NLP学习指南

本教程致力于帮助同学们快速入门NLP，并掌握各个任务的SOTA模型。

1. 系统入门方法
2. 各任务模型list汇总：文本分类、文本匹配、序列标注、文本生成(todo)、语言模型
3. 各任务综述&技巧：文本分类、文本匹配、序列标注、文本生成、语言模型

如何系统地入门

机器学习是一门既重理论又重实践的学科，想一口吃下这个老虎是不可能的，因此学习应该是个循环且逐渐细化的过程。

首先要有个全局印象，知道minimum的情况下要学哪些知识点：

之后就可以开始逐个击破，但也不用死磕，控制好目标难度，先用三个月时间进行第一轮学习：

1. 读懂机器学习、深度学习原理，不要求手推公式
2. 了解经典任务的baseline，动手实践，看懂代码
3. 深入一个应用场景，尝试自己修改模型，提升效果

迈过了上面这道坎后，就可以重新回归理论，提高对自己的要求，比如手推公式、盲写模型、拿到比赛Top等。

Step1: 基础原理

机器学习最初入门时对数学的要求不是很高，掌握基础的线性代数、概率论就可以了，正常读下来的理工科大学生以上应该都没问题，可以直接开始学，碰到不清楚的概念再去复习。

统计机器学习部分，建议初学者先看懂线性分类、SVM、树模型和图模型，这里推荐李航的「统计学习方法」，薄薄的摸起来没有很大压力，背着也方便，我那本已经翻四五遍了。喜欢视频课程的话可以看吴恩达的「CS229公开课」或者林田轩的「机器学习基石」。但不管哪个教程，都不必要求一口气看完吃透。

深度学习部分，推荐吴恩达的「深度学习」网课、李宏毅的「深度学习」网课或者邱锡鹏的「神经网络与深度学习」教材。先弄懂神经网络的反向传播推导，然后去了解词向量和其他的编码器的核心思想、前向反向过程。

Step2: 经典模型与技巧

有了上述的基础后，应该就能看懂模型结构和论文里的各种名词公式了。接下来就是了解NLP各个经典任务的baseline，并看懂源码。对于TF和Pytorch的问题不用太纠结，接口都差不多，找到什么就看什么，自己写的话建议Pytorch。

快速了解经典任务脉络可以看综述，建议先了解一两个该任务的经典模型再去看，否则容易云里雾里：

• 2020 A Survey on Text Classification: From Shallow to Deep Learning
• 2020 A Survey on Recent Advances in Sequence Labeling from Deep Learning Models
• 2020 Evolution of Semantic Similarity - A Survey
• 2017 Neural text generation: A practical guide
• 2018 Neural Text Generation: Past, Present and Beyond
• 2019 The survey: Text generation models in deep learning
• 2020 Efficient Transformers: A Survey

文本分类

文本分类是NLP应用最多且入门必备的任务，TextCNN堪称第一baseline，往后的发展就是加RNN、加Attention、用Transformer、用GNN了。第一轮不用看得太细，每类编码器都找个代码看一下即可，顺便也为其他任务打下基础。

但如果要做具体任务的话，建议倒序去看SOTA论文，了解各种技巧，同时善用知乎，可以查到不少提分方法。

文本匹配

文本匹配会稍微复杂些，它有双塔和匹配两种任务范式。双塔模型可以先看SiamCNN，了解完结构后，再深入优化编码器的各种方法；基于匹配的方式则在于句子表示间的交互，了解BERT那种TextA+TextB拼接的做法之后，可以再看看阿里的RE2这种轻量级模型的做法：

序列标注

序列标注主要是对Embedding、编码器、结果推理三个模块进行优化，可以先读懂Bi-LSTM+CRF这种经典方案的源码，再去根据需要读论文改进。

文本生成

文本生成是最复杂的，具体的SOTA模型我还没梳理完，可以先了解Seq2Seq的经典实现，比如基于LSTM的编码解码+Attention、纯Transformer、GPT2以及T5，再根据兴趣学习VAE、GAN、RL等。

语言模型

语言模型虽然很早就有了，但18年BERT崛起之后才越来越被重视，成为NLP不可或缺的一个任务。了解BERT肯定是必须的，有时间的话再多看看后续改进，很经典的如XLNet、ALBERT、ELECTRA还是不容错过的。

Step3: 实践优化

上述任务都了解并且看了一些源码后，就该真正去当炼丹师了。千万别满足于跑通别人的github代码，最好去参加一次Kaggle、天池、Biendata等平台的比赛，享受优化模型的摧残。

