來源：知乎

　　作者：李紀為

　　本文約5000字，建議閱讀10分鐘。

　　本文為你介紹了剛邁進NLP領域需要掌握的一些小技巧。

　　

　　ACL2021投稿剛剛落幕，投稿數超過了2800篇，可以說是歷史以來最盛大的一屆ACL。在深度學習的推動下，自然語言處理這個子領域也逐漸被推上人工智能大舞臺的最前列。

　　最近在跟同學的郵件、或者知乎留言中的交流中，不少同學尤其是剛入（jin）門（keng）的同學，提到了深度學習背景下做NLP科研的很多迷茫?；究梢詺w納為如下幾點：如今一個模型，幾十行TensorFlow或者PyTorch就可以解決掉，大家不厭其煩地刷數據集的benchmark，但是因為如今實現模型的門檻低一些，SOTA很難再刷的上去；就算好不容易刷上去了，因為模型千篇一律無非修修補補，文章投出去了因為novelty 受限，文章中不中看天；即便是文章中了，似乎并無太大新意，灌水中已然迷茫。

　　深度算法的風靡會讓研究者過度關心這些算法本身，而層出不窮模型結構的調整和改進又讓我們眼花撩亂。當侃侃而談深度學習網絡結構變成一個很cool的事情的時候，人們的虛榮心會使得不約而同地忽略了幾個重要點。基于我自己多年來曾經走過的彎路，踩過的坑，這篇文章做一點點小的總結。希望會對剛剛進入NLP領域的同學有所幫助。

　　1、了解NLP的最基本知識

　　Jurafsky和Martin的Speech and Language Processing是領域內的經典教材，里面包含了NLP的基礎知識、語言學掃盲知識、基本任務以及解決思路。閱讀此書會接觸到很多NLP的最基本任務和知識，比如tagging, 各種parsing，coreference, semantic role labeling等等等等。這對于全局地了解NLP領域有著極其重要的意義。書里面的知識并不需要爛熟于心，但是刷上一兩遍，起碼對于NLP任務有基本認識，下次遇到了知道去哪里找還是非常有意義的。另外 Chris Manning 的 introduction to information retrieval 也是一本可以掃一下盲的書，當然我認為依然不需要記住所有細節，但輪廓需要了解。IR里面的很多基本算法跟NLP有不少的重合。說說我自己曾經走過的彎路。Stanford NLP的qualification考試的一部分就是選一些jurafsky 和 manning書里面的一些chapter來讀，然后老師來問相關問題。

　　開始我一直對里面的東西懶得看，所以qualification考試一拖再拖。但博士最后一年沒辦法拖的時候，才發現如果早知道這些東西，博士早年可以少走很多彎路。

　　為什么了解NLP基礎知識的重要，我給大家舉幾個例子。

　　最近跟同學一起做語言模型 language modeling相關的事情，很多同學用LSTM或者transformers做language model隨手就能實現，但是實現一個 bigram 或者 trigram的language model（LM）卻因為里面的OOV的平滑問題卡了大半天（熟悉的同學可能知道，需要拉普拉斯平滑或者更sophisticated的Kneser-Ney平滑）。為什么bigram 或者 trigram的LM很重要呢？去做一個語言模型的問題，實現深度模型之前，第一步其實就要去寫一個 bigram 或者 trigram的LM。為什么呢？ 因為這些N-gram模型實現簡單，并且robust。通過這樣簡單的實現，可以告訴你這個數據集的LM模型的下限。這樣我們心里會有數，神經網絡模型至少不應該比這個模型差的。神經網絡模型因為其超參數、梯度爆炸等問題，有時候我們不太容易決定是真的模型不行、參數沒調好還是代碼有bug。那么通過N-gram LM的給出的下限，我們就可以直觀地知道神經網絡是有bug還是沒調好參數。

