本文转自：http://www.hankcs.com/nlp/cs224n-tackling-the-limits-of-dl-for-nlp.html
最后一课，总结了目前这两个领域中的难题，介绍了一些前沿研究：快16倍的QRNN、自动设计神经网络的NAS等。
深度学习已经漂亮地完成了许多单项任务，但如果我们继续随机初始化模型参数，我们永远也无法得到一个可以完全理解语言的系统。模型就像蒙住眼的狗，在高原上随机游走，头撞南墙。
Richard说他同样不相信独立的无监督学习能够救世（同意），虽然这个问题还存在许多争议。因为语言有许多监督与反馈，要完成的目标也多种多样。
在达到下一个层次的路上，摆在NLP面前有许多障碍。
障碍1：通用架构
没有单个模型能够胜任多个任务，所有模型要么结构不同，要么超参数不同。
上次介绍的DMN带来了曙光。
障碍2：联合多任务学习
上次也提到过，同一个decoder/classifier，对于不同的输入，只要替换encoder就能同样输出。
-
不像计算机视觉，只能共享低层参数
-
只在任务相关性很强的时候才会有帮助
-
否则会影响效果
解决方案
在第一课中提到的MetaMind团队提出的A Joint Many-Task Model: Growing a Neural Network for Multiple NLP Tasks，现在详细介绍。
这是个怪兽一般的模型，多层LSTM并联，从下往上看在文本颗粒度上是越来越大，在任务上是越来越复杂。
由底而上分别是词性标注、CHUNK、句法分析、两个句子的相关性、逻辑蕴涵关系。
输入可能是词，也可能是字符ngram。
底层任务的隐藏状态有到其他层级的直接路径。
相关性encoder的输出卷积一下，供逻辑关系分类器使用。
整个模型使用同一个目标函数。左右对称只是示意可以接受两个句子用于关联分析，其实是同一套参数。
模型细节
词性标注是单层LSTM，隐藏状态softmax一下，乘上label的embedding得到每个单词的pos embedding。
将词性标注LSTM的隐藏状态、pos embedding和单词输入chunking的LSTM，执行类似的流程得到chunk的embedding。
依存句法分析
依然是单层LSTM，每个时刻同时接受下级的输入。每两个时刻的单词做一次softmax，判断它们的依存关系。
理论上讲，该方法无法保证结果一定是合法的句法树，但Richard说99%的case都是合法的，加上一些剪枝规则后，可以拿到最高分数（虽然论文还未发表就被另一位同行超越了）。
语义联系
依然是类似的BiLSTM，多了个CNN max池化，过一层前馈神经网络，过一层softmax得到两个句子的语义联系。
训练
如果每个softmax都用交叉熵损失函数训练的话，效果并不好。
这里用到了一种新奇的技巧叫做successive regularization，在某个上层任务的损失函数中，加入一个正则化项，限制下层任务的参数不要改变太多。
在训练的时候，从低层任务出发，先专注优化一个目标函数，假装上面的东西都不存在，逐步往上。（我觉得这并不是同一个目标函数）
结果
联合训练提高了每项任务的效果，任务数据越小，提升越显著。这是因为迁移学习的帮助越大。
大部分任务都拿到了最高分：
障碍3：预测从未见过的词语
以前课程也讲过，pointer copy机制：
障碍4：重复的词语表示
输入的词向量是一个词语表示，RNN或LSTM的隐藏状态到softmax的权值又是一个词语表示。这并不合理，为什么同一个单词非要有重复的表示呢？
解决方法
以前没人思考过两者的关系，就让它们独立吧。CS224n的学生决定将两者视作同一套参数矩阵tie起来，在训练语言模型的同时jointly训练词向量矩阵和softmax权值矩阵。
效果
然后他们就用更少的参数拿到了更小的困惑度：
障碍5：问题的输入表示是独立的
问题输入表示应当相关于fact的表示，比如May I cut you？根据场景是凶案现场还是超市排队的不同，表示也应该不同。
解决方案
Dynamic CoaaenQon Networks for QuesQon Answering by Caiming Xiong, Victor Zhong, Richard Socher (ICLR 2017)
这篇论文提出用Coattention encoder同时接受fact encoder和query encoder的输出，这样就可以根据场景决定问题在问什么了。
Coattention encoder
将document LSTM每个时刻（单词）的隐藏状态与query每个时刻的隐藏状态存成矩阵形式，左乘右乘得到两个矩阵，然后跟每个隐藏状态列向量相乘，拼接……混合充分后丢入另一个bi-LSTM合并。
据说是一作拼积木一样一点点尝试找出来的框架，个人觉得非常丑陋，以前手工试特征，现在手工试框架么。
将合并结果丢入所谓的Dynamic Decoder解码，之所以叫动态是因为每个token要运行多个step，取最大值。图中的s代表start token，e代表end token。
Stanford Question Answering Dataset
10万个文档-问题-答案pair，每个问题由多个可接受的答案，其中一些与原文一样（所以预测start end token是个可行方案）。
结果
论文发表时是首次将F1值推到80%以上的记录，后来MSR等人超越了这个分数。
一个可视化
多次decode之后得到了答案的正确起止位置。
障碍6：RNN很慢
作为最重要的积木之一，RNN成为很多NLP系统的性能瓶颈。
解决方案
Quasi-Recurrent Neural Networks by James Bradbury, Stephen Merity, Caiming Xiong & Richard Socher (ICLR 2017)
这篇论文提出综合CNN和RNN的优点，得到一种叫做QRNN的模型。
RNN每个时刻需要等前一个时刻计算完毕，所以无法并行化。
QRNN先将所有输入相邻两个拼成一行（这是为什么叫Quasi的原因），得到一个大矩阵乘上W，于是可以在时间上并行化。
在计算隐藏状态的时候，虽然无法在时间上并行化，但可以在特征维度上并行化。
效果
效果比一些实现更好，但速度总是更快，最高16倍的加速比。
障碍7：架构研究很慢
（跟刚才说的手工设计特征->手工设计架构一样）能不能让深度学习模型自动设计架构呢？
Neural architecture search with reinforcement learning by Zoph and Le, 2016做了一点这样的研究，虽然无法自动设计QRNN、DMN这样的复杂架构，但好歹可以“设计”一些诸如隐藏层数、单元数等超参数。
由RNN以p采样一个架构，然后训练它得到准确率R，计算p的梯度乘上R更新controller。由于选择架构是一个离散的决策，所以实际上无法得到梯度，得用强化学习来训练。
其工作的效果如下，对CNN可以自动选择过滤器的个数、宽高等参数：
结果
刚刚介绍了pointer sentinel LSTM将困惑度降到70，这个方法迅速地将数字逼近60……
这是search出来的一个单元：
有够复杂的。
总结：NLP受到很多限制
-
无法做有目的的QA
-
无法用通用架构联合训练多任务
-
很难综合多元逻辑与基于记忆的推理
-
需要很多数据，无法从少量数据展开想象
还有很多极限等待挑战，对这门课来讲，恭喜通关！
