機器閱讀將是深度學習的下一個重大進展

 

[[184205]]

回顧2016年，深度學習在應用領域取得了三個重大進展。

1. Google DeepMind 的 AlphaGo，戰勝了人類頂級圍棋高手。

2. Google Translate 上線，達到了與人類媲美的精度。

3. Tesla 的 AutoPilot 投入使用，讓自動導航成為大眾使用的日常工具。

展望2017年，深度學習在應用領域將會有新的突破，其中一大看點，就是機器閱讀。

書籍是人類文明的主要傳承工具。讓機器掌握自動閱讀的能力，將會顛覆性地降低知識傳承和使用的難度。

機器閱讀之所以可能在2017年取得突破性進展，原因是機器翻譯的工作原理，可以拓展到機器閱讀領域。

文本摘要的研究，在2016年取得的進展，已經昭示了機器閱讀的前進方向。

所謂文本摘要，就是把整篇文章，輸入給電腦，電腦自動輸出文章的中心思想。

文本摘要的工作原理，與機器翻譯的工作原理，一脈相承。

機器翻譯的原理，編碼及解碼

機器翻譯的工作原理，說來簡單，先編碼，后解碼 [1]。

編碼的任務，是把輸入的文章，轉換成一連串數字向量，數字向量包含文章每一詞的語義和語法信息，如同基因DNA。

解碼的任務，是把數字向量，逐個轉換成其它語言的詞語，完成翻譯。

任務明確后，接下去談如何實現。

如何提煉文章中每一個詞的語義信息？機器翻譯用了兩個辦法，

1. 詞向量，詞向量包含這一個詞的語義信息。詞向量的實現方式，用的是神經網絡與語言模型的組合，稍后介紹。

2. 語義向量，語義向量包含了從文章開頭到當前詞的主要語義，也包含了從當前詞到文章末尾的主要語義，所以語義向量又稱為前后文向量。語義向量的實現方式，用的是 LSTM 的隱狀態，稍后介紹。

除了語義信息，編碼是否需要容納語法和統計信息？

文本摘要的研究者們，提議在編碼中也容納語法詞性標注（POS tagging）、實體標注（NER）、信息挖掘統計值（TF-IDF）等等信息 [2]。

懸念是，還有哪些其它有用的信息，也應該被容納進編碼中？

更大的懸念是，如何提高編碼的正確性，精準地全面地表達原文的語義和語法信息？

編碼的實現原理

編碼的實現，依賴于詞向量和語義向量。

詞向量的實現方式，用的是神經網絡與語言模型的組合 [3]。

先說語言模型（Language Model），語言模型的任務，是根據前文，預測下一個詞，最可能是什么？

有時候聽眾會打斷對方的發言，說，“你不用再說了，你下面想說什么，我已經猜到了”。這樣的聽眾，腦子里擁有出色的語言模型。

人類語言有缺陷，“版圖” 與 “疆界”，無一字相同，但是語義相同。

語言模型把每一個人類詞匯，對應到一個詞向量。詞向量是數字向量，數字向量的好處在于，容易計算數字向量之間的距離。同義詞的詞向量之間的距離為零，近義詞的詞向量之間的距離較短。

人類詞匯，有一詞多義的情況。詞向量的技術難題，在于如何給多義詞配置多個詞向量。

[3] 用神經網絡，來根據前文，預測下一個出現的詞。

所謂預測，其實是估算詞庫中所有詞匯，哪一個詞匯在下一個出現的概率最大。神經網絡發揮的作用，是概率模擬器。

預測很準的時候，神經網絡中的諸多參數就不需要調整。預測不準的時候，就調整這些參數，提高后續預測的精準度。這就是語言模型訓練的過程。

因為要估算詞庫中所有詞出現的概率，所以訓練語言模型的計算量，往往大得驚人。

解決的辦法，是盡可能縮小候選詞匯的數量。辦法很多，譬如 beam search。

語義向量的實現，依賴 LSTM（Long Short Term Memory）。LSTM 也是一種神經網絡，特色有二 [4]。

1. 循環：神經網絡前一次的輸出，將作為同一個神經網絡下一次的輸入。所以，LSTM 是處理序列的利器，語句就是序列的一種，序列的例子還包括，股票價格波動，心電圖腦電圖，音頻視頻等等。