　　第二個例子就是涉及發文章了，不知道有沒有同學想過，BERT里面訓練LM的隨機替換為什么就使結果變好，隨機替換是什么鬼，怎么結果就好了。其實在BERT之前，斯坦福的吳恩達組的Ziang Xie的 Data Noising as Smoothing in Neural Network Language Models ICLR2021（arxiv/pdf/1703.0257） 就首次提出了此方法，而且給出了理論解釋。這種random替換其實本質上屬于language modeling里面基于interpolation的平滑方式， 而基于interpolation的LM平滑，就躺在jurafsky那本書的第3.4.3節。

　　2、了解早年經典的NLP模型以及論文

　　相比簡單粗暴的神經網絡模型，早年的NLP算法確實比較繁瑣復雜，但里面確實有很多早年學者在硬件條件艱苦情況下的智慧結晶。熟悉了這些模型，可以在現在神經網絡里面融會貫通。去年在人民大學做seminar。Seminar有大概30-40位同學參加。

　　Seminar中，我問了一個問題，有誰知道機器翻譯中的IBM模型大概是干嘛的，舉手的同學大概有五分之一。我再問，誰能來手寫（或者大概手寫）一下IBM model1，一個人都沒有。僅僅從基于IBM模型的Hierarchical Phrase-based MT, 近幾年就有很多篇引用量很高的文章是基于里面的思想的。例子數不勝數：

　　chris dyer 組的Incorporating structural alignment biases into an attentional neural translation model (NAACL16) 提出用雙向attention做neural機器翻譯的約束項，意思是如果在英語翻譯法語生成的target中的一個法語詞attend到了一個source中的英語詞，那么反過來，法語翻譯英文 target中相同這個英語詞應該也attend到source中的這個英語詞。其實這個思想就是完完全全相似 Percy Liang 曾經的成名作之一，早在NAACL06年 Alignment by Agreement，大家通過題目的意思就可以猜到文章的內容，正向翻譯與反向翻譯中的 對齊(alignment) 要 一致(agree)。如今做neural MT的同學，有多少同學讀過Percy的這篇大作呢 （大家知道Percy最多的應該是Squad吧）。處理對話系統的無聊回復，用反向概率p(source|target)做reranking現在應該已經是標配。再比如Rico Sennrich的成名作之一將Monolingual data 跟seq2seq 模型結合。其實這連個思想在phrase-base MT 里面早就被廣發的使用。Neural之前的MT，需要對一個大的N-best list用MERT做 reranking， 反向概率 p(source|target) 以及語言模型概率 p(target)是reranking中feature的標配。Harvard NLP組, Sam Wiseman 和Alex 發表的EMNLP16 best paper runner-up, Sequence-to-Sequence Learning as Beam-Search Optimization, 基本上傳承了Daume′ III and Daniel Marcu 2005年的 LaSO模型，將其思想adapt到neural里面。

　　如果再準本溯源，誕生于neural MT的attention，不就是IBM模型的神經網絡版本嘛。

　　3、了解機器學習的基本模型

　　神經網絡的簡單暴力并且有效。但是從科研的角度講，熟悉基本的機器學習算法是必修課。比如吳恩達的 machine learning就是必要之選。記得前段時間我面試一個小伙子，一看就是很聰明的同學，而且很短的時間就有一篇NAACL在投。我就問小伙子，EM算法是什么，小伙子說沒有聽說過EM，而且自己的科研也用不到EM。

　　我認為這其實是一個挺大的誤區。當我想起我自己，曾經就吃過很多類似的虧。因為早期數學基礎偏弱，也沒有決心惡補一下數學，所以早年每次看到跟variational inference相關的算法就頭大，這種偏科持續了很久，限制了科研的廣度。相比粗暴的神經網絡，CRF等模型的inference確實相對復雜（當年我自己也看了很多次才徹底搞明白）。但搞懂這些，是一個NLP researcher的基本素養。Pattern Recognition and Machine Learning那本書，尤其是某些小節確實比較難（又暴露了數學基礎差的事實），即便是只是為了過一遍，也需要很強的耐力才能看完，更不用說完全看懂了。我自己也曾經半途而廢很多次，如今依然有很多章節是不太懂的。但是其中的很多基礎chapter，我認為還是很值得一讀的。其實可以組成那種兩三個人的學習小組，不需要有太雄偉的目標，用個一年哪怕兩年的時間，把幾個重要的chapter 過一遍。

