NLP硬核入门-PointerNet和CopyNet

本文需要的前序知识储备是：注意力机制Attention Mechanism。

PointerNet和CopyNet是同一类网络模型，只是在不同的论文里叫法不同，后文统一用PtrNet来表示。

1 背景介绍

1.1 OOV

在NLP领域中，由于词表大小的限制，部分低频词无法被纳入词表，这些词即为OOV（Out Of Bag）。它们会统一地被UNK替代显示，其语义信息也将被丢弃。

OOV难以完全规避，有两个主要原因：

（1）命名实体常常包含重要的信息，但是许多命名实体也是低频词，常常无法被纳入词表。

（2）网络新词层出不穷，旧词表无法及时的更新。尤其是在模型越来越大的现状下，加入新词后模型重新训练的成本代价很高。

应对OOV的三个主要方法

（1）扩大词表：扩大词表后，可以将部分低频词纳入了词表，但是这些低频词由于缺乏足够数量的语料，训练出来的词向量往往效果不佳，所以扩大词表在提升模型的效果方面，存在一定的瓶颈。

（2）指针拷贝网络：这正是本文将要介绍的模型。

（3）字向量/n-gram：中文任务使用字向量（例如BERT），英文任务使用n-gram。

1.2 PtrNet

本文将要介绍的PtrNet模型脱胎于Attention机制，使用了Attention机制里的对齐向量a。

PtrNet主要应用于NLP的文本摘要任务、对话任务、（特定条件下）的翻译任务，目的在于应对OOV问题。

本文选取了4篇PtrNet论文，我按照论文的发表顺序，分别在本文的2~5节进行呈现，以此来介绍PtrNet提出、改进和发展的过程。

2 Pointer Networks

《Pointer Networks》论文是PtrNet模型的开山之作，发表于2015年。

论文提出了当前文本序列生成模型的三个问题，这三个问题都可以通过使用PtrNet解决：

（1）目标序列的词表，和源序列的词语内容是强相关的。面对不同语言、不同应用场景的任务，往往需要重新构造词表。

（2）词表的长度需要在模型构建之前作为超参数进行配置。如果需要变更词表的长度，就需要重新训练模型。

（3）在部分任务场景里，不允许有OOV的存在。

本论文的思路，就是让decoder输出一个由目标序列指向源序列的指针序列，而如何去选择这个指针，就是论文的主要内容。

PtrNet利用了Attention模型的一个中间变量：对齐系数a。因为对齐系数a表示目标序列当前step和源序列所有step之间的相关性大小，所以我们可以通过选取对齐系数向量a（向量a长度为源序列的step长度）中数值最大的那个维度（每个维度指向源序列的一个step），实现一个从目标序列step到源序列step的指针。最后，根据这个指针指向的源序列的词，直接提取这个词进行输出。

通过以上方法，就能够在decoder的每一个step，从源序列的所有step中抽取出一个，进行输出。这样，由于decoder输出的是一个指针序号的序列，而不是具体的词，也就没有了OOV问题；同时，因为不需要构建词表，就从根本上解决了词表内容和词表长度的问题。

很遗憾的，虽然论文中有提及：PtrNet可以在翻译任务中提取命名实体，在摘要任务中提取关键词，但是论文中并没有更进一步，将PtrNet应用于NLP任务，而是利用凸包求解问题、旅行商问题进行了实验和论证。

3 Pointing the Unknown Words

论文《Pointing the Unknown Words》发表于2016年，将PtrNet模型在NLP领域的文本摘要任务和翻译任务上进行了落地实践。

这篇论文提出的Pointer Softmax Network模型包含三个主要模块。用通俗的语言解释，如果传统模型效果好，就选择传统模型的输出值进行输出，如果PtrNet模型效果好，就选择PtrNet模型的输出值进行输出，然后需要有一个开关网络来判断，传统模型效果好还是PtrNet模型效果好。这三个模块的描述如下：

（1）Shortlist Softmax：这个模块由传统的Attention Mechanism实现，输出一个在词表里的词的条件概率。这个模块需要维护一个固定大小的词表。在下面的公式中，p(w)就是Shortlist Softmax的输出：

