隨著自然語言處理領(lǐng)域的頂級盛會 ACL 2019 落幕，亞馬遜 Alexa AI 的機器學(xué)習(xí)科學(xué)家 Mihail Eric 對本次會議進行了一次比較全面的回顧。從奇聞軼事到學(xué)術(shù)前沿，本文一網(wǎng)打盡，自然語言處理領(lǐng)域的小伙伴們不要錯過！

本周，我有幸參加了 2019 年計算語言學(xué)協(xié)會年會（ACL），本屆會議在美麗的佛羅倫薩的一座古老的美第奇家族的城堡舉行。

我非常熱衷于參加學(xué)術(shù)會議，因為你可以在很短的時間內(nèi)掌握研究社區(qū)的前沿思潮，了解人們的所思所想以及該領(lǐng)域的最新進展。對于全世界的自然語言處理（NLP）研究者而言，ACL 可能是最大的盛會，它為該領(lǐng)域的頂尖工作提供了一個具有代表性的抽樣展示平臺。

和其它會議一樣，有時參加 ACL 就像是在大浪淘沙，你會被淹沒在論文、演講和各種思維的海洋中。在本文中，我希望提煉出我花費了一周時間收集到的 NLP 研究社區(qū)的關(guān)鍵知識點和發(fā)展趨勢，并適當(dāng)?shù)貐⒖枷嚓P(guān)論文，重點介紹可以預(yù)見到的一些趨勢。本文中的引用必然是不完整的，所以我建議，想要了解其它有趣的工作的讀者請查看完整的會議論文集：

• http://www.acl2019.org/EN/program.xhtml

如何在 NLP 社區(qū)中做到一碗水端平？

在本屆 ACL 的開幕致辭中，大會主席周明先生指出，這次會議是有史以來規(guī)模最大的一屆 ACL 大會。會議共收到了2900 余篇提交的論文，投稿規(guī)模相較于 2018 年增長了 75%！自然語言處理領(lǐng)域?qū)嵲谑侵耸挚蔁幔瑢W(xué)術(shù)界和工業(yè)界的熱情都創(chuàng)下了歷史新高。

然而，這些關(guān)于大會受歡迎程度的統(tǒng)計數(shù)據(jù)并不能很全面地代表全球范圍內(nèi)對于 NLP 的關(guān)注情況。投稿量的增長大多都來源于北美地區(qū)（由美國領(lǐng)銜）以及亞洲地區(qū)（由中國領(lǐng)銜），將大多數(shù)南美、非洲、以及許多歐洲國家甩在了后面。因此，當(dāng)前的 NLP 研究存在地理偏差的風(fēng)險，這樣一來我們就無法獲知多元化的觀點來塑造該領(lǐng)域的未來。

正如周明先生所說（根據(jù)他在亞太地區(qū)發(fā)展 NLP 社區(qū)的經(jīng)驗），一種可行的解決方案是：在被忽視的地區(qū)舉辦更多的會議和活動。在過去，這種做法成功地吸引了主辦地更多的會員參與其中。目前，已經(jīng)有許多正在實施的工作采取這種方式解決地理偏差問題（例如，「Deep Learning Indaba」，http://www.deeplearningindaba.com/）。

除了地理偏差，在當(dāng)前的自然語言處理發(fā)展進程中，人們也逐漸意識到其它一些令人遺憾的現(xiàn)象（例如，性別偏差）。一些論文溝通過實證研究強調(diào)了這種性別偏差。例如，Stanovsky 等人（https://arxiv.org/abs/1906.00591）說明了，四種商用機器翻譯系統(tǒng)以及目前最先進的兩種學(xué)術(shù)模型都非常易于出現(xiàn)與性別相關(guān)的翻譯錯誤。

研究社區(qū)也很清楚地意識到了這個問題，并因此提出了很多有趣的工作，例如 Kaneko 等人（https://arxiv.org/pdf/1906.00742.pdf）開發(fā)了一種無偏的詞嵌入方法，它能夠保留沒有偏見的與性別相關(guān)的信息，同時去除舊系統(tǒng)中存在的性別偏差。從更高的層次上來說，今年的 ACL 和舉辦了首屆「自然語言處理中的性別偏差研討會」（Gender Bias in NLP Workshop，https://genderbiasnlp.talp.cat/）以及「擴展自然語言處理研討會」（Widening NLP Workshop，http://www.winlp.org/winlp-2019-workshop/），致力于將這些問題的研究者聚集在一起，提高見解，促進富有成果的討論。

