diora

Transcript

1. Unsupervised Latent Tree Induction with Deep Inside-Outside Recursive Autoencoders NAACL 2019
2. Introduction • 句法分析被广泛用于NLP的下游任务 • Tree data少且集中于news领域，跨域困难。 • DIORA：无监督地从任何domain中提取浅层parsing和完整语法树
3. Introduction • 模型建立在latent tree chart parser的现有工作上。 • - Semi-supervised recursive autoencoders for predicting sentiment distributions • - The forest convolutional network: Compositional distributional semantics with a neural chart and without binarization • - Learning to compose task-specific tree structures, AAAI 2018 • - Jointly Learning Sentence Embeddings and Syntax with Unsupervised Tree-LSTMs • CKY算法也是一种chart parser。
4. What is chart? • 一个长度为T的sequence，可以制作一个T*T大小的chart • Chart里的每个cell可以看作是内部节点， • 是所有可能的subtree的软加权 I jump over the river
5. DIORA的贡献 • 将Inside-Outside算法合并到latent tree chart parser中 • 不需要annotation，以language model为训练目标。 • 无监督方法中，DIORA是state-of-the-art，且树最深
6. DIORA • Inside过程递归地压缩输入序列，通过合成函数得到每一个结点 的inside向量表示。Inside过程只考虑子树不考虑context； • Outside过程，通过计算context得到outside向量表示（后面展 开），从根节点展开到叶子节点； • 最后通过优化叶子节点的表示来优化树。
7. 符号约定 • 对于chart里的每一个cell k，都有对应的 • 约定每一个单词x，其embedding vector为v • 相容分数越高，merge的概率越高，节点越可能不存在
8. Inside Pass • 对于叶子节点， • 使用一个线性变换计算inside vector和score：
9. Inside Pass • 对于任意的一个高层节点k，儿子节点对的组合为{k}。 • 这里k对应了一个span。K范围里的相邻节点对(i, j) ∈ {k} • 对每个节点对做两个运算： • (i, j)的相容分数e(i, j) • (i, j)的向量a(i, j)
10. Inside Pass • 首先看相容分数e，e计算两个相邻的cell有多大可能被合并。 • 其中， • 是一个双线性函数，S是一个需要学习的参数
11. Inside Pass • 再看组合向量composition vector。 • 这个分数和这个vector表示了cell k的子树软加权。 • 有两种方法实现这个函数：Tree-LSTM和MLP。 Tree-LSTM中，inside时w=1，outside时w=0 MLP做的是concat
12. Inside Pass • Chart的高层节点vector以累加的方式进行计算。
13. Outside Pass • Outside pass类似于inside pass。 • 根节点被作为bias学习。 • 计算不是通过两个儿子计算，而是通过父亲节点和兄弟节点。 • 根节点的vector随机初始化。
14. Outside Pass • 对于下层节点k， • 计算父节点j和兄弟节点i的composition score， • 约定为f • Compose函数inside和outside共享参数。
15. Training Objective • 用语言模型来训练。 • Margin Loss： • N是采样的负样本数量，根据词频随机采样。
16. Generate a Tree • 有多种办法，这里使用传统的CKY 算法。 • CKY算法可以为CFG和PCFG以动态 规划的方式parse出一个树 • 所以这里只用inside分数e(i, j)
17. Experiment • 模型在三个task上应用： • Unsupervised Parsing • Phrase Segmentation • 看模型识别出了句子中有多少个短语 • Phrase Similarity • 首先用DIORA算出每个短语的表示，然后两两短语之间算cos相似 度，对于一个短语，如果与它最相似的K个短语的label和它一样， 那么这个短语就预测对了。
18. 相关论文 • Semi-supervised recursive autoencoders for predicting sentiment distributions • The forest convolutional network: Compositional distributional semantics with a neural chart and without binarization • Learning to compose task-specific tree structures, AAAI 2018 • Jointly Learning Sentence Embeddings and Syntax with Unsupervised Tree-LSTMs • Do latent tree learning models identify meaningful structure in sentences? • Grammar induction with neural language models: An unusual replication • Structured alignment networks for matching sentences • graph-based dependency parser + beam search: The insideoutside recursive neural network model for dependency parsing • Neural crf parsing