ShowMeAI研究中心

机器翻译、seq2seq与注意力机制 ShowMeAI为斯坦福CS224n《自然语言处理与深度学习(Natural Language Processing with Deep Learning)》课程的全部课件，做了中文翻译和注释，并制作成了GIF动图！

神经机器翻译、seq2seq与注意力机制 本讲内容的深度总结教程可以在这里 查看。视频和课件等资料的获取方式见文末。

引言

机器翻译、序列到序列模型与注意力机制

概述

概述

  • 引入新任务：机器翻译
  • 引入一种新的神经结构：sequence-to-sequence
    • 机器翻译是 sequence-to-sequence 的一个主要用例
  • 引入一种新的神经技术：注意力
    • sequence-to-sequence 通过 attention 得到提升

1.机器翻译与SMT（统计机器翻译）

1.1 Pre-neural Machine Translation

Pre-neural Machine Translation

1.2 机器翻译

机器翻译

机器翻译(MT)是将一个句子 $x$ 从一种语言(源语言)转换为另一种语言(目标语言)的句子 $y$ 的任务。

1.3 1950s：早期机器翻译

1950s：早期机器翻译

机器翻译研究始于20世纪50年代初。

  • 俄语 → 英语(冷战的推动)
  • 系统主要是基于规则的，使用双语词典来讲俄语单词映射为对应的英语部分

1.4 1990s-2010s：统计机器翻译

1990s-2010s：统计机器翻译

  • 核心想法：从数据中学习概率模型

  • 假设我们正在翻译法语 → 英语

  • 对于给定法语句子 $x$，我们想要找到最好的英语句子 $y$

$$ argmax_yP(y \mid x) $$

  • 使用Bayes规则将其分解为两个组件从而分别学习

$$ argmax_yP(x \mid y) P(y) $$

  • $P(x \mid y)$：Translation Model / 翻译模型

    • 分析单词和短语应该如何翻译(逼真)
    • 从并行数据中学习

  • $P(y)$：Language Model / 语言模型

    • 模型如何写出好英语(流利)
    • 从单语数据中学习

1.5 1990s-2010s：统计机器翻译

1990s-2010s：统计机器翻译

  • 问题：如何学习翻译模型 P(x \mid y)？

  • 首先，需要大量的并行数据(例如成对的人工翻译的法语/英语句子)

1.6 SMT的学习对齐

SMT的学习对齐

  • 问题：如何从并行语料库中学习翻译模型 $P(x \mid y)$？
  • 进一步分解：我们实际上想要考虑

$$ P(x,a \mid y) $$

  • $a$ 是对齐
  • 即法语句子 $x$ 和英语句子 $y$ 之间的单词级对应

1.7 对齐

Examples from: “The Mathematics of Statistical Machine Translation: Parameter Estimation", Brown et al, 1993. http://www.aclweb.org/anthology/J93-2003

对齐

  • 对齐是翻译句子中特定词语之间的对应关系
    • 注意：有些词没有对应词

1.8 对齐是复杂的

对齐是复杂的

  • 对齐可以是多对一的

1.9 对齐是复杂的

对齐是复杂的

  • 对齐可以是一对多的

1.10 对齐是复杂的

对齐是复杂的

  • 有些词很丰富

  • 对齐可以是多对多(短语级)

  • 我们学习很多因素的组合，包括

    • 特定单词对齐的概率(也取决于发送位置)
    • 特定单词具有特定多词对应的概率(对应单词的数量)

1.11 SMT的学习对齐

SMT的学习对齐

  • 问题：如何计算argmax

    • 我们可以列举所有可能的 $y$ 并计算概率？→ 计算成本太高

  • 回答：使用启发式搜索算法搜索最佳翻译，丢弃概率过低的假设

    • 这个过程称为解码

1.12 SMT解码

Source: ”Statistical Machine Translation", Chapter 6, Koehn, 2009. https://www.cambridge.org/core/books/statistical-machine-translation/94EADF9F680558E13BE759997553CDE5

SMT解码

1.13 SMT解码

SMT解码

1.14 1990s-2010s：统计机器翻译

1990s-2010s：统计机器翻译

  • SMT是一个巨大的研究领域

  • 最好的系统非常复杂

    • 数以百计的重要细节我们还没有提到
    • 系统有许多独立设计子组件工程
    • 大量特征工程
      • 很多功能需要设计特性来获取特定的语言现象
    • 需要编译和维护额外的资源
      • 比如双语短语对应表
    • 需要大量的人力来维护
      • 对于每一对语言都需要重复操作