當(dāng)然，我們?nèi)匀蝗沃囟肋h，但是看到研究社區(qū)采取積極舉措來減輕這些偏差的問題是十分令人鼓舞的。

NLP 的豐富應(yīng)用

自然語言處理領(lǐng)域的研究現(xiàn)狀令人歡欣鼓舞，因為我們在該領(lǐng)域開發(fā)的模型和工具有解決許多實際問題的潛力?？纯幢緦脮h展示的各種各樣的 NLP 應(yīng)用，這一點就愈發(fā)明顯了。

在這個充斥著假新聞和虛假的神經(jīng)網(wǎng)絡(luò)新聞的時代，驗證陳述的真實性變得越來越重要。Shengli Hu 的工作「Detecting Concealed Information in Text and Speech」（https://www.aclweb.org/anthology/P19-1039）構(gòu)建了一個利用聲學(xué)和語言學(xué)特征識別文本和語音中的隱藏信息的系統(tǒng)，其性能相較于人類提升了 15%。

在健康領(lǐng)域，Shardlow 等人（https://www.aclweb.org/anthology/P19-1037）開發(fā)了一種通過特定領(lǐng)域的短語表使得醫(yī)生編寫的臨床文書對于患者來說更具可讀性的神經(jīng)網(wǎng)絡(luò)模型。相關(guān)的工作還有，Du 等人（https://arxiv.org/pdf/1906.02239.pdf）提出了根據(jù)臨床對話提取出疾病癥狀的任務(wù)，并給出了一些對比基線模型，這種手段可以減少初級保健醫(yī)生花費在與臨床文獻記錄系統(tǒng)交互的時間。

今年的 ACL 還專門設(shè)立了一個將 NLP 技術(shù)應(yīng)用于生物學(xué)問題的研討會（https://aclweb.org/aclwiki/BioNLP_Workshop）。例如，F(xiàn)auqueur 等人（https://arxiv.org/pdf/1907.01417.pdf）提出了用于在無需訓(xùn)練數(shù)據(jù)或手動設(shè)計的規(guī)則的條件下，從生物醫(yī)學(xué)文獻中提取出新的科學(xué)事實的技術(shù)。Rajagopal 和 Vyas 等人（https://www.aclweb.org/anthology/W19-5009）的另一篇優(yōu)秀論文，則通過在大規(guī)模數(shù)據(jù)集上訓(xùn)練一個 LSTM-CRF 模型，然后在「低資源」（數(shù)據(jù)量較少的）語料庫上進行調(diào)優(yōu)，從而使語義角色標(biāo)注系統(tǒng)適用于生物學(xué)過程，他們的模型性能在標(biāo)準(zhǔn)數(shù)據(jù)集上相較于以往的工作提高了 21 個百分點。

除此之外，NLP 領(lǐng)域還有一些很酷炫的工作，包括 Zhang 等人的論文「This Email Could Save Your Life: Introducing the Task of Email Subject Line Generation」（https://arxiv.org/abs/1906.03497），他們介紹了電子郵件主題行生成的問題（不妨想一想電子郵件智能回復(fù)功能，只不過這里的任務(wù)是生成電子郵件的標(biāo)題），并且針對該問題展示了第一個充滿前景的模型，對該模型進行了自動和人工評估。

一種新的 NLP 范式：先預(yù)訓(xùn)練、再調(diào)優(yōu)

正如 Krizhevsky 等人于 2011 年發(fā)表的開創(chuàng)性工作「ImageNet Classification with Deep Convolutional Neural Networks」一夜之間掀起了計算機視覺領(lǐng)域的革命，深度學(xué)習(xí)在自然語言處理領(lǐng)域的應(yīng)用同樣也處于爆炸性的快速增長期。

從 2015 到 2017 年，NLP 領(lǐng)域中的大多數(shù)任務(wù)都可以通過一個相對簡單的范式來解決：通過某種連續(xù)的向量表征嵌入文本輸入，對這些表征進行編碼，對編碼后的表征應(yīng)用注意力機制，對任務(wù)進行預(yù)測。Matthew Honnibal 的博文（https://explosion.ai/blog/deep-learning-formula-nlp）對介紹了這種范式。

雖然從概念上說很簡單，但「嵌入、編碼、注意、預(yù)測」的范式似乎在 NLP 領(lǐng)域勢不可擋，在所有類型的任務(wù)（例如機器翻譯、問答系統(tǒng)、自然語言推理等等）上都取得了目前最先進的性能。這樣的范式在過去一段時間內(nèi)，似乎是無所不能的。

