深度学习下一个大突破：机器阅读

【新智元导读】本文作者邓侃认为，机器阅读其实就是自然文本的结构化，而文本摘要和机器翻译在2016年的进展，昭示了机器阅读即将取得的突破。

机器阅读将是深度学习的下一个重大进展

回顾2016年，深度学习在应用领域取得了三个重大进展。

1. Google DeepMind 的 AlphaGo，战胜了人类顶级围棋高手。

2. Google Translate 上线，达到了与人类媲美的精度。

3. Tesla 的 AutoPilot 投入使用，让自动导航成为大众使用的日常工具。

展望2017年，深度学习在应用领域将会有新的突破，其中一大看点，就是机器阅读。

书籍是人类文明的主要传承工具。让机器掌握自动阅读的能力，将会颠覆性地降低知识传承和使用的难度。

机器阅读之所以可能在2017年取得突破性进展，原因是机器翻译的工作原理，可以拓展到机器阅读领域。

文本摘要的研究，在2016年取得的进展，已经昭示了机器阅读的前进方向。

所谓文本摘要，就是把整篇文章，输入给电脑，电脑自动输出文章的中心思想。

文本摘要的工作原理，与机器翻译的工作原理，一脉相承。

机器翻译的原理，编码及解码

机器翻译的工作原理，说来简单，先编码，后解码 [1]。

编码的任务，是把输入的文章，转换成一连串数字向量，数字向量包含文章每一词的语义和语法信息，如同基因DNA。

解码的任务，是把数字向量，逐个转换成其它语言的词语，完成翻译。

任务明确后，接下去谈如何实现。

如何提炼文章中每一个词的语义信息？机器翻译用了两个办法，

1. 词向量，词向量包含这一个词的语义信息。词向量的实现方式，用的是神经网络与语言模型的组合，稍后介绍。

2. 语义向量，语义向量包含了从文章开头到当前词的主要语义，也包含了从当前词到文章末尾的主要语义，所以语义向量又称为前后文向量。语义向量的实现方式，用的是 LSTM 的隐状态，稍后介绍。

除了语义信息，编码是否需要容纳语法和统计信息？

文本摘要的研究者们，提议在编码中也容纳语法词性标注（POS tagging）、实体标注（NER）、信息挖掘统计值（TF-IDF）等等信息 [2]。

悬念是，还有哪些其它有用的信息，也应该被容纳进编码中？

更大的悬念是，如何提高编码的正确性，精准地全面地表达原文的语义和语法信息？

编码的实现原理

编码的实现，依赖于词向量和语义向量。

词向量的实现方式，用的是神经网络与语言模型的组合 [3]。

先说语言模型（Language Model），语言模型的任务，是根据前文，预测下一个词，最可能是什么？

有时候听众会打断对方的发言，说，“你不用再说了，你下面想说什么，我已经猜到了”。这样的听众，脑子里拥有出色的语言模型。

人类语言有缺陷，“版图” 与 “疆界”，无一字相同，但是语义相同。

语言模型把每一个人类词汇，对应到一个词向量。词向量是数字向量，数字向量的好处在于，容易计算数字向量之间的距离。同义词的词向量之间的距离为零，近义词的词向量之间的距离较短。

人类词汇，有一词多义的情况。词向量的技术难题，在于如何给多义词配置多个词向量。

[3] 用神经网络，来根据前文，预测下一个出现的词。

所谓预测，其实是估算词库中所有词汇，哪一个词汇在下一个出现的概率最大。神经网络发挥的作用，是概率模拟器。

预测很准的时候，神经网络中的诸多参数就不需要调整。预测不准的时候，就调整这些参数，提高后续预测的精准度。这就是语言模型训练的过程。

因为要估算词库中所有词出现的概率，所以训练语言模型的计算量，往往大得惊人。

解决的办法，是尽可能缩小候选词汇的数量。办法很多，譬如 beam search。

语义向量的实现，依赖 LSTM（Long Short Term Memory）。LSTM 也是一种神经网络，特色有二 [4]。

1. 循环：神经网络前一次的输出，将作为同一个神经网络下一次的输入。所以，LSTM 是处理序列的利器，语句就是序列的一种，序列的例子还包括，股票价格波动，心电图脑电图，音频视频等等。

