自然語言處理：基於預訓練模型的方法

車萬翔
博士，哈爾濱工業大學計算學部長聘教授、博士生導師，社會計算與信息檢索研究中心副主任。
教育部青年長江學者，黑龍江省“龍江學者”青年學者，斯坦福大學訪問學者。現任中國中文信息學會計算語言學專業委員會副主任兼秘書長；國際計算語言學學會亞太分會（AACL）執委兼秘書長；中國計算機學會高級會員。
在ACL、EMNLP、AAAI、IJCAI等國內外高水平期刊和會議上發表學術論文50餘篇，其中AAAI 2013年的文章獲得了最佳論文提名獎，論文累計被引用4,600餘次（Google Scholar數據），H-index值為37。出版教材 2 部，譯著 2 部。
目前承擔2030“新一代人工智能”重大項目課題、國家自然科學基金等多項科研項目。
負責研發的語言技術平台（LTP）已被600餘家單位共享，提供的在線“語言雲”服務已有用戶1萬餘人，並授權給百度、騰訊、華為等公司使用。 
2018、2019連續兩年獲CoNLL國際評測No.1。
2020年獲黑龍江省青年科技獎；2015、2016連續兩年獲Google Focused Research Award（谷歌專注研究獎）；2016年獲黑龍江省科技進步一等獎（排名第2）；2012年獲黑龍江省技術發明獎二等獎（排名第2）；2010年獲中國中文信息學會“錢偉長”中文信息處理科學技術獎一等獎（排名第2）、首屆漢王青年創新獎（個人）等多項獎勵。 2017年，所主講的MOOC課程《高級語言程序設計（Python）》獲國家精品在線開放課程。

郭江
麻省理工學院計算機科學與人工智能實驗室，博士後研究員。
畢業於哈爾濱工業大學社會計算與信息檢索研究中心，約翰斯·霍普金斯大學聯合培養博士，研究方向為自然語言處理與機器學習。在人工智能、自然語言處理領域國際重要會議及期刊（如ACL、EMNLP、AAAI等）發表論文20餘篇。
是被業界廣泛應用的中文語言技術平台LTP的主要研發者之一。 
2015年，獲百度獎學金；2018年，獲中文信息學會“優秀博士學位論文”提名獎。

崔一鳴
科大訊飛北京研究院副院長、資深級主管研究員。
畢業於哈爾濱工業大學，獲工學學士和碩士學位，並繼續攻讀博士學位。
主要從事閱讀理解、預訓練模型等自然語言處理相關領域的核心技術研究工作，致力於推動中文機器閱讀理解和中文預訓練模型的研究與發展。
曾多次獲得機器翻譯、機器閱讀理解、自然語言理解評測冠軍，其中包括機器閱讀理解權威評測SQuAD、自然語言理解權威評測GLUE等。
所研製的中文閱讀理解及預訓練模型開源項目被業界廣泛應用，在GitHub累計獲得1萬以上星標，HuggingFace平台月均調用量達到100萬次。
發表學術論文30餘篇（包括ACL、EMNLP、AAAI等高水平論文），申請發明專利20餘項。
擔任EMNLP 2021和NLPCC 2021領域主席，擔任NLP和AI領域頂級國際會議和國際ESI期刊審稿人職務。

目錄
推薦序/III
推薦語/IV
前言/V
數學符號/IX
第1 章緒論/1
1.1 自然語言處理的概念/2
1.2 自然語言處理的難點/2
1.2.1 抽象性/ 2
1.2.2 組合性/ 2
1.2.3 歧義性/3
1.2.4 進化性/3
1.2.5 非規範性/3
1.2.6 主觀性/3
1.2.7 知識性/3
1.2.8 難移植性/4
1.3 自然語言處理任務體系/4
1.3.1 任務層級/4
1.3.2 任務類別/5
1.3.3 研究對象與層次/6
1.4 自然語言處理技術發展歷史/7

第2 章自然語言處理基礎/11
2.1 文本的表示/12
2.1.1 詞的獨熱表示/13
2.1.2 詞的分佈式表示/13
2.1.3 詞嵌入表示/19
2.1.4 文本的詞袋表示 /19
2.2 自然語言處理任務 /20
2.2.1 語言模型/20
2.2.2 自然語言處理基礎任務/23
2.2.3 自然語言處理應用任務/31
2.3 基本問題 /35
2.3.1 文本分類問題/35
2.3.2 結構預測問題/ 36
2.3.3 序列到序列問題/38
2.4 評價指標/40
2.5 小結/43

第3 章基礎工具集與常用數據集45
3.1 NLTK 工具集/46
3.1.1 常用語料庫和詞典資源/46
3.1.2 常用自然語言處理工具集 /49
3.2 LTP 工具集/51
3.2.1 中文分詞/51
3.2.2 其他中文自然語言處理功能/52
3.3 PyTorch 基礎/52
3.3.1 張量的基本概念/53
3.3.2 張量的基本運算/54
3.3.3 自動微分/57
3.3.4 調整張量形狀/58
3.3.5 廣播機制/ 59
3.3.6 索引與切片/60
3.3.7 降維與升維 / 60
3.4 大規模預訓練數據 /61
3.4.1 維基百科數據/62
3.4.2 原始數據的獲取/62
3.4.3 語料處理方法/ 62
3.4.4 Common Crawl 數據/66
3.5 更多數據集 /66
3.6 小結 /68

