无监督循环神经网络文法 (URNNG) | NAACL19

雷锋网 AI 科技评论按，本文作者[韦阳](https://www.zhihu.com/people/godweiyang/posts "韦阳")，本文首发于知乎专栏[自然语言处理与深度学习](https://zhuanlan.zhihu.com/godweiyang "自然语言处理与深度学习")，雷锋网 AI 科技评论获其授权转载。 **论文地址：**[Unsupervised Recurrent Neural Network Grammars](http://arxiv.org/abs/1904.03746) **代码地址：**[github](https://github.com/harvardnlp/urnng) # 介绍 --- 这篇是新鲜出炉的 NAACL19 的关于无监督循环神经网络文法（URNNG）的论文，在语言模型和无监督成分句法分析上都取得了非常不错的结果，主要采用了变分推理和 RNNG。本文公式量较大，因此我也推了好久，算法也挺多的，首先上一张我推导的公式笔记：  我这篇博客就不按照论文的顺序来讲了，就按照我上面这张笔记讲一讲我的理解吧，很多细节可能会忽略，请参见原文吧。 首先对于无监督成分句法分析，常规做法就是学习一个生成模型，就比如 RNNG 就是一个生成模型，但是缺少句法树 z 的监督信号怎么办呢？现在给你的输入只有句子 x，那么只能用语言模型来做监督了。习惯上我们喜欢取对数，也就是：  这里就存在几个问题，比如 z 的状态空间太大了，不可能穷举所有的，所以接下来按步骤讲解如何求解。 # URNNG模型 --- 先上一张模型图，让大家对整体模型有个大概的认知：  左边是一个推理网络（Inference Network），用来根据输入 x 推理出隐变量也就是句法树 z 的概率分布。右边是一个生成模型（Generative Model），用来计算从推理网络中采样出来的句法树 z 的联合概率，最后根据上面语言模型算出句子的概率，最大化这个概率即可。 接下来分别讲解这两个部分和具体的优化方法。  首先将词向量和位置向量拼接，作为推理网络 LSTM 的输入：  然后算出的得分，计算方式和以往一样，用 BiLSTM 前后向输出做差，然后通过一个前馈神经网络得到分数：  接下来就需要计算句法树的概率分布了，这里不直接计算句法树 z，而是计算它的邻接矩阵 B 的概率分布，这个邻接矩阵意思就是如果存在，那么，否则的话。然后就可以用 CRF 计算出邻接矩阵 B 对应的概率：  其中是配分函数，也就是用来将概率归约到 0 到 1 之间的：  注意这里的并不是所有的 01 矩阵集合，而是必须满足能产生合法句法树的矩阵，情况也很多，不能穷举求解，在这里采用经典的 inside 算法来求解这个配分函数：  不过我觉得这里是错的！就是这里的两处应该改成。不过具体代码实现的时候并没有这么做，初始值一样都是，但是递推的时候采用了如下式子：  其实就是用来取代了，化简后就是代码实现这个式子，应该是为了防止数值溢出。 然后就是采样了，推理网络的目的就是计算出句法树的概率分布，然后根据这个分布采样出若干个句法树，那么现在给定一棵句法树可以根据上面的算法计算出它的概率了，那怎么采样呢？其实还是可以通过刚刚计算得出的数组来采样，采样算法如下:  其实就是自顶向下的根据概率分布来采样每个 span 的 split，用一个队列来保存所有还没有采样出 split 的 span，然后把所有采样出的 span 在邻接矩阵中的对应值标为1。 最后推理网络采样出了若干个句法树 z，然后根据 CRF 计算出每个句法树的概率，后面的事情就交给生成网络了。  上面的推理网络采样出了若干个句法树 z，生成网络的目的就是计算它的联合概率。这个其实不难，在之前的 RNNG 论文笔记中，我已经大致讲过了，可以去复习一下：[Recurrent Neural Network Grammars](https://godweiyang.com/2018/09/02/RNNG/)，这里稍稍做了一些改进。 