摘要：英特爾人工智能產(chǎn)品事業(yè)部，數(shù)據(jù)科學(xué)主任Yinyin Liu近日撰寫了一篇文章，介紹了深度學(xué)習(xí)為自然語言處理帶來的種種變化。有趣的大趨勢(shì)是首先產(chǎn)生在CV領(lǐng)域的技術(shù)也不斷用于NLP，而深度學(xué)習(xí)解決方案的構(gòu)建方式也隨著時(shí)間在進(jìn)化。

自然語言處理（NLP）是最常見的人工智能的應(yīng)用方式之一，它通過消費(fèi)者數(shù)字助理、聊天機(jī)器人以及財(cái)務(wù)和法律記錄的文本分析等商業(yè)應(yīng)用變得無處不在。隨著硬件和軟件能力的提升，以及模塊化NLP組件的發(fā)展，Intel 的技術(shù)也使得各種各樣的 NLP 應(yīng)用成為可能。

深度學(xué)習(xí)性能的上升趨勢(shì)

近年來，許多 NLP 領(lǐng)域的進(jìn)展都是由深度學(xué)習(xí)領(lǐng)域的普遍進(jìn)步驅(qū)動(dòng)的。深度學(xué)習(xí)擁有了更強(qiáng)大的計(jì)算資源，可以運(yùn)用更大的數(shù)據(jù)集，并且在神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和訓(xùn)練范式方面有所發(fā)展。這些深度學(xué)習(xí)的進(jìn)步始于推動(dòng)計(jì)算機(jī)視覺應(yīng)用的改進(jìn)，但是也讓自然語言處理領(lǐng)域極大地獲益。

在深度學(xué)習(xí)的網(wǎng)絡(luò)層方面，為了使得信號(hào)和梯度能夠更容易地傳遞到深度神經(jīng)網(wǎng)絡(luò)的每一層，殘差結(jié)構(gòu)單元（residual layer）、highway 層（全連接的 highway 網(wǎng)絡(luò)）以及稠密連接（dense connections）結(jié)構(gòu)應(yīng)運(yùn)而生。有了這些網(wǎng)絡(luò)層，目前最先進(jìn)的計(jì)算機(jī)視覺技術(shù)通過利用深度學(xué)習(xí)網(wǎng)絡(luò)的表示能力得以實(shí)現(xiàn)。同時(shí)，他們也在許多自然語言處理任務(wù)上提高了模型的性能。例如，將稠密連接的循環(huán)層用于語言模型（Improving Language Modeling using Densely Connected Recurrent Neural Networks，https://arxiv.org/abs/1707.06130 ）。

有實(shí)證研究中比較了卷積層、循環(huán)層或者一種結(jié)合了這兩種思想的時(shí)序卷積層的表現(xiàn)，時(shí)序卷積層在一系列的語言數(shù)據(jù)集上取得了目前最好的效果（Convolutional Sequence to Sequence Learning，https://arxiv.org/abs/1705.03122；An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling，https://arxiv.org/abs/1803.01271）。有這些不同類型的層可供靈活使用，使得開發(fā)者能夠在處理特定的自然語言處理問題時(shí)嘗試各種各樣的選項(xiàng)。

在深度學(xué)習(xí)的拓?fù)浣Y(jié)構(gòu)方面，一個(gè)自編碼器（auto-encoder）模型可以被改進(jìn)為一個(gè)序列到序列（seq2seq）模型用于處理順序語言數(shù)據(jù)。注意力機(jī)制（attention mechanism）解決了隨著時(shí)間的推移，解碼網(wǎng)絡(luò)應(yīng)該如何對(duì)輸入的編碼做出響應(yīng)。指針網(wǎng)絡(luò)（Pointer network），作為注意力模型的一種變體，專門用于在輸入序列中尋找詞語的位置，它為機(jī)器閱讀理解和文本摘要提供了一種新的處理機(jī)制（Machine Comprehension Using Match-LSTM and Answer Pointer，https://arxiv.org/abs/1608.07905；Get To The Point: Summarization with Pointer-Generator Networks，https://arxiv.org/abs/1704.04368）。通過增加快速權(quán)重（fast weights），（Fast Weights to Attend to the Recent Past，https://arxiv.org/abs/1610.06258）短期聯(lián)想記憶的概念可以和長期序列的學(xué)習(xí)結(jié)合到一起。

