一、摘要

  在很多NLP任务上的首要步骤就是选择使用哪种预训练词向量，我们认为这一步骤留给神经网络自己选择比较好。作者提出了dynamic meta-embeddings，其实就是对embedding做了attention，在各种任务上的相同模型上取得了state-of-the-art的效果。

二、介绍

  毫不夸张地说词向量是NLP的一种革命性的突破。有大量文献研究哪种词向量对哪些任务最有用。首要步骤就是选择使用哪种词向量，人们经常使用别人预训练好的词向量。虽然这通常是很自然的事情，但是词向量是否对下游任务有用往往难以预测，因为下游任务可能与词级别基准无关。一种方法就是尝试结合各种词向量的优点。 最近的研究称为meta-embeddings，融合各种词向量，效果不错。
  **Why is this a good idea？**首先，它是embedding-agnostic，这意味着NLP流程化的一个主要超参数已经过时了。其次，它在各种任务上提升了效果。最后，或许也是最重要的，它使我们能克服当前系统的一些缺陷。

• Coverage： NLP系统的一个主要问题就是如何处理OOV词，我们的方法运行系统联合各种词向量，从而增加词汇覆盖率。
• Multi-domain： 标准的词向量一般在单个领域中训练，比如Wikipedia或newswire。我们的方法可以联合不同领域的词向量， 考虑到上下文信息。
• Multi-modality： 事实证明，多模态信息在许多任务中都很有用，然而，多模态融合的问题仍然是一个悬而未决的问题。我们的方法为组合来自不同模态的信息提供了直接的解决方案。
• Evaluation： 之前如何评估词向量性能通常是不确定的，我们的方法允许网络设置不同词向量的权重，为词向量提供直接的，任务特定的评估方法。
• Interpretability and Linguistic Analysis： 不同的词向量在不同的任务上表现好。这是众所周知的，但是为什么会这样呢？我们的方法揭示了哪些词向量是更适合于哪些上下文，用于不同的任务，并允许我们推测为什么会这样。
    接下来作者介绍了什么是dynamic meta-embeddings，这比简单的拼接各种词向量的效果要好得多。在各种任务上进行评估：自然语言推理，情感分析，图像标题检索。每个任务上都实现了state-of-the-art的效果。

三、相关工作

  有大牛在情感分类任务上尝试过结合无监督和有监督的词向量；结合词级别和字级别的词向量。最近关于meta-embeddings的研究有了新的进展。这可用于上下文、句子表示。如何结合多种词向量与多模型和多视角学习有关。比如，结合CNN的视觉特征和词向量已经实验过；不同模型的词向量也通过拼接结合在一起 $r=[\alpha u,(1-\alpha)v]$r=[αu,(1−α)v]。本篇文章，作者动态的学习权重来结合各种表示。
  已经探索了不同词向量作为初始化的有用性，也实验过不同结构和参数。作者的工作可以看做是attention机制在词向量中的应用，最近的句子级交互的self-attention和inner-attention，attention机制代替了原来对齐句子的方式。这里，作者对每种词向量学习attention权重，然后用于句子表示中。

四、dynamic meta-embeddings

  大多数NLP系统使用一个词向量：word2vec、GloVe、Fasttext，作者使用了多种词向量，根据上下文为每种词向量训练得相应的权重，然后网络根据权重偏好哪种词向量，其实就是embedding attention。
  一个句子s：$\{t_j\}^s_{j=1}${tj​}j=1s​，有$n$n中词向量，那么序列表示为：$\{w_{i,j}\}^s_{j=1}\in R^{d_i}(i=1,2,...,n)${wi,j​}j=1s​∈Rdi​(i=1,2,...,n)

• Naive baseline 将简单的拼接各种词向量作为baseline。拼接各种词向量是一种合理的策略，因为它提供给句子编码器全部的词向量信息.然而连接各种词向量作为RNN的输入有一个缺点，随着拼接越来越多的词向量，网络会变得低效。
  $w^{CAT}_j=[w_{1,j},w_{2,j},...,w_{n,j}]$wjCAT​=[w1,j​,w2,j​,...,wn,j​]
• DME 对于dynamic meta-embeddings，我们首先通过线性映射将词向量投影到$d^＇$d＇的向量空间中：$w^＇_{i,j}=P_iw_{i,j}+b_i\ (i=1,2,...,n)$wi,j＇​=Pi​wi,j​+bi​ (i=1,2,...,n)，其中$P_i\in R^{d^＇\times d_i},b_i\in R^{d^＇}$Pi​∈Rd＇×di​,bi​∈Rd＇，然后对映射后的词向量加权求和：
  $w^{DME}_j=\sum_{i=1}^n\alpha_{i,j}w^＇_{i,j}$wjDME​=i=1∑n​αi,j​wi,j＇​其中$\alpha_{i,j}=g(\{w^＇_{i,j}\}^s_{j=1})$αi,j​=g({wi,j＇​}j=1s​)是根据self-attention得到的权重：
  $\alpha_{i,j}=g(w^＇_{i,j})=\phi(a)\times w^＇_{i,j}+b$αi,j​=g(wi,j＇​)=ϕ(a)×wi,j＇​+b其中$a\in R^{d＇},b\in R$a∈Rd＇,b∈R是模型参数，$\phi$ϕ是softmax函数(或tanh、sigmoid)，作者也尝试了无权重的方法，简单的求和。
• CDME 我们也可以使得self-attention是上下文依赖的:
  $\alpha_{i,j}=g(\{w^＇_{i,j}\}^s_{j=1})=\phi(a)\times h_j+b$αi,j​=g({wi,j＇​}j=1s​)=ϕ(a)×hj​+b其中$h_j\in R^{2m}$hj​∈R2m是以$\{w^＇_{i,j}\}^s_{j=1}${wi,j＇​}j=1s​为输入的双向LSTM的第j的隐藏层状态，$a\in R^{2m}和b\in R$a∈R2m和b∈R。这里设置m=2比较高效。
• Sentence encoder 使用双向LSTM和Max-Pooling得到最终表示。

五、总结

  实验过程不再详细介绍。本篇论文的亮点就是attention在embedding的应用，结合多种embedding的优点，之前比赛的时候也融合过多种embedding：拼接、求和，这种新思路可以在以后的比赛中尝试一波。