2. 遗忘：语句中每个词汇的重要性不同，记住重要的词汇，忘记冗词。人类记忆有限，听演讲往往要做笔记，记住要点。电脑的记忆无限，但是也要取舍，避免噪音淹没了要点。

人类听演讲时，把要点写在笔记本里。LSTM 处理序列时，把要点存储在隐状态里。

隐状态（Hidden State）也是数字向量，隐状态数字向量的维度，往往比词向量的维度高。就像笔记本里能够写下很多词汇。

但是隐状态向量并非词向量的简单积累。隐状态向量是前后文词向量的剪接，如同基因剪接一样。

LSTM 的隐状态向量，胜任前后文语义向量的职能。但是隐状态向量的软肋，在于含义晦涩，如同基因不易读解。

好的隐状态向量，容易识别。如果用 Autoencoder [5] 把隐状态向量复原成原文，复原后的原文，与真正的原文越相近，说明隐状态向量的质量越好。

但是坏的隐状态向量，坏在哪里，很难甄别。因为，隐状态向量的含义晦涩难懂。这是需要研究解决的难题。

除了提炼前后文语义，LSTM 还可以做很多事情，譬如给文章中每个词汇标注词性，识别文章中地址名称等等词组。

作为神经网络的一种，LSTM 也需要训练，训练就需要语料。不同的任务，譬如词性标注，词组识别，需要不同的训练语料。

获得大量语料，也是难题。譬如有人提议，收集文章及其标题，作为文本摘要的训练语料。但是遇到标题党，这个办法就失效。

解码的实现原理

解码的理想境界，与翻译的理想境界相似，

1. “信”：语义要正确，不要曲解。

2. “达”：措辞要恰当，即便语义相同，如果措辞不同，那么语气迥异。

3. “雅”：行文要流畅。

解码器的实现原理，与词向量的实现原理相似，依赖语言模型，根据前文，预测下一个词，最可能是词库中的哪一个词汇？

不要忘记，估算词库中所有词出现的概率，计算量往往大得惊人。

要达到“信”的境界，对于机器翻译而言，难度较低，因为翻译基本上是逐个词汇一对一翻译。

对于文本摘要而言，“信”的难度较高。如何摘录重点？人类做摘要，往往摘录论点，不摘录论据，往往摘录故事结局，不摘录故事过程。

如何让电脑辨别论点与论据，结局与过程？这是需要研究的难题。

所以，对于机器翻译而言，解码器的输入，只需要原文中的词向量和语义向量，就可以翻译得相当精准。

但是，对于文本摘要而已，除了词向量和语义向量，还需要词性标注、词组识别、TF-IDF，信息越丰富，摘要越简洁。

简单暴力的办法，是摘录原文中每个段落的起首一两句，遇到两个段落的起首句的语义相同，就忽略其中一个。

要达到“达”的境界，对于机器翻译而言，难度较高，每种语言都有同义词，但是同义词之间的语气差别，往往难以界定。

对于文本摘要而言，“达”的难度较低，简单粗暴但是行之有效的办法，是直接引用原文中的词汇。

引用原文词汇，还有一个好处，是大大降低了计算量。说得学术点，这叫 LVT，Large Vocabulary Tricks [6]。

麻烦在于，原文中出现的词汇很多，下一个词应该引用原文中的哪一个词汇？

解决办法是先用语言模型，根据当前的词向量、语义向量，预测下一个词的词向量。然后再去原文中，寻找最贴切的词汇。

寻找的办法，说得学术点，叫 Attention [1]。

大意是根据原文中每一个词汇本身的语义、语法词性、词组标注、TF-IDF 统计信息，以及前后文的语义等等尽可能多的信息，评估原文中的每一个词汇，与下一个词的词向量的相关性。

但是 Attention 的办法，也会导致巨大的计算量。[2] 提议了一个减少计算量的办法，先评估每个语句的相关性，找到相关语句后，再评估这个语句中每个词汇的相关性。

要达到“雅”的境界，无论机器翻译还是文本摘要，都必须做到下一个词的选择，必须与前文词汇保持流畅。

对于文本摘要而言，下一个词的选择，不能全部选用原文中词汇。实现方式有两个要素。

1. 预先从训练语料中，构建摘要的词库。

2. 实现一个开关函数，决定从词库中选词，还是从原文词汇中摘录。

开关函数可以用 sigmoid 函数，输入有三项，前文的词汇、预测出的下一个词的词向量、Attention 找到的原文中最贴切的词汇。

未来有待解决的问题

除了进一步降低语言模型的计算量，除了识别原文中各个语句及词汇的重要性，未来最大的挑战，可能是如何引用外援知识。

人类阅读的时候，经常需要查字典，查参考文献。

引用外援知识的目的，是扩大读者现有的知识结构，消除现有知识结构与文章内容之间的落差。

阅读结束后，进一步扩大现有知识结构。这就是人类通过阅读，不断学习知识的过程。

知识结构的表达方式有多种，“一图胜千言”，自然语言似乎不是最高效的表达方式。

知识图谱由点和边组成，点表达概念，边表达一个概念与另一个概念之间的关系。

譬如 “发烧” 和 “炎症” 是两个概念，在知识图谱中用两个点来表达。“炎症”导致“发烧”，在知识图谱中用有向边来表达。

当阅读一篇文章时，如果文章中出现的概念，没有出现在现有知识图谱中，那么阅读就会出现困难，这就是知识的落差。

消除知识落差的办法，是查字典，查参考文献，扩大阅读，直到文章中出现的新概念，与现有知识图谱相连接。

如何把文章转换为知识图谱？不妨沿用机器翻译和文本摘要的工作原理，把文章从自然语言，转换成知识图谱。

换而言之，机器阅读其实就是自然文本的结构化。

参考文献

[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