2.神经网络机器翻译

2.1 Neural Machine Translation

Neural Machine Translation

2.2 神经机器翻译(NMT)

神经机器翻译(NMT)

2.3 神经机器翻译(NMT)

神经机器翻译(NMT)

  • 神经机器翻译(NMT)是利用单个神经网络进行机器翻译的一种方法

  • 神经网络架构称为 sequence-to-sequence (又名seq2seq)，它包含两个RNNs

2.4 神经机器翻译(NMT)

神经机器翻译(NMT)

  • 编码器RNN生成源语句的编码

  • 源语句的编码为解码器RNN提供初始隐藏状态

  • 解码器RNN是一种以编码为条件生成目标句的语言模型

  • 注意：此图显示了测试时行为 → 解码器输出作为下一步的输入

2.5 Sequence-to-sequence是多功能的！

Sequence-to-sequence是多功能的！

  • 序列到序列不仅仅对机器翻译有用

  • 许多NLP任务可以按照顺序进行表达

    • 摘要(长文本 → 短文本)
    • 对话(前一句话 → 下一句话)
    • 解析(输入文本 → 输出解析为序列)
    • 代码生成(自然语言 → Python代码)

2.6 神经机器翻译(NMT)

神经机器翻译(NMT)

  • sequence-to-sequence 模型是条件语言模型的一个例子

    • 语言模型(Language Model)，因为解码器正在预测目标句的下一个单词 $y$
    • 条件约束的(Conditional)，因为预测也取决于源句 $x$

  • NMT直接计算 $P(y \mid x)$

$$ P(y | x)=P\left(y_{1} | x\right) P\left(y_{2} | y_{1}, x\right) P\left(y_{3} | y_{1}, y_{2}, x\right) \ldots P\left(y_{T} | y_{1}, \ldots, y_{T-1}, x\right) $$

  • 上式中最后一项为，给定到目前为止的目标词和源句 $x$，下一个目标词的概率

  • 问题：如何训练NMT系统？

  • 回答：找一个大的平行语料库

2.7 训练一个机器翻译系统

训练一个机器翻译系统

  • Seq2seq被优化为一个单一的系统。反向传播运行在“端到端”中

3.机器翻译解码

3.1 贪婪解码

贪婪解码

  • 我们了解了如何生成(或“解码”)目标句，通过对解码器的每个步骤使用 argmax

  • 这是贪婪解码(每一步都取最可能的单词)

  • 这种方法有问题吗？

3.2 贪婪解码的问题

贪婪解码的问题

  • 贪婪解码没有办法撤销决定

  • 如何修复？

3.3 穷举搜索解码

穷举搜索解码

  • 理想情况下，我们想要找到一个(长度为 $T$ )的翻译 $y$ 使其最大化

  • 我们可以尝试计算所有可能的序列 $y$

    • 这意味着在解码器的每一步 $t$ ，我们跟踪 $V^t$个可能的部分翻译，其中 $V$ 是 vocab 大小
    • 这种 $O(V^T)$ 的复杂性太昂贵了！

3.4 集束搜索解码

集束搜索解码

  • 核心思想：在解码器的每一步，跟踪 $k$ 个最可能的部分翻译(我们称之为假设[hypotheses ] )

    • $k$ 是Beam的大小(实际中大约是5到10)

  • 假设 $y_1, \ldots,y_t$ 有一个分数，即它的对数概率

$$ \operatorname{score}\left(y_{1}, \ldots, y_{t}\right)=\log P_{\mathrm{LM}}\left(y_{1}, \ldots, y_{t} | x\right)=\sum_{i=1}^{t} \log P_{\operatorname{LM}}\left(y_{i} | y_{1}, \ldots, y_{i-1}, x\right) $$

  • 分数都是负数，分数越高越好

  • 我们寻找得分较高的假设，跟踪每一步的 top k 个部分翻译

  • 波束搜索 不一定能 找到最优解

  • 但比穷举搜索效率高得多

3.5 集束搜索解码：示例

集束搜索解码：示例

  • Beam size = k = 2
  • 蓝色的数字是

$$ \operatorname{score}\left(y_{1}, \ldots, y_{t}\right)=\sum_{i=1}^{t} \log P_{\operatorname{LM}}\left(y_{i} | y_{1}, \ldots, y_{i-1}, x\right) $$