現(xiàn)在，NLP 領(lǐng)域可謂是「城頭變幻大王旗」了。隨著強大的預(yù)訓(xùn)練表征的出現(xiàn)，一些使用語言建模目標(biāo)進行訓(xùn)練（例如，ELMO，https://arxiv.org/abs/1802.05365），OpenAI GPT（https://s3-us-west-2.amazonaws.com/openai-assets/research-covers/language-unsupervised/language_understanding_paper.pdf），以及 BERT（https://arxiv.org/pdf/1810.04805.pdf）的 NLP 技術(shù)已經(jīng)可以被直接使用，它們在大規(guī)模數(shù)據(jù)上進行預(yù)訓(xùn)練，然后在一些較小的領(lǐng)域內(nèi)的語料庫上針對任務(wù)進行調(diào)優(yōu)。實際上，這種策略已經(jīng)成功地在現(xiàn)有的 NLP 對比基準(zhǔn)實驗中取得了目前最先進的性能。

在本屆 ACL 上，這種策略的主導(dǎo)地位被一些已經(jīng)發(fā)表的工作，以及人們對于 NLP 領(lǐng)域研究現(xiàn)狀的普遍態(tài)度進一步強化了。其中，Dai 和 Yang 等人的工作試圖進一步推動基于 Transformer 的超級模型的發(fā)展，極大地提升它們的運行速度，實現(xiàn)目前最先進的模型性能。這種新范式的另一個非常具有代表性的工作是 Liu 和 He 等人提出的「Multi-Task Deep Neural Networks for Natural Language Understanding」，他們利用一個基于 BERT 的架構(gòu)成功登頂 GLUE 對比基準(zhǔn)排行榜。（目前排名第3）

除了這些工作本身，圍繞會議產(chǎn)生的最多的討論是，如果使用像 BERT這樣的訓(xùn)練方法，研究者們之前提出的許多架構(gòu)可以實現(xiàn)幾個百分點的提升。那么問題來了：這種新的范式是否使許多 NLP 領(lǐng)域在建模方面的創(chuàng)新變得不值一提了？

針對該問題，我個人持否定態(tài)度?？偟膩碚f，仍然有很多工作沒有得到充分的研究，而這些工作對于推進 NLP 領(lǐng)域在未來的發(fā)展是至關(guān)重要的。下面，我將列舉出其中的一些工作。

將知識注入 NLP 架構(gòu)

雖然現(xiàn)有的經(jīng)過預(yù)訓(xùn)練的語言超級模型架構(gòu)十分強大，但是根據(jù)原始文本語料庫訓(xùn)練這些模型的方式鼓勵了一種「學(xué)到什么就是什么」（you get what you get）的風(fēng)潮。換句話說，他們所學(xué)到的東西是幾乎不受限制的，而這些模型的卓越性能可能只是由于在龐大的訓(xùn)練數(shù)據(jù)集中遇到各種各樣的上下文中的許多實例，從而表現(xiàn)出的功能。我們能否融合相關(guān)的知識資源中的信息來對此進行改進呢？

在本屆 ACL 上，有許多論文試圖解決這個問題。例如，Zhang 等人（https://arxiv.org/pdf/1905.07129.pdf）將類型化的實體嵌入和實體對齊技術(shù)應(yīng)用到了一個底層知識圖譜上，從而改進 BERT 的表征，證明了他們的模型可以在實體分類和關(guān)系分類任務(wù)中超越 BERT 模型。Yang 等人（https://www.aclweb.org/anthology/P19-1226）也提出了 KT-NET 來解決這個問題，該模型使用了一個注意力機制來融合從知識庫（例如，WordNet 和 NELL）中選擇的信息，從而在 Squad 1.1 機器閱讀理解任務(wù)中取得了最先進的性能。Logan 等人（https://arxiv.org/pdf/1906.07241.pdf）撰寫的另一篇優(yōu)秀的論文提出了知識圖譜語言模型，這是一種生成式架構(gòu)，它能夠有選擇性地根據(jù)一個與底層上下文語境相關(guān)的知識圖譜中復(fù)制出事實，其性能優(yōu)于許多強大的語言模型對比基線。