（2）Location Softmax：这个模块利用了Attention Mechanism的对齐系数a。对齐系数a的向量长度是源序列的step长度，并且对齐系数a每个维度的值，表示decoder当前step输出源序列每个step的概率大小。我们就可以在对齐系数a的各个维度中，取出数值最大的那个维度，作为decoder当前step的指针，这个维度上的值就是其概率大小。该模块输出词表的大小为输入序列的step序列长度。在下面的公式中，p(l)就是Location Softmax的输出：

（3）Switching Network：前面两个模块的公式里的p(z)项，就是由Switching Network模块生成输出的。Switching Network模型通过p(z)选择是采纳Shortlist Softmax输出的预测词，还是采纳Location Softmax输出的预测词。Switching Network由一个多层感知机MLP实现，并在最后接一个sigmoid激活函数。Switching Network的输出值如下：

将整个模型拼接起来，公式如下：

关于这篇论文，还有额外的几点需要说明下：

（1）在decoder的公式中，每个step有且仅有一个softmax会生效并输出预测值。这个比较理想化，因为开关网络最后一层接的是sigmoid，不能完全保证输出的是0或者1。所以工程实践估计是采用0.5作为判决门限，来选择使用哪个softmax。

（2）这篇论文和论文[4]，都有提及：虽然引入PtrNet机制会扩大网络规模，增加网络的参数，但是在模型训练环节，反而会让模型收敛得更快。

（3）要将PtrNet用于翻译任务，需要做一些额外的工作：遇到OOV词时，在使用Location Softmax模块前，会进行两个判定，一个是对OOV词进行查表（法语-英语字典）判断相应的词是否在target和source中同时出现，另一个是查找OOV词是否直接在target和source中同时出现，如果其中一个判定成功，则模型可以使用Location Softmax（逻辑上很麻烦对不对，特别是还要额外引入一个词典）。

4 Incorporating Copying Mechanism in Seq2Seq Learning

论文《Incorporating Copying Mechanism in Sequence-to-Sequence Learning》也发表于2016年，将PtrNet应用于文本摘要任务和单轮对话任务。

（这篇论文的参考资料里包含《Pointing the Unknown Words》，所以我将这篇论文排在[2]之后）

这篇论文提出的CopyNet模型包含两个具有创新点的模块（encoder模块不算在内）：

（1）Generate-Mode & Copy-Mode

CopyNet把[2]中的两个预测输出模块融合到一起去了。

Generate-Mode & Copy-Mode模块会维护两个词表，一个是传统的词表（但是这个词表不包含UNK），一个是源序列中的词构成的词表。

（a）对于传统词表中的词和UNK，模型采用Generate-Mode计算词语输出概率：

其中v是词的onehot表示，W是Generate-Mode的词向量表，s是decoder的状态。公式的意思也就是拿词向量乘以状态s，得到一个分数，再进行归一化，获得概率值。

这个概率是直接计算出来的，不像attention要经过好几层网络。

（b）对于源序列词表中的词，模型采用Copy-Mode计算词语输出概率：

其中h是encoder输出的output，w是待训练矩阵，s是decoder的状态。

需要注意的有两点：

第一点是：这里词表的长度是源序列中的词去重后的数量，和[2]中源序列的长度不一样。

第二点是：如果目标序列中的词y有在源序列词表中，那么Copy-Mode输出的概率就不为0。y在源序列的各个step中每出现一次，就要根据公式计算一次概率值，最后Copy-Mode输出的概率，等于源序列的所有step中有出现y的概率值之和。

（c）最后，模型会将Generate-Mode和Copy-Mode输出的词语概率进行相加汇总，得到最终的词语概率分布。

（2）State Update

在CopyNet的decoder中，要将e与ζ拼接，作为前一个step的状态s，传入下一个step。其中e是上一步输出词的词向量，ζ是一个类似上下文的向量。

在论文结尾的分析部分，提出了两个很棒的思路和想法：

（1）CopyNet模型融合了生成式（abstractive）摘要任务和抽取式（extractive）摘要任务的思想。decoder输出的大部分关键词来源于Copy-Mode，这体现了extractive summarization。然后再由Generate-Mode把语句撸通顺，这体现了abstractive summarization。