2. 遺忘：語句中每個詞匯的重要性不同，記住重要的詞匯，忘記冗詞。人類記憶有限，聽演講往往要做筆記，記住要點。電腦的記憶無限，但是也要取舍，避免噪音淹沒了要點。

人類聽演講時，把要點寫在筆記本里。LSTM 處理序列時，把要點存儲在隱狀態里。

隱狀態（Hidden State）也是數字向量，隱狀態數字向量的維度，往往比詞向量的維度高。就像筆記本里能夠寫下很多詞匯。

但是隱狀態向量并非詞向量的簡單積累。隱狀態向量是前后文詞向量的剪接，如同基因剪接一樣。

LSTM 的隱狀態向量，勝任前后文語義向量的職能。但是隱狀態向量的軟肋，在于含義晦澀，如同基因不易讀解。

好的隱狀態向量，容易識別。如果用 Autoencoder [5] 把隱狀態向量復原成原文，復原后的原文，與真正的原文越相近，說明隱狀態向量的質量越好。

但是壞的隱狀態向量，壞在哪里，很難甄別。因為，隱狀態向量的含義晦澀難懂。這是需要研究解決的難題。

除了提煉前后文語義，LSTM 還可以做很多事情，譬如給文章中每個詞匯標注詞性，識別文章中地址名稱等等詞組。

作為神經網絡的一種，LSTM 也需要訓練，訓練就需要語料。不同的任務，譬如詞性標注，詞組識別，需要不同的訓練語料。

獲得大量語料，也是難題。譬如有人提議，收集文章及其標題，作為文本摘要的訓練語料。但是遇到標題黨，這個辦法就失效。

解碼的實現原理

解碼的理想境界，與翻譯的理想境界相似，

1. “信”：語義要正確，不要曲解。

2. “達”：措辭要恰當，即便語義相同，如果措辭不同，那么語氣迥異。

3. “雅”：行文要流暢。

解碼器的實現原理，與詞向量的實現原理相似，依賴語言模型，根據前文，預測下一個詞，最可能是詞庫中的哪一個詞匯？

不要忘記，估算詞庫中所有詞出現的概率，計算量往往大得驚人。

要達到“信”的境界，對于機器翻譯而言，難度較低，因為翻譯基本上是逐個詞匯一對一翻譯。

對于文本摘要而言，“信”的難度較高。如何摘錄重點？人類做摘要，往往摘錄論點，不摘錄論據，往往摘錄故事結局，不摘錄故事過程。

如何讓電腦辨別論點與論據，結局與過程？這是需要研究的難題。

所以，對于機器翻譯而言，解碼器的輸入，只需要原文中的詞向量和語義向量，就可以翻譯得相當精準。

但是，對于文本摘要而已，除了詞向量和語義向量，還需要詞性標注、詞組識別、TF-IDF，信息越豐富，摘要越簡潔。

簡單暴力的辦法，是摘錄原文中每個段落的起首一兩句，遇到兩個段落的起首句的語義相同，就忽略其中一個。

要達到“達”的境界，對于機器翻譯而言，難度較高，每種語言都有同義詞，但是同義詞之間的語氣差別，往往難以界定。

對于文本摘要而言，“達”的難度較低，簡單粗暴但是行之有效的辦法，是直接引用原文中的詞匯。

引用原文詞匯，還有一個好處，是大大降低了計算量。說得學術點，這叫 LVT，Large Vocabulary Tricks [6]。

麻煩在于，原文中出現的詞匯很多，下一個詞應該引用原文中的哪一個詞匯？

解決辦法是先用語言模型，根據當前的詞向量、語義向量，預測下一個詞的詞向量。然后再去原文中，尋找最貼切的詞匯。

尋找的辦法，說得學術點，叫 Attention [1]。

大意是根據原文中每一個詞匯本身的語義、語法詞性、詞組標注、TF-IDF 統計信息，以及前后文的語義等等盡可能多的信息，評估原文中的每一個詞匯，與下一個詞的詞向量的相關性。

但是 Attention 的辦法，也會導致巨大的計算量。[2] 提議了一個減少計算量的辦法，先評估每個語句的相關性，找到相關語句后，再評估這個語句中每個詞匯的相關性。

要達到“雅”的境界，無論機器翻譯還是文本摘要，都必須做到下一個詞的選擇，必須與前文詞匯保持流暢。

對于文本摘要而言，下一個詞的選擇，不能全部選用原文中詞匯。實現方式有兩個要素。

1. 預先從訓練語料中，構建摘要的詞庫。

2. 實現一個開關函數，決定從詞庫中選詞，還是從原文詞匯中摘錄。

開關函數可以用 sigmoid 函數，輸入有三項，前文的詞匯、預測出的下一個詞的詞向量、Attention 找到的原文中最貼切的詞匯。

未來有待解決的問題

除了進一步降低語言模型的計算量，除了識別原文中各個語句及詞匯的重要性，未來最大的挑戰，可能是如何引用外援知識。

人類閱讀的時候，經常需要查字典，查參考文獻。

引用外援知識的目的，是擴大讀者現有的知識結構，消除現有知識結構與文章內容之間的落差。

閱讀結束后，進一步擴大現有知識結構。這就是人類通過閱讀，不斷學習知識的過程。

知識結構的表達方式有多種，“一圖勝千言”，自然語言似乎不是最高效的表達方式。

知識圖譜由點和邊組成，點表達概念，邊表達一個概念與另一個概念之間的關系。

譬如 “發燒” 和 “炎癥” 是兩個概念，在知識圖譜中用兩個點來表達。“炎癥”導致“發燒”，在知識圖譜中用有向邊來表達。

當閱讀一篇文章時，如果文章中出現的概念，沒有出現在現有知識圖譜中，那么閱讀就會出現困難，這就是知識的落差。

消除知識落差的辦法，是查字典，查參考文獻，擴大閱讀，直到文章中出現的新概念，與現有知識圖譜相連接。

如何把文章轉換為知識圖譜？不妨沿用機器翻譯和文本摘要的工作原理，把文章從自然語言，轉換成知識圖譜。

換而言之，機器閱讀其實就是自然文本的結構化。

參考文獻

[1] Neural Machine Translation by Jointly Learning to Align and Translate

https://arxiv.org/abs/1409.0473

[2] Abstractive Text Summarization Using Sequence-to-Sequence RNNs and Beyond

https://arxiv.org/abs/1602.06023

[3] Distributed Representations of Words and Phrases and their Compositionality

https://arxiv.org/abs/1310.4546

[4] Understanding LSTM Networks

http://colah.github.io/posts/2015-08-Understanding-LSTMs/

[5] Autoencoders tutorial

http://ufldl.stanford.edu/tutorial/unsupervised/Autoencoders/

[6] On using very large target vocabulary for neural machine translation

https://arxiv.org/abs/1412.2007