Kaggle的优点是有各种kernel可以学习，国内比赛的优点是中文数据方便看case。建议把两者的优点结合，比如参加一个国内的文本匹配比赛，就去kaggle找相同任务的kernel看，学习别人的trick。同时多看些顶会论文并复现，争取做完一个任务后就把这个任务技巧摸清。

各任务模型list汇总

P.S. 对照文首脑图看效果更佳

文本分类

Model	Year	Method	Venue	Code
ReNN	2011	RAE	EMNLP	link
	2012	MV-RNN	EMNLP	link
	2013	RNTN	EMNLP	link
	2014	DeepRNN	NIPS
MLP	2014	Paragraph-Vec	ICML	link
	2015	DAN	ACL	link
RNN	2015	Tree-LSTM	ACL	link
	2015	S-LSTM	ICML
	2015	TextRCNN	AAAI	link
	2015	MT-LSTM	EMNLP	link
	2016	oh-2LSTMp	ICML	link
	2016	BLSTM-2DCNN	COLING	link
	2016	Multi-Task	IJCAI	link
	2017	DeepMoji	EMNLP	link
	2017	TopicRNN	ICML	link
	2017	Miyato et al.	ICLR	link
	2018	RNN-Capsule	TheWebConf	link
CNN	2014	TextCNN	EMNLP	link
	2014	DCNN	ACL	link
	2015	CharCNN	NIPS	link
	2016	SeqTextRCNN	NAACL	link
	2017	XML-CNN	SIGIR	link
	2017	DPCNN	ACL	link
	2017	KPCNN	IJCAI
	2018	TextCapsule	EMNLP	link
	2018	HFT-CNN	EMNLP	link
	2020	Bao et al.	ICLR	link
Attention	2016	HAN	NAACL	link
	2016	BI-Attention	NAACL	link
	2016	LSTMN	EMNLP
	2017	Lin et al.	ICLR	link
	2018	SCM	COLING	link
	2018	ELMo	NAACL	link
	2018	BiBloSA	ICLR	link
	2019	AttentionXML	NIPS	link
	2019	HAPN	EMNLP
	2019	Proto-HATT	AAAI	link
	2019	STCKA	AAAI	link
Transformer	2019	BERT	NAACL	link
	2019	Sun et al.	CCL	link
	2019	XLNet	NIPS	link
	2019	RoBERTa		link
	2020	ALBERT	ICLR	link
GNN	2018	DGCNN	TheWebConf	link
	2019	TextGCN	AAAI	link
	2019	SGC	ICML	link
	2019	Huang et al.	EMNLP	link
	2019	Peng et al.
	2020	MAGNET	ICAART	link
Others	2017	Miyato et al.	ICLR	link
	2018	TMN	EMNLP
	2019	Zhang et al.	NAACL	link

文本匹配

Structure	Year	Model	Venue	Ref
Siamese	2013	DSSM	CIKM	link
	2015	SiamCNN	ASRU	link
	2015	Skip-Thought	NIPS	link
	2016	Multi-View	EMNLP	link
	2016	FastSent	ACL	link
	2016	SiamLSTM	AAAI	link
	2017	Joint-Many	EMNLP	link
	2017	InferSent	EMNLP	link
	2017	SSE	EMNLP	link
	2018	GenSen	ICLR	link
	2018	USE	ACL	link
	2019	Sentence-BERT	EMNLP	link
	2020	BERT-flow	EMNLP	link
Interaction	2016	DecAtt	EMNLP	link
	2016	PWIM	ACL	link
	2017	ESIM	ACL	link
	2018	DIIN	ICLR	link
	2019	HCAN	EMNLP	link
	2019	RE2	ACL	link