首先需要定义一个栈用来存放转移的历史状态，这里定义栈里放的元素为二元组(h, g)，一个是 stack-LSTM 编码的输出，一个是子树的结构表示。首先需要预测下一步的 action 是什么，所以取出栈顶的元素，预测 action 的时候只要用到隐含层输出：  然后根据这个概率预测 action 是 SHIFT 还是 REDUCE，下面分两种情况讨论。 如果是 SHIFT，那么因为是生成模型，所以需要预测下一个移进的单词是什么：  然后将单词 x 的词向量输入到 stack-LSTM 中得到下一个时刻的隐含层输出：  最后将推进栈里。 如果是 REDUCE，那么首先需要取出栈顶的两个元素和，然后用 TreeLSTM 计算出两个子结点合并后的子树的表示：  接着还是计算 stack-LSTM 下一个时刻的隐含层输出：  最后将推进栈里。 为了防止数值溢出，常规上我们计算联合概率的对数：  从这个式子可以看出，联合概率定义为所有给定某段单词和 action 预测下一个单词和给定某段单词和 action 预测下一个 action 的概率之积。 如果是监督任务比如 RNNG，那么只需要最大化这个联合概率就足够了，但是现在要做无监督，没有 z，注意别搞混了，推理网络采样出的 z 可不能用来监督哦，因为那本来就不是正确的，所以接下来要采用语言模型来作为最终的目标函数。 ## Variational Inference 句子 x 的对数概率定义为：  其中是所有合法句法树的集合，但是这里不可能穷举所有的句法树，所以就要用到变分推理，具体的理论知识不仔细介绍了，可以去查阅变分推理相关知识，下面直接推导。  其中最后一行叫做先验的证据下界（ELBO），要想最大化先验，可以最大化这个 ELBO，如果我们对这个 ELBO 变化一下形式可以得到：  所以这个 ELBO 和先验就相差了一个 KL 散度，最大化 ELBO 的话等价于最小化 KL 散度，也就是使推理网络产生句法树的概率分布和生成模型尽量接近。 但是这个 ELBO 还是不好算，尽管它把移到了求和符号也就是期望里面，所以转换一下形式：  因为模型一共有两组参数，一个是推理网络的参数，一个是生成网络的参数，所以下面分别对两个参数求导。 首先对求偏导，因为只有第一项有这个参数，所以偏导为：  这个偏导可以按照概率采样得到：  然后对求偏导，因为有两项含有这个参数，分别求偏导。第二项是熵，它的值其实可以用之前的数组算出来，算法如下：  然后偏导可以交给深度学习库的自动微分，就不用你自己求啦。 至于第一项的偏导可以用类似于策略梯度的方法解决：  这里最后也是转化为了采样，和策略梯度做法类似，这里加入 baseline 来提升性能：  其中定义为所有其他的对数联合概率的均值：  至此所有偏导都已求出来了，两个通过采样得到，一个通过 inside 算法结果自动微分得到，所以去掉导数符号并相加就得到了最终的损失函数：  一定要注意，这里的在代码实现的时候不能传入梯度，不然的话对的偏导就会多出这一项的偏导了！ # 实验 --- 实验结果这里就不多说了，细节具体看论文吧，就贴两个结果，一个是语言模型：  可以看出在标准的 PTB 数据集上，URNNG 效果只比监督学习的 RNNG 和用 URNNG 损失函数微调后的 RNNG 效果略差一点，但是在大数据集上，URNNG 的优势就体现出来了。 另一个是无监督成分句法分析，这里是用的全部长度的测试集：  这个任务上 URNNG 效果是最好的。 # 结论 --- 和之前两篇语言模型做无监督成分句法分析类似，这篇论文用推理网络学习句法树的概率分布并采样句法树，再用生成网络计算这些句法树和句子的联合概率，最后用变分推理最大化句子的概率，也就是学习出一个好的语言模型。 雷锋网 (公众号：雷锋网)

雷锋网版权文章，未经授权禁止转载。详情见转载须知。