（2）拷贝机制的本质是提取关键词，这个输出可以作为上游模块，和其它任务相结合，例如文本分类任务。

另外说几个我对这篇论文的吐槽：

（1）论文读起来比较累，尤其是模型结构图。

（2）Generate-Mode使用的是固定的词向量，没有利用attention机制引入上下文信息。

（3）Generate-Mode的计算公式有点冗余，把OOV词都标注为UNK会简单点，而且我估计模型效果也不会下降。

（4）State Update模块中的ζ，从计算公式来看，很像上下文向量c。论文里解释说这个ζ是用来为Copy-Mode提供信息的，但是根据Copy-Mode的计算公式，其中本来就带有上下文信息和对齐信息了，再加上ζ里的信息就有点多余了。反而是Generate-Mode里缺乏上下文信息。并且，论文里没有给出权重ρ的具体计算公式，所以我猜测，这个ζ可能用的就是attention的计算公式，实际上起到了给Generate-Mode提供上下文信息的作用。

（5）State Update中的e使用的是上个step输出词的word embedding，这样在解码时候，岂不是只能用greedy search，而不能用beam search了？

5 Summarization with Pointer-Generator Networks

论文《Get To The Point: Summarization with Pointer-Generator Networks》发表于2017年，是一篇很棒的论文，如果只能从本文提及的四篇论文中选一篇来读，我建议读这篇。

如论文名所示，本论文模型被应用于文本摘要任务。

模型的结构和[2]类似，包含以下几个部分：

（1）传统的带Attention机制的Generator Network：

计算公式大部分和Bahdanau Attention一致，只有一个差异：输出层P_vocab用了个两层的MLP。

（2）用于从源序列拷贝词语的Pointer Network：

向量a^t代表的是decoder在step t的对齐向量a。对于任意一个词w，Pointer Network输出的w的概率值，等于输入序列中所有等于w的词所在的step，对应a^t的相应维度的概率值的和。

Pointer Network的词表长度，为源序列词语构成的集合的元素个数。

（3）最后，利用开关网络汇总概率值：

这篇论文还提出了一个创新点：Coverage Mechanism。这个创新点和本文主题无关，但是又非常经典，所以作个简单的介绍：Coverage Mechanism通过统计各个词语在历史对齐向量a中的出现的概率值的累积和，将累计和分别纳入Generator Network公式和惩罚项，以达到解决序列生成任务中，相同文本不停循环出现的问题。

这篇论文还非常详尽地描述了调参细节，并给出了一些能够在其它工作中借鉴的思路：

（1）在模型训练到一定程度后，再使用Coverage Mechanism。否则模型容易收敛到局部最优点，影响整体效果。

（2）传统Attention机制的基线模型包含21,499,600个参数，训练了33个epochs。本文模型添加了1153个额外的参数，训练了12.8个epochs。所以合适的模型不但效果好，而且快。

（3）在模型的训练环节，刚开始的时候，大约有70%的输出序列是由Pointer Network产生的，随着模型逐渐收敛，这个概率下降到47%。然而，在测试环节中，有83%的输出序列是由Pointer Network产生的。作者猜测这个差异的原因在于：训练环节的decoder使用了真实的目标序列。

（4）虽然Generator Network生效的概率不高，但是其依旧不可或缺，例如在下面的几个场合，模型有较大的概率会使用Generator Network：在句子的开头，在关键词之间的承接文本。

（5）在摘要任务中，适当地截断句子反而能产生更好的预测效果，原因在于这篇论文用的语料是新闻语料，而新闻语料经常把最重要的内容放在开头。

（6）作者曾尝试使用一个15万长度的大词表，但是并不能显著改善模型效果。

作为NLP算法工程师，seq2seq模型和attention机制，是基础中的基础，在没彻底搞懂之前，不建议去探索一些很时尚的算法。

参考资料

[1] Vinyals O, Fortunato M, Jaitly N. Pointer Networks[J]. Computer Science, 2015, 28.

[2] Gulcehre C, Ahn S, Nallapati R, et al. Pointing the Unknown Words[J]. 2016.

[3] Gu J , Lu Z , Li H , et al. Incorporating Copying Mechanism in Sequence-to-Sequence Learning[J]. 2016.

[4] See A , Liu P J , Manning C D . Get To The Point: Summarization with Pointer-Generator Networks[J]. 2017.

微信文章链接：