论文赏析[NAACL16]RNN文法(一）

摘要

今天要介绍的这篇论文是来自NAACL16的Recurrent Neural Network Grammars，主要贡献点就是提出了一种新的文法RNNG，不同于传统的PCFG之类的文法，RNNG使用RNN来对句子和它的句法树的联合概率进行建模，因此它是一个生成模型。但是稍稍修改就可以改为判别模型，也就是大家熟悉的基于转移的成分句法分析系统，并且转移系统是采用top-down方法的，也就是利用了句法树的前序遍历。

RNNG在语言模型任务上取得了当时的state-of-the-art结果，成分句法分析任务上，生成模型取得了媲美最好结果的F1值，而判别模型就差了点。本文最大的贡献点就是提出了生成式模型RNNG，说明了在数据量不是很大的时候，利用生成式模型可以提高成分句法分析的准确率。

RNN在语言模型和其他许多NLP任务上面都已经取得了非常不错的效果，但是RNN只能捕捉到句子的序列特征，例如句子的句法结构等递归嵌套的结构信息无法用RNN捕捉到。

因此本文提出了一种利用RNN建模出来的全新文法RNNG，建立在句子的句法结构之上，消除了PCFG的上下文无关假设。并提出了两种变体，一种是生成模型，可以用来句法分析和训练语言模型，另一种是判别模型，可以用来句法分析。

RNNG建立在top-down转移系统之上，top-down转移系统相比于bottom-up转移系统有一个好处，就是不需要二叉化，因为如果bottom-up转移系统不二叉化的话，REDUCE的状态就会有很多种可能，不知道到底归约栈里的几个结点。而top-down转移系统就不存在这个问题，直接归约到第一个父结点为止就行了。本文应该也是第一个提出用RNN来实现top-down转移系统的，之前的方法都是用top-down的文法，或者是bottom-up的，例如Sochar2013的CVG，也是用二叉化后的RNN学习结点的语义表示。

RNN文法

RNNG定义为三元组 ，其中 N 是非终结符集合， 是终结符集合，并且 就是神经网络的参数集合。RNNG和传统的PCFG的一个明显区别就是它没有显式地指出语法规则是什么，而是蕴含在了神经网络中，在句法转移的时候动态的生成。

Top-down句法分析和生成

这部分主要介绍RNNG的两个变体，一个是top-down的句法分析系统，还有一个是稍稍修改后的生成系统。

判别式系统

这个判别式模型之前也已经介绍过很多次了，和普通的基于转移的句法分析系统一样，输入是一个句子 X ，输出是它的句法分析树 Y 。主要组成部分有句法树栈、句子单词buffer、动作集合，每一步的动作有三种：

• NT(X)：将一个父结点X移进栈里。
  
• SHIFT：从buffer中移一个单词到栈里。
  
• REDUCE：将栈顶的若干个结点归约为它们的父结点，并且出栈。
  

图1就是每个动作的状态变化过程，图2是判别式模型进行句法分析的示例：

当然得给动作添加一些限制，首先记当前状态为三元组 ，分别表示buffer、栈、当前栈里未归约的父结点数量，这个之前的博客没有提及过：

• NT(X)动作只有当buffer不为空并且 的时候才能进行。因为buffer空了的话就没有单词了，此时不可能移进新的非终结符了，并且要限制 防止一元产生式无限生成下去。
• SHIFT动作只有当buffer不为空并且 时才能进行。前者不用解释了，后者的话因为是top-down的，所以栈里至少要有一个父结点才能移进新的单词。
• REDUCE只有当栈顶不是没有归约的父结点才能进行。
  
• REDUCE只有当 或者buffer为空时才能进行。这里要解释一下为什么 ，因为如果buffer不为空同时 ，那么这时候如果REDUCE的话，栈里就只剩一个非终结符了，只可能是根节点S，而buffer里还有单词，所以这是不可能的。

记当前状态的可能动作集合为 。

生成式系统

将上面的top-down转移系统稍稍修改即可得到生成式系统。区别有两点：

• 首先没有了输入的buffer，取而代之的是输出的buffer 。
• 其次因为没有输入单词了，所以在需要输入单词的时候采用GEN(x)动作来产生一个新的单词 X ，然后移进栈里，取代SHIFT动作。
  

图3就是每个动作的状态变化过程，图4是生成式模型进行句法分析的示例：

同样也要对其采取一些限制：

• GEN(x)动作只有当 时才能进行，上面SHIFT限制已经解释过了。
• REDUCE只有当 或者buffer为空时才能进行。这里再次解释一下，上面判别式模型限制条件是 ，为什么这里就变成了 ？因为生成模型没有输入buffer，所以即使 时REDUCE了，以后不要再GEN(x)即可，直接结束分析

记当前状态的可能动作集合为 。

转移序列

因为一棵句法树的前序遍历是唯一的，所以不管用判别式模型还是生成式模型，得到的动作序列也都是唯一的。对于句子 X 和句法树 Y ，记生成式模型动作序列为 ，判别式模型动作序列为 。