音識別當(dāng)作一個大模型來訓(xùn)練。”

自然語言處理深度學(xué)習(xí)網(wǎng)絡(luò)的類型

深度學(xué)習(xí)是一個很大的學(xué)習(xí)領(lǐng)域，并不是它的所有內(nèi)容都與自然語言處理相關(guān)。

哪些類型的深度學(xué)習(xí)模型能提升性能?學(xué)習(xí)者在具體優(yōu)化方法上很容易陷入泥沼。

從較高層次看，深度學(xué)習(xí)中有5種方法在自然語言處理中應(yīng)用最為廣泛。

他們是：

• 嵌入圖層
• 多層感知器(MLP)
• 卷積神經(jīng)網(wǎng)絡(luò)(CNN)
• 循環(huán)神經(jīng)網(wǎng)絡(luò)(RNNs)
• 遞歸神經(jīng)網(wǎng)絡(luò)(ReNNs)

NLP中的問題類型

深度學(xué)習(xí)不會徹底解決自然語言處理問題或人工智能問題。

迄今為止，在自然語言處理的一系列廣泛問題中，已經(jīng)對深度學(xué)習(xí)方法進(jìn)行了評估，并在其中一些問題上取得了成功。這些成功表明，使用深度學(xué)習(xí)能獲得高于以往的表現(xiàn)或能力。

重要的是，深度學(xué)習(xí)方法取得***成功的領(lǐng)域，恰恰是一些更加面對終端用戶、更具挑戰(zhàn)性也更有趣的問題。

深度學(xué)習(xí)取得成功的5個例子包括：

• 詞表示和詞含義
• 文本分類
• 語言建模
• 機(jī)器翻譯
• 語音識別
• 進(jìn)一步閱讀