序列标注

Ref	Year	Venue	Embedding Module			Context Encoder	Inference Module	Tasks
			external input	word embedding	character-level
link	2016	ACL	\	Glove	CNN	Bi-LSTM	CRF	POS, NER
link	2018	ACL	\	Word2vec	Bi-LSTM	Bi-LSTM	Softmax	POS
link	2018	NAACL	\	Glove	Bi-LSTM	Bi-LSTM	CRF	POS
link	2018	AAAI	\	Glove	Bi-LSTM+LM	Bi-LSTM	CRF	POS, NER, chunking
link	2016	ACL	\	Polyglot	Bi-LSTM	Bi-LSTM	CRF	POS
link	2017	ACL	\	Word2vec	Bi-LSTM	Bi-LSTM+LM	CRF	POS, NER, chunking
link	2017	ACL	\	Senna	CNN	Bi-LSTM+pre LM	CRF	NER, chunking
link	2018	COLING	Pre LM emb	Glove	Bi-LSTM	Bi-LSTM	CRF	POS, NER, chunking
link	2018	IJCAI	\	\	Bi-LSTM	Bi-LSTM	LSTM+Softmax	POS, NER
link	2018	ACL	\	Glove	Bi-LSTM+LM	Bi-LSTM	CRF+Semi-CRF	NER
link	2017	COLING	Spelling, gaz	Senna	\	Mo-BiLSTM	Softmax	NER, chunking
link	2018	ACL	\	Word2vec	Bi-LSTM	Parallel Bi-LSTM	Softmax	NER
link	2017	ICLR	\	Senna, Glove	Bi-GRU	Bi-GRU	CRF	POS, NER, chunking
link	2015		\	Trained on wikipedia	Bi-LSTM	Bi-LSTM	Softmax	POS
link	2016	ACL	Cap, lexicon	Senna	CNN	Bi-LSTM	CRF	NER
link	2016	COLING	\	Word2vec	Bi-LSTM	Bi-LSTM	CRF	POS, NER, chunking
link	2018	EMNLP	\	Glove	InNet	Bi-LSTM	CRF	POS, NER, chunking
link	2017	ACL	Spelling, gaz	Senna	\	INN	Softmax	POS
link			\	Glove	\	Bi-LSTM	EL-CRF	Citation field extraction
link	2016	EMNLP	\	Trained with skip-gram	\	Bi-LSTM	Skip-chain CRF	Clinical entities detection
link	2018		Word shapes, gaz	Glove	CNN	Bi-LSTM	CRF	NER
link	2011		Cap, gaz	Senna	\	CNN	CRF	POS, NER, chunking, SRL
link	2017	CCL	\	Glove	CNN	Gated-CNN	CRF	NER
link	2017	EMNLP	\	Word2vec	\	ID-CNN	CRF	NER
link	2016	NAACL	\	Word2vec	Bi-LSTM	Bi-LSTM	CRF	NER
link	2015		Spelling, gaz	Senna	\	Bi-LSTM	CRF	POS, NER, chunking
link	2014	ICML	\	Word2vec	CNN	CNN	CRF	POS
link	2017	AAAI	\	Senna	CNN	Bi-LSTM	Pointer network	Chunking, slot filling
link	2017		\	Word2vec	\	Bi-LSTM	LSTM	Entity relation extraction
link	2018		LS vector, cap	SSKIP	Bi-LSTM	LSTM	CRF	NER
link	2018	ICLR	\	Word2vec	CNN	CNN	LSTM	NER
link	2018	IJCAI	\	Glove	\	Bi-GRU	Pointer network	Text segmentation
link	2017	EMNLP	\	\	CNN	Bi-LSTM	Softmax	POS
link	2017	CoNLL	\	Word2vec, Fasttext	LSTM+Attention	Bi-LSTM	Softmax	POS
link	2019	ICASSP	\	Glove	CNN	Bi-LSTM	NCRF transducers	POS, NER, chunking
link	2018		\	\	Bi-LSTM+AE	Bi-LSTM	Softmax	POS
link	2017		Lexicons	Glove	CNN	Bi-LSTM	Segment-level CRF	NER
link	2019	AAAI	\	Glove	CNN	GRN+CNN	CRF	NER
link	2020		\	Glove	CNN	Bi-LSTM+SA	CRF	POS, NER, chunking

文本生成

语言模型

Year	Model	Code
2018	BERT	link
2019	WWM	link
2019	Baidu ERNIE1.0	link
2019	Baidu ERNIE2.0	link
2019	SpanBERT	link
2019	RoBERTa	link
2019	XLNet	link
2019	StructBERT
2019	ELECTRA	link
2019	ALBERT	link
2020	DeBERTa	link

各任务综述

文本分类

Fasttext

论文：https://arxiv.org/abs/1607.01759
代码：https://github.com/facebookresearch/fastText

Fasttext是Facebook推出的一个便捷的工具，包含文本分类和词向量训练两个功能。

Fasttext的分类实现很简单：把输入转化为词向量，取平均，再经过线性分类器得到类别。输入的词向量可以是预先训练好的，也可以随机初始化，跟着分类任务一起训练。

Fasttext直到现在还被不少人使用，主要有以下优点：

1. 模型本身复杂度低，但效果不错，能快速产生任务的baseline
2. Facebook使用C++进行实现，进一步提升了计算效率
3. 采用了char-level的n-gram作为附加特征，比如paper的trigram是 [pap, ape, per]，在将输入paper转为向量的同时也会把trigram转为向量一起参与计算。这样一方面解决了长尾词的OOV (out-of-vocabulary)问题，一方面利用n-gram特征提升了表现
4. 当类别过多时，支持采用hierarchical softmax进行分类，提升效率