盡管將知識諸如神經(jīng)模型是一件相當(dāng)困難的事，但這些研究成果仍然令人振奮！

模型的可解釋性

眾所周知，神經(jīng)網(wǎng)絡(luò)是一種黑箱模型，因此很難真正理解所學(xué)到的決策函數(shù)。暫且不考慮完全可以解釋這些模型是否是必要的，但我們至少可以認為，對模型內(nèi)部在某種程度上的理解可以對未來的架構(gòu)設(shè)計產(chǎn)生深遠的影響。在本屆 ACL 上，也有一些優(yōu)秀的論文旨在解釋一些現(xiàn)有的模型。

Serrano 等人（https://arxiv.org/pdf/1906.03731.pdf）的工作向「注意力機制可以突顯出模型的重要概念」的普遍看法提出了挑戰(zhàn)，他們說明這種觀點雖然有時是成立的，但是在有些情況下，其它的排序度量標(biāo)準(zhǔn)可能對于表示出模型的決策過程更加有效。

另一方面，Jawahar（https://hal.inria.fr/hal-02131630/document）等人深入探討了利用 BERT 學(xué)到的語言結(jié)構(gòu)，說明了 BERT 的網(wǎng)絡(luò)層學(xué)到了豐富的語言信息（例如，底層網(wǎng)絡(luò)學(xué)習(xí)到了表面的語言特征，中間層網(wǎng)絡(luò)學(xué)到了句法特征，頂層網(wǎng)絡(luò)學(xué)到了語義特征）。作者認為，對于學(xué)習(xí)遠距離依賴信息，使用更深的網(wǎng)絡(luò)層架構(gòu)是很有必要的。

還有許多其它的工作也討論了模型的可解釋性。Gehrmann 等人（https://arxiv.org/pdf/1906.04043.pdf）研發(fā)了一種工具，它可以通過可視化預(yù)測單詞的模型密度，來檢測用神經(jīng)網(wǎng)絡(luò)生成的虛假文本，使人類用戶可以將其檢測率提升近 20%。Sydorova 等人（https://arxiv.org/pdf/1906.10924.pdf）在問答系統(tǒng)上研究了許多諸如「LIME」（https://github.com/marcotcr/lime）的事后解釋方法，說明某些技術(shù)可以幫助人們從多個選項中找出優(yōu)秀的問答系統(tǒng)模型。

再次思考自然語言生成的評價與假設(shè)

作為對話系統(tǒng)的從業(yè)者，在我看來，自然語言生成任務(wù)的復(fù)雜性是很棘手的。尤其是，對于研究社區(qū)來說，對模型的評價仍然是一個非常富有正義的問題，因此看到研究者們積極地改善現(xiàn)狀是十分令人鼓舞的。

對于初學(xué)者來說，Maxime Peyrard（https://www.aclweb.org/anthology/P19-1502）證明了，在評價特定得分范圍內(nèi)的性能時,某些用于文本自動摘要的自動化的評價指標(biāo)存在不一致性。Clark 等人（https://homes.cs.washington.edu/~nasmith/papers/clark+celikyilmaz+smith.acl19.pdf）也提出了一種新的基于句子移動相似度（sentence mover’s similarity）的生成文本評價指標(biāo)，該指標(biāo)被證明比標(biāo)準(zhǔn)的 ROUGE 指標(biāo)更符合人類的判斷。

模型生成的文本往往會出現(xiàn)「事實錯誤」（factual errors）和「虛假陳述」（spurious statements）的問題。因此，F(xiàn)alke 等人（https://leoribeiro.github.io/papers/acl19-summary-correctness.pdf）研究了是否可以用自然語言推理系統(tǒng)對輸出進行重排序，從而解決該問題。他們發(fā)現(xiàn)現(xiàn)成的自然語言推理系統(tǒng)并不能適用于下游任務(wù)，并提供了一些使這些系統(tǒng)能夠達到必要性能的工具。

Maxime Peyrard 的更加基礎(chǔ)的工作（https://www.aclweb.org/anthology/P19-1101）則在理論上嚴(yán)格地定義了本文自動摘要領(lǐng)域的某些概念（例如，冗余度、相關(guān)性、信息量）。

除了模型評價，Sankar 等人（https://arxiv.org/abs/1906.01603）的優(yōu)秀工作對「傳統(tǒng)的基于循環(huán)神經(jīng)網(wǎng)絡(luò)」和「基于 Transformer」的序列到序列（Seq2Seq）的對話模型從對話歷史中學(xué)到的某些假設(shè)提出了質(zhì)疑。他們特別指出，這些模型對于某些應(yīng)用于上下文的擾動并不十分敏感，這對目前的自然語言對話生成器提出了挑戰(zhàn)。