  • 计算下一个单词的概率分布
  • 取前 $k$ 个单词并计算分数
    • 对于每一次的 $k$ 个假设，找出最前面的 $k$ 个单词并计算分数
    • 在 $k^2$ 的假设中，保留 $k$ 个最高的分值
      • $t = 2$ 时，保留分数最高的 hit 和 was
      • $t = 3$ 时，保留分数最高的 a 和 me
      • $t = 4$ 时，保留分数最高的 pie 和 with
      • $t = 5$ 时，保留分数最高的 a 和 one
      • $t = 6$ 时，保留分数最高的 pie
  • 这是最高得分的假设
  • 回溯以获得完整的假设

3.6 集束搜索解码：停止判据

集束搜索解码：停止判据

  • 在贪心解码中，我们通常解码到模型产生一个 <END> 令牌

    • 例如：<START> he hit me with a pie <END>

  • 在集束搜索解码中，不同的假设可能在不同的时间步长上产生 <END> 令牌

    • 当一个假设生成了 <END> 令牌，该假设完成
    • 把它放在一边，通过 Beam Search 继续探索其他假设

  • 通常我们继续进行 Beam Search ，直到

    • 我们到达时间步长 $T$ (其中 $T$ 是预定义截止点)
    • 我们至少有 $n$ 个已完成的假设(其中 $n$ 是预定义截止点)

3.7 集束搜索解码：完成

集束搜索解码：完成

  • 我们有完整的假设列表

  • 如何选择得分最高的？

  • 我们清单上的每个假设 $y_1, \ldots ,y_t$ 都有一个分数

$$ \operatorname{score}\left(y_{1}, \ldots, y_{t}\right)=\log P_{\mathrm{LM}}\left(y_{1}, \ldots, y_{t} \mid x\right)=\sum_{i=1}^{t} \log P_{\operatorname{LM}}\left(y_{i} \mid y_{1}, \ldots, y_{i-1}, x\right) $$

  • 问题在于 ：较长的假设得分较低

  • 修正：按长度标准化。用下式来选择top one

$$ \frac{1}{t} \sum_{i=1}^{t} \log P_{\mathrm{LM}}\left(y_{i} \mid y_{1}, \ldots, y_{i-1}, x\right) $$

3.8 神经机器翻译(NMT)的优点

神经机器翻译(NMT)的优点

与SMT相比，NMT有很多优点

  • 更好的性能

    • 更流利
    • 更好地使用上下文
    • 更好地使用短语相似性

  • 单个神经网络端到端优化

    • 没有子组件需要单独优化

  • 需要更少的人类工程付出

    • 无特征工程
    • 所有语言对的方法相同

3.9 神经机器翻译(NMT)的缺点

神经机器翻译(NMT)的缺点

SMT相比，NMT的缺点

  • NMT的可解释性较差

    • 难以调试

  • NMT很难控制

    • 例如，不能轻松指定翻译规则或指南
    • 安全问题

4.机器翻译评估

4.1 如何评估机器翻译质量

如何评估机器翻译质量

  • BLEU (Bilingual Evaluation Understudy)

    • 你将会在 Assignment 4 中看到BLEU的细节

  • BLEU将机器翻译和人工翻译(一个或多个)，并计算一个相似的分数

    • n-gram 精度 (n通常为1-4)
    • 对过于短的机器翻译的加上惩罚

  • BLEU很有用，但不完美

    • 有很多有效的方法来翻译一个句子
    • 所以一个好的翻译可以得到一个糟糕的BLEU score，因为它与人工翻译的n-gram重叠较低

4.2 MT随时间推移的进步

Source: http://www.meta-net.eu/events/meta-forum-2016/slides/09_sennrich.pdf

MT随时间推移的进步

4.3 NMT：NLP深度学习的最大成功案例

NMT：NLP深度学习的最大成功案例

神经机器翻译于2014年从边缘研究活动到2016年成为领先标准方法

  • 2014：第一篇 seq2seq 的文章发布

  • 2016：谷歌翻译从 SMT 换成了 NMT

  • 这是惊人的

    • 由数百名工程师历经多年打造的SMT系统，在短短几个月内就被少数工程师训练过的NMT系统超越

4.4 机器翻译问题完美解决了吗？

Further reading: “Has AI surpassed humans at translation? Not even close!” https://www.skynettoday.com/editorials/state_of_nmt