对于文本长且对速度要求高的场景，Fasttext是baseline首选。同时用它在无监督语料上训练词向量，进行文本表示也不错。不过想继续提升效果还需要更复杂的模型。

TextCNN

论文：https://arxiv.org/abs/1408.5882
代码：https://github.com/yoonkim/CNN_sentence

TextCNN是Yoon Kim小哥在2014年提出的模型，开创了用CNN编码n-gram特征的先河。

模型结构如图，图像中的卷积都是二维的，而TextCNN则使用「一维卷积」，即filter_size * embedding_dim，有一个维度和embedding相等。这样filter_size就能抽取n-gram的信息。以1个样本为例，整体的前向逻辑是：

1. 对词进行embedding，得到[seq_length, embedding_dim]
2. 用N个卷积核，得到N个seq_length-filter_size+1长度的一维feature map
3. 对feature map进行max-pooling（因为是时间维度的，也称max-over-time pooling），得到N个1x1的数值，拼接成一个N维向量，作为文本的句子表示
4. 将N维向量压缩到类目个数的维度，过Softmax

在TextCNN的实践中，有很多地方可以优化（参考这篇论文）：

1. Filter尺寸：这个参数决定了抽取n-gram特征的长度，这个参数主要跟数据有关，平均长度在50以内的话，用10以下就可以了，否则可以长一些。在调参时可以先用一个尺寸grid search，找到一个最优尺寸，然后尝试最优尺寸和附近尺寸的组合
2. Filter个数：这个参数会影响最终特征的维度，维度太大的话训练速度就会变慢。这里在100-600之间调参即可
3. CNN的激活函数：可以尝试Identity、ReLU、tanh
4. 正则化：指对CNN参数的正则化，可以使用dropout或L2，但能起的作用很小，可以试下小的dropout率(<0.5)，L2限制大一点
5. Pooling方法：根据情况选择mean、max、k-max pooling，大部分时候max表现就很好，因为分类任务对细粒度语义的要求不高，只抓住最大特征就好了
6. Embedding表：中文可以选择char或word级别的输入，也可以两种都用，会提升些效果。如果训练数据充足（10w+），也可以从头训练
7. 蒸馏BERT的logits，利用领域内无监督数据
8. 加深全连接：原论文只使用了一层全连接，而加到3、4层左右效果会更好

TextCNN是很适合中短文本场景的强baseline，但不太适合长文本，因为卷积核尺寸通常不会设很大，无法捕获长距离特征。同时max-pooling也存在局限，会丢掉一些有用特征。另外再仔细想的话，TextCNN和传统的n-gram词袋模型本质是一样的，它的好效果很大部分来自于词向量的引入，解决了词袋模型的稀疏性问题。

DPCNN

论文：https://ai.tencent.com/ailab/media/publications/ACL3-Brady.pdf
代码：https://github.com/649453932/Chinese-Text-Classification-Pytorch

上面介绍TextCNN有太浅和长距离依赖的问题，那直接多怼几层CNN是否可以呢？感兴趣的同学可以试试，就会发现事情没想象的那么简单。直到2017年，腾讯才提出了把TextCNN做到更深的DPCNN模型：

上图中的ShallowCNN指TextCNN。DPCNN的核心改进如下：

1. 在Region embedding时不采用CNN那样加权卷积的做法，而是对n个词进行pooling后再加个1x1的卷积，因为实验下来效果差不多，且作者认为前者的表示能力更强，容易过拟合
2. 使用1/2池化层，用size=3 stride=2的卷积核，直接让模型可编码的sequence长度翻倍（自己在纸上画一下就get啦）
3. 残差链接，参考ResNet，减缓梯度弥散问题

凭借以上一些精妙的改进，DPCNN相比TextCNN有1-2个百分点的提升。

TextRCNN

论文：https://dl.acm.org/doi/10.5555/2886521.2886636
代码：https://github.com/649453932/Chinese-Text-Classification-Pytorch

除了DPCNN那样增加感受野的方式，RNN也可以缓解长距离依赖的问题。下面介绍一篇经典TextRCNN。

模型的前向过程是：

1. 得到单词 i 的表示 $e(w_i)$
2. 通过RNN得到左右双向的表示 $c_l(w_i)$ 和 $c_r(w_i)$
3. 将表示拼接得到 $x_i = [c_l(w_i);e(w_i);c_r(w_i)]$ ，再经过变换得到 $