如何超越「預(yù)訓(xùn)練-調(diào)優(yōu)」范式？

經(jīng)過不斷的迭代，雖然當(dāng)前的 NLP 模型似乎已經(jīng)達到了最先進的水平，但是 NLP 研究社區(qū)的主流觀點仍然是：還有一些問題需要改進。由于我們經(jīng)常使用對比基準(zhǔn)來衡量任務(wù)的研究進展，我們漸漸遇到了一些棘手的情況，而且這些模型中有許多已經(jīng)在現(xiàn)有的 NLP 對比基準(zhǔn)上超過了人類的表現(xiàn)。那么我們應(yīng)該怎么辦呢？

這就是 Zellers等人（https://arxiv.org/pdf/1905.07830.pdf）提出的問題，在早期的工作中，它為常識性的自然語言推理問題提供了一個挑戰(zhàn)性的數(shù)據(jù)集，結(jié)果在發(fā)布后不就就發(fā)現(xiàn) BERT 已經(jīng)達到了與人類相近的表現(xiàn)。為了讓問題變得更困難一點，作者發(fā)布了一個后續(xù)的數(shù)據(jù)集，該數(shù)據(jù)集使用一種叫做對抗性過濾的技術(shù)選擇出令 BERT 和其它模型難以回答的示例。在這個過程中，他們大大增加了對比基準(zhǔn)測試的復(fù)雜度。

BERT 當(dāng)然并非完美。Nangia 等人（https://arxiv.org/pdf/1905.10425.pdf）的研究表明，基于 BERT 的模型難以應(yīng)對低資源（可用數(shù)據(jù)量較少）的句子分類任務(wù)，并提出了一個被稱為「SuperGLUE」（https://arxiv.org/pdf/1905.00537.pdf）的后續(xù)的自然語言理解對比基準(zhǔn)，專門對這種機制進行評價。

McCoy 等人（https://arxiv.org/pdf/1902.01007.pdf）的另一項工作則說明了，應(yīng)用于自然語言推理的 BERT 模型實際上學(xué)習(xí)到了非常簡單的語法啟發(fā)信息，但這些啟發(fā)信息不能很好地泛化到其它的推演（entailment）例子中。他們也發(fā)布了一個評價數(shù)據(jù)集，從而確定模型是否采用在采用了這些啟發(fā)信息后也沒能解決更一般的推理問題。

Min 和 Wallace 等人（https://arxiv.org/pdf/1906.02900.pdf）的另一篇相關(guān)論文說明了，許多針對 HotpotQA 數(shù)據(jù)集（一個多條問答對比基準(zhǔn)）提出的模型，實際上并不需要執(zhí)行多跳推理來獲得良好的性能。

總的來說，我認為現(xiàn)在大部分的模型仍然是在針對特定數(shù)據(jù)集做工作，而不是針對特定任務(wù)。我們建立的模型可以非常有效地收集和利用數(shù)據(jù)集特有的偏差。在這個過程中，我們的評價指標(biāo)又為我們展示了相當(dāng)具有誤導(dǎo)性的分析結(jié)果。這讓我想起了「古德哈特定律」 ：當(dāng)一項指標(biāo)成為目標(biāo)時，那么他就不再是一個好的指標(biāo)（一項社會指標(biāo)或經(jīng)濟指標(biāo)，一旦成為一個用以指引宏觀政策制定的既定目標(biāo)，那么該指標(biāo)就會喪失其原本具有的信息價值）。那么，接下來我們該如何做呢？

考慮到這些評價對比基準(zhǔn)對于自然語言任務(wù)發(fā)展的重要意義，以及模型開發(fā)的速度，假設(shè)對比基準(zhǔn)一成不變似乎是不合理的。相反，我發(fā)現(xiàn)開發(fā)一套不斷演化的、難度越來越大的對比基準(zhǔn)，提高自然語言能力的門檻，是特別有前景的。也許從某種程度上來說，這就是我們實現(xiàn)令機器具有人類級別的自然語言能力的方式。

結(jié)語

總而言之，一周的 ACL 見聞讓我感到 NLP 領(lǐng)域正在蓬勃發(fā)展！NLP 研究社區(qū)迎來了它的黃金時代，許多前景光明的發(fā)展機遇就在前方。雖然研究社區(qū)在過去的一年中碩果累累，但仍有許多突出的挑戰(zhàn)和尚待解決的問題等待著研究者們?nèi)スタ耍?/p>

via https://www.mihaileric.com/posts/nlp-trends-acl-2019/. 雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。