Source: https://hackernoon.com/bias-sexist-or-this-is-the-way-it-should-be-ce1f7c8c683c

Picture source: https://www.vice.com/en_uk/article/j5npeg/why-is-google-translate-spitting-out-sinister-religious-prophecies

Explanation: https://www.skynettoday.com/briefs/google-nmt-prophecies

机器翻译问题完美解决了吗？

  • 没有！

  • 许多困难仍然存在

    • 词表外的单词处理
    • 训练和测试数据之间的领域不匹配
    • 在较长文本上维护上下文
    • 资源较低的语言对

  • 使用常识仍然很难

  • NMT在训练数据中发现偏差

  • 无法解释的系统会做一些奇怪的事情

4.5 NMT研究仍在继续

NMT研究仍在继续

  • NMT是NLP深度学习的核心任务

  • NMT研究引领了NLP深度学习的许多最新创新

  • 2019年：NMT研究将继续蓬勃发展

    • 研究人员发现，对于我们今天介绍的普通seq2seq NMT系统，有很多、很多的改进。
    • 但有一个改进是如此不可或缺

5.注意力机制

5.1 Attention

Attention

5.2 Sequence-to-sequence：瓶颈问题

Sequence-to-sequence：瓶颈问题

  • 源语句的编码
  • 需要捕获关于源语句的所有信息
  • 信息瓶颈！

5.3 注意力

注意力

  • 注意力为瓶颈问题提供了一个解决方案

  • 核心理念：在解码器的每一步，使用与编码器的直接连接来专注于源序列的特定部分

  • 首先我们将通过图表展示(没有方程)，然后我们将用方程展示

5.4 带注意力机制的序列到序列模型

带注意力机制的序列到序列模型

  • 将解码器部分的第一个token <START> 与源语句中的每一个时间步的隐藏状态进行 Dot Product 得到每一时间步的分数

  • 通过softmax将分数转化为概率分布

  • 在这个解码器时间步长上，我们主要关注第一个编码器隐藏状态(“he”)

  • 利用注意力分布对编码器的隐藏状态进行加权求和

  • 注意力输出主要包含来自于受到高度关注的隐藏状态的信息

  • 连接的注意力输出与解码器隐藏状态 ，然后用来计算 $\hat y_1$

  • 有时，我们从前面的步骤中提取注意力输出，并将其输入解码器(连同通常的解码器输入)。我们在作业4中做这个。

5.5 注意力：公式

注意力：公式

  • 我们有编码器隐藏状态 $h_{1}, \ldots, h_{N} \in \mathbb{R}^{h}$
  • 在时间步 $t$ 上，我们有解码器隐藏状态 $s_{t} \in \mathbb{R}^{h}$
  • 我们得到这一步的注意分数

$$ e^{t}=\left[s_{t}^{T} \boldsymbol{h}{1}, \ldots, \boldsymbol{s}{t}^{T} \boldsymbol{h}_{N}\right] \in \mathbb{R}^{N} $$

  • 我们使用softmax得到这一步的注意分布 $\alpha^{t}$ (这是一个概率分布，和为1)

$$ \alpha^{t}=\operatorname{softmax}\left(e^{t}\right) \in \mathbb{R}^{N} $$

  • 我们使用 $\alpha^{t}$ 来获得编码器隐藏状态的加权和，得到注意力输出 $\alpha^{t}$

$$ \boldsymbol{a}{t}=\sum{i=1}^{N} \alpha_{i}^{t} \boldsymbol{h}_{i} \in \mathbb{R}^{h} $$

  • 最后，我们将注意输出 $\alpha^{t}$ 与解码器隐藏状态连接起来，并按照非注意 seq2seq 模型继续进行

$$ \left[\boldsymbol{a}{t} ; \boldsymbol{s}{t}\right] \in \mathbb{R}^{2 h} $$

5.6 注意力很棒！

注意力很棒！

  • 注意力显著提高了NMT性能

    • 这是非常有用的，让解码器专注于某些部分的源语句

  • 注意力解决瓶颈问题

    • 注意力允许解码器直接查看源语句；绕过瓶颈

  • 注意力帮助消失梯度问题

    • 提供了通往遥远状态的捷径

  • 注意力提供了一些可解释性

    • 通过检查注意力的分布，我们可以看到解码器在关注什么
    • 我们可以免费得到(软)对齐
    • 这很酷，因为我们从来没有明确训练过对齐系统
    • 网络只是自主学习了对齐