在訓(xùn)練范式方面，無監(jiān)督學(xué)習(xí)利用訓(xùn)練數(shù)據(jù)本身和遷移學(xué)習(xí)技術(shù)去構(gòu)建數(shù)據(jù)表示，遷移學(xué)習(xí)可以把學(xué)到的將表征用于一個(gè)又一個(gè)的任務(wù)，都是從計(jì)算機(jī)視覺領(lǐng)域獲得啟發(fā)，推動(dòng)了自然語言處理技術(shù)的進(jìn)步。

由于這些深度學(xué)習(xí)模型共用了許多底層的組件，基于深度學(xué)習(xí)的自然語言處理解決方案可以與計(jì)算機(jī)視覺和其它人工智能功能的解決方案共用軟件和硬件。對(duì)于深度學(xué)習(xí)的通用軟件棧的優(yōu)化也可以為深度學(xué)習(xí)自然語言處理解決方案的性能帶來改善。英特爾的人工智能硬件和軟件組合解決方案為這些在英特爾架構(gòu)的系統(tǒng)上運(yùn)行的深度學(xué)習(xí)進(jìn)展提供了很好的示例。最近，在我們的硬件和對(duì)廣泛使用的深度學(xué)習(xí)框架的優(yōu)化上的工作提供了為在英特爾至強(qiáng)可擴(kuò)展處理器上運(yùn)行普遍使用的模型和計(jì)算任務(wù)優(yōu)化后的工作性能。英特爾也積極地將他們的這些努力回饋到開放的框架中，這樣一來，每個(gè)開發(fā)者都能很直接地獲得這些經(jīng)驗(yàn)。

為自然語言處理用例構(gòu)建一個(gè)靈活的、模塊化的棧

由于基于深度學(xué)習(xí)的自然語言處理模型通常擁有共用的構(gòu)建模塊（例如：深度學(xué)習(xí)網(wǎng)絡(luò)層和深度學(xué)習(xí)拓?fù)浣Y(jié)構(gòu)），這讓我們?cè)跇?gòu)建自然語言處理用例的基礎(chǔ)時(shí)擁有了一個(gè)全新的視角。一些底層的功能在很多種應(yīng)用中同時(shí)被需要。在一個(gè)開放的、靈活的棧中獲得基本組件對(duì)于解決各種各樣的自然語言處理問題是十分恰當(dāng)?shù)摹?/span>

相比之下，傳統(tǒng)的機(jī)器學(xué)習(xí)或者深度學(xué)習(xí)的做法都是每一次只考慮某一個(gè)特定問題。而如今，由于深度學(xué)習(xí)社區(qū)已經(jīng)提供了許多有用的基礎(chǔ)功能模塊，企業(yè)中的用戶和數(shù)據(jù)科學(xué)家們就可以考慮其它的方面，在學(xué)習(xí)、構(gòu)建起基礎(chǔ)以后，著眼于如何把它們應(yīng)用于各種不同的問題。

這種轉(zhuǎn)換的好處主要有這么幾點(diǎn)。首先，這些可以復(fù)用的組件可以幫助我們逐步構(gòu)建「結(jié)構(gòu)性資產(chǎn)」。通過重復(fù)應(yīng)用之前已經(jīng)構(gòu)建好的東西，我們可以做得更快、評(píng)價(jià)得更快。其次，這些構(gòu)建在英特爾的統(tǒng)一軟硬件平臺(tái)上的功能和解決方案可以持續(xù)不斷地從英特爾未來的開發(fā)和改進(jìn)中受益。另外，用現(xiàn)有的基礎(chǔ)設(shè)施做實(shí)驗(yàn)可以拓展出令人驚喜的新的解決方案或者新的應(yīng)用，這是更早時(shí)候的僅關(guān)注于問題本身的思考方式所無法帶來的。

一個(gè)靈活的、模塊化的棧還能使用戶可以將傳統(tǒng)的自然語言處理方法和基于深度學(xué)習(xí)的方法結(jié)合起來，并為不同的用戶群提供不同層次的抽象。許多不同的企業(yè)用例表明了自然語言處理和它的基本組件的潛力。下面，我們?yōu)槟峁┝藥讉€(gè)例子，但是顯然還有很多別的可能性。

主題分析

金融業(yè)面臨著巨大的知識(shí)管理挑戰(zhàn)，這是由每天必須處理和理解的文件的數(shù)量（太大）所造成的。從一頁又一頁的文本中提取出諸如「某種特定產(chǎn)品的競(jìng)爭(zhēng)力」這樣的關(guān)鍵的見解是十分困難的。