第4 章自然語言處理中的神經網絡基礎/69
4.1 多層感知器模型/70
4.1.1 感知器/70
4.1.2 線性回歸 /71
4.1.3 Logistic 回歸/71
4.1.4 Softmax 回歸 /72
4.1.5 多層感知器 /74
4.1.6 模型實現 /76
4.2 卷積神經網絡/78
4.2.1 模型結構 /78
4.2.2 模型實現 /80
4.3 循環神經網絡/83
4.3.1 模型結構/ 83
4.3.2 長短時記憶網絡 / 85
4.3.3 模型實現/ 87
4.3.4 基於循環神經網絡的序列到序列模型/88
4.4 注意力模型 /89
4.4.1 注意力機制/89
4.4.2 自註意力模型/90
4.4.3 Transformer/ 91
4.4.4 基於Transformer 的序列到序列模型/93
4.4.5 Transformer 模型的優缺點/ 94
4.4.6 模型實現/94
4.5 神經網絡模型的訓練/96
4.5.1 損失函數/96
4.5.2 梯度下降 /98
4.6 情感分類實戰/101
4.6.1 詞表映射/101
4.6.2 詞向量層/ 102
4.6.3 融入詞向量層的多層感知器/103
4.6.4 數據處理/106
4.6.5 多層感知器模型的訓練與測試/108
4.6.6 基於卷積神經網絡的情感分類 / 109
4.6.7 基於循環神經網絡的情感分類/110
4.6.8 基於Transformer 的情感分類/111
4.7 詞性標註實戰 /113
4.7.1 基於前饋神經網絡的詞性標註 /114
4.7.2 基於循環神經網絡的詞性標註 /114
4.7.3 基於Transformer 的詞性標註/116
4.8 小結/116

第5 章靜態詞向量預訓練模型/119
5.1 神經網絡語言模型 /120
5.1.1 預訓練任務/120
5.1.2 模型實現/124
5.2 Word2vec 詞向量 /130
5.2.1 概述/ 130
5.2.2 負採樣/133
5.2.3 模型實現/134
5.3 GloVe 詞向量/140
5.3.1 概述/140
5.3.2 預訓練任務/140
5.3.3 參數估計/140
5.3.4 模型實現/141
5.4 評價與應用/143
5.4.1 詞義相關性/144
5.4.2 類比性/146
5.4.3 應用/147
5.5 小結/148

第6 章動態詞向量預訓練模型/151
6.1 詞向量——從靜態到動態/ 152
6.2 基於語言模型的動態詞向量預訓練/153
6.2.1 雙向語言模型/153
6.2.2 ELMo 詞向量/155
6.2.3 模型實現/156
6.2.4 應用與評價/169
6.3 小結/171

第7 章預訓練語言模型/173
7.1 概述/174
7.1.1 大數據/174
7.1.2 大模型/175
7.1.3 大算力/175
7.2 GPT /177
7.2.1 無監督預訓練/178
7.2.2 有監督下游任務精調/179
7.2.3 適配不同的下游任務/180
7.3 BERT/182
7.3.1 整體結構/182
7.3.2 輸入表示/ 183
7.3.3 基本預訓練任務/184
7.3.4 更多預訓練任務 /190
7.3.5 模型對比/194
7.4 預訓練語言模型的應用/194
7.4.1 概述/194
7.4.2 單句文本分類/195
7.4.3 句對文本分類/ 198
7.4.4 閱讀理解/201
7.4.5 序列標註/206
7.5 深入理解BERT /211
7.5.1 概述/ 211
7.5.2 自註意力可視化分析 / 212
7.5.3 探針實驗/ 213
7.6 小結/215

第8 章預訓練語言模型進階/217
8.1 模型優化 /218
8.1.1 XLNet/218
8.1.2 RoBERTa/223
8.1.3 ALBERT/227
8.1.4 ELECTRA/229
8.1.5 MacBERT/232
8.1.6 模型對比/234
8.2 長文本處理 /234
8.2.1 概述/234
8.2.2 Transformer-XL/235
8.2.3 Reformer/238
8.2.4 Longformer /242
8.2.5 BigBird/243
8.2.6 模型對比/244
8.3 模型蒸餾與壓縮 / 244
8.3.1 概述/244
8.3.2 DistilBERT /246
8.3.3 TinyBERT/ 248
8.3.4 MobileBERT /250
8.3.5 TextBrewer/252
8.4 生成模型/ 257
8.4.1 BART / 257
8.4.2 UniLM/260
8.4.3 T5 /263
8.4.4 GPT-3/264
8.4.5 可控文本生成 /265
8.5 小結/267

第9 章多模態融合的預訓練模型/269
9.1 多語言融合/ 270
9.1.1 多語言BERT /270
9.1.2 跨語言預訓練語言模型 /272
9.1.3 多語言預訓練語言模型的應用/273
9.2 多媒體融合/274
9.2.1 VideoBERT /274
9.2.2 VL-BERT / 275
9.2.3 DALL·E/ 275
9.2.4 ALIGN/276
9.3 異構知識融合/276
9.3.1 融入知識的預訓練/277
9.3.2 多任務學習 / 282
9.4 更多模態的預訓練模型/285
9.5 小結/ 285

參考文獻/287
術語表/297