5.7 注意力是一种普遍的深度学习技巧

注意力是一种普遍的深度学习技巧

  • 我们已经看到，注意力是改进机器翻译的序列到序列模型的一个很好的方法

  • 然而：你可以在许多结构(不仅仅是seq2seq)和许多任务(不仅仅是MT)中使用注意力

  • 我们有时说 query attends to the values

  • 例如，在seq2seq + attention模型中，每个解码器的隐藏状态(查询)关注所有编码器的隐藏状态(值)

5.8 注意力是一种普遍的深度学习技巧

注意力是一种普遍的深度学习技巧

  • 注意力的更一般定义

    • 给定一组向量值和一个向量查询，注意力是一种根据查询，计算值的加权和的技术

  • 直觉

    • 加权和是值中包含的信息的选择性汇总，查询在其中确定要关注哪些值
    • 注意是一种获取任意一组表示(值)的固定大小表示的方法，依赖于其他一些表示(查询)。

5.9 有几种注意力的变体

有几种注意力的变体

  • 候选值 $\boldsymbol{h}{1}, \ldots, \boldsymbol{h}{N} \in \mathbb{R}^{d_{1}}$，查询 $s \in \mathbb{R}^{d_{2}}$

  • 注意力总是包括：

    • 计算注意力得分 $e \in \mathbb{R}^{N}$ (很多种计算方式)
    • 采取softmax来获得注意力分布 $\alpha$

$$ \alpha=\operatorname{softmax}(\boldsymbol{e}) \in \mathbb{R}^{N} $$

  • 使用注意力分布对值进行加权求和：从而得到注意力输出 $\alpha$ (有时称为上下文向量)

$$ \boldsymbol{a}=\sum_{i=1}^{N} \alpha_{i} \boldsymbol{h}{i} \in \mathbb{R}^{d{1}} $$

5.10 注意力的变体

More information: “Deep Learning for NLP Best Practices”, Ruder, 2017. http://ruder.io/deep-learning-nlp-best-practices/index.html#attention “Massive Exploration of Neural Machine Translation Architectures”, Britz et al, 2017, https://arxiv.org/pdf/1703.03906.pdf

注意力的变体

  • 有几种方法可以从 $\boldsymbol{h}{1}, \ldots, \boldsymbol{h}{N} \in \mathbb{R}^{d_{1}}$ 计算 $e \in \mathbb{R}^{N}$ 和 $s \in \mathbb{R}^{d_{2}}$

  • 基本的点乘注意力 $\boldsymbol{e}{i}=\boldsymbol{s}^{T} \boldsymbol{h}{i} \in \mathbb{R}$

    • 注意：这里假设 $d_1 = d_2$ [这是我们之前看到的版本]

  • 乘法注意力 $e_{i}=s^{T} \boldsymbol{W} \boldsymbol{h}_{i} \in \mathbb{R}$

    • $\boldsymbol{W} \in \mathbb{R}^{d_{2} \times d_{1}}$ 是权重矩阵

  • 加法注意力 $e_{i}=\boldsymbol{v}^{T} \tanh \left(\boldsymbol{W}{1} \boldsymbol{h}{i}+\boldsymbol{W}_{2} \boldsymbol{s}\right) \in \mathbb{R}$

    • 其中 $\boldsymbol{W}{1} \in \mathbb{R}^{d{3} \times d_{1}}, \boldsymbol{W}{2} \in \mathbb{R}^{d{3} \times d_{2}}$ 是权重矩阵，$\boldsymbol{v} \in \mathbb{R}^{d_{3}}$ 是权重向量 ，$d_3$ (注意力维度)是一个超参数

5.11 课程总结

课程总结

  • 我们学习了一些机器翻译的历史

  • 自2014年以来，神经机器翻译迅速取代了复杂的统计机器翻译

  • Sequence-to-sequence 是NMT的体系结构(使用2个RNN)

  • 注意力是一种集中注意力的方法

    • 从序列到序列改进了很多

6.视频教程

可以点击 B站 查看视频的【双语字幕】版本

7.参考资料

ShowMeAI系列教程推荐

自然语言处理（NLP）教程

斯坦福 CS224n 课程带学详解

showmeai用知识加速每一次技术成长