自然語言處理主題分析技術(shù)現(xiàn)在可以被用來快速分析大量的文檔，并且識(shí)別文檔中不同的部分所關(guān)聯(lián)的主題。不同的用戶會(huì)關(guān)注不同的話題，例如：某個(gè)公司的價(jià)值、競(jìng)爭(zhēng)力、領(lǐng)導(dǎo)力或者宏觀經(jīng)濟(jì)學(xué)。自然語言處理主題分析讓用戶能夠篩選出特定的感興趣的主題，并且獲得更加濃縮的信息。

為了利用大量未標(biāo)記的數(shù)據(jù)，模型可以用內(nèi)容類似的文本進(jìn)行預(yù)訓(xùn)練，之后這些數(shù)據(jù)表示可以被遷移至主題分析或者其它附加的任務(wù)中。早前的一篇博客介紹了這種解決方案中涉及到的一些方法的概述。為了實(shí)現(xiàn)這種方案，從自然語言處理構(gòu)建模塊的角度來說，我們使用了序列到序列（seq2seq）的拓?fù)浣Y(jié)構(gòu)，長短期記憶網(wǎng)絡(luò)（LSTM），詞嵌入來自遷移學(xué)習(xí)，而后進(jìn)行精細(xì)調(diào)節(jié)（fine-tune），還可以與命名實(shí)體識(shí)別等組件結(jié)合在一起。

趨勢(shì)分析

諸如醫(yī)療保健、工業(yè)制造、金融業(yè)等行業(yè)都面臨著從大量的文本數(shù)據(jù)中識(shí)別基于時(shí)間的趨勢(shì)的挑戰(zhàn)。通過將文本正則化、名詞短語分塊和抽取、語言模型、語料庫的詞頻-逆文本頻率指數(shù)（TF-IDF）算法，以及使用詞向量的分組等技術(shù)，我們可以快速的生成一個(gè)解決方案，它可以從一組文檔中抽取關(guān)鍵詞和重要性估計(jì)。接著，隨著時(shí)間的推移，通過比較這些抽取出來的關(guān)鍵詞，我們能夠發(fā)現(xiàn)有用的趨勢(shì)，例如：天氣變化如何能夠造成庫存的短缺，或者哪些領(lǐng)域的學(xué)術(shù)研究隨著時(shí)間的推移會(huì)吸引更多的貢獻(xiàn)和注意。

情感分析

情感分析功能通常被用于競(jìng)爭(zhēng)力分析、溝通策略優(yōu)化、以及產(chǎn)品或市場(chǎng)分析。一個(gè)提供了細(xì)粒度的情感分析的解決方案能夠?yàn)槠髽I(yè)用戶提供可行的見解。例如：這種更有針對(duì)性的情感分析可以發(fā)現(xiàn)，關(guān)于一個(gè)特定商品的評(píng)論普遍是對(duì)于它的能耗的正面看法以及對(duì)它的可靠性的負(fù)面看法。對(duì)于這種細(xì)粒度的情感分析，我們使用了諸如詞性標(biāo)注（POS tagging）、文本正則化、依存分析和詞匯擴(kuò)展等組件。對(duì)于不同的領(lǐng)域，相同的的那次可能傳遞不同的情感，所以允許領(lǐng)域自適應(yīng)的機(jī)制也是十分關(guān)鍵的。

多功能體系架構(gòu)上靈活的構(gòu)造模塊

當(dāng)我們看到巨大的自然語言處理市場(chǎng)中的種種規(guī)劃時(shí)，我們應(yīng)該如何構(gòu)建解決方案、軟件、硬件來利用這些機(jī)會(huì)并使它們成為可能？在英特爾，我們希望構(gòu)建能夠持續(xù)創(chuàng)新和改進(jìn)的技術(shù)，這能夠給我們一個(gè)用于研究、實(shí)踐并應(yīng)用算法的開放的、靈活的平臺(tái)，這種技術(shù)還能夠高效地?cái)U(kuò)展到多種應(yīng)用程序中，最終形成影響深遠(yuǎn)的商業(yè)見解。

在英特爾人工智能實(shí)驗(yàn)室，我們的自然語言處理研究人員和開發(fā)者正在構(gòu)建一個(gè)開放的、靈活的自然語言處理組件庫，以便為我們的合作伙伴和客戶實(shí)現(xiàn)多種自然語言處理用例。它使我們能夠高效地將我們靈活、可靠高性能的英特爾架構(gòu)為這些自然語言處理應(yīng)用、其他的人工智能和先進(jìn)分析工作流提供了硬件、框架工具和軟件層。我們將繼續(xù)努力優(yōu)化這些組件，以提高深度學(xué)習(xí)的能力。