　　NLP相對是應用科學，并不是特別的數學。但是我們天天用的算法的基本數學邏輯我認為還是需要搞懂，比如dropout, 比如天天用到的優化(SGD, momentum, adaboost, adagrad)，比如各種 batch, layer normalization。這樣其實可以省去很多浪費的時間，磨刀不誤砍柴工。這些年來，在幫同學調bug的過程中，我至少遇見過3-5個同學 training 的時候開dropout, test 的時候沒有對每個cell用 (1-dropout)去 scale （大家不要笑，這是真的）。然后畫出dropout曲線就是 dropout 值越大，結果越差。在討論的時候，同學一臉茫然并且不清楚test時候需要scale。其實本質就是并不了解dropout背后的數學原理。

　　4、多看NLP其他子領域的論文

　　NLP有很多子領域，MT，信息抽取，parsing，tagging，情感分析，MRC等等。多多熟悉其他子領域的進展是必要的。其實不同子領域所運用的模型不會相差太大。但是最開始看不熟悉領域的問題可能會有一點難，原因是對問題的formalization不是很了解。這可能就需要多花一些時間，多找懂的同學去問。其實了解不同問題的formalization也是對領域知識最好的擴充。

　　5、了解 CV和data mining領域的基本重大進展

　　當熟悉了上面所說的點之后（當然可能至少也需要一年的時間）。熟悉CV領域的基本任務、基本算法我認為對于打開科研視野很重要。但是不可否認，因為領域不用，寫作風格、術語表達相差很大，又因為缺乏背景知識（文章中會省略一些基礎知識，默認大家都懂。但是跨領域的人可能不懂），第一次想讀懂跨領域的文章其實并不容易。我就出現過竟然在討論班上直接把faster-RCNN講錯了的情況，以為自己看懂了，然后就講錯了（至今昱先天天還在因為這個事情調侃我）。

　　不過重要的是，NLP領域里面一些重要的文章其實或多或少借鑒了CV里面的思想，當然也同樣出現CV借鑒NLP的情況。NLP神經網絡可視化、可解釋性的研究，時間上還是落后于CV里面對CNN的可視化。所以很多工作大量借鑒了CV里面的類似工作。NLP運用GAN其實也是借鑒CV的。其實兩個領域很多是很相通的。比如，如果不考慮question query, vision里面detection中的 region proposal（在一個大的圖片背景下找一個特定區域）, 大家想是不是跟MRC里面的 span extraction （在一大堆文字里面找一個span）有異曲同工之妙。更不用說image caption generation與sequence-to-sequence模型了，本質上幾乎沒什么太大的區別。強化學習在生成領域generation，發完了MT(Ranzato et al., ICLR2021)再發 image caption generation, 再回到summarization. Actor-critic 模型也是類似的，還是很多做generation diversity的文章。

　　因為跨領域不好懂，所以第一次推薦看tutorial, 如果有 sudo code 的tutorial那就更好了。另外看看掃盲課的視頻，比如Stanford CS231n也是個好辦法。另外，一個NLP組里面有一個很懂CV的人也很重要（拜謝昱先）， and vise versa。

　　graph embedding近兩年崛起于data mining領域。目測會在（或者已經在）NLP的不少任務得到廣泛應用。想到幾年前，deep walk借鑒了word2vec, 開始在data mining領域發跡，然后似乎又要輪轉回NLP了。

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的4条实用小建议，送给初入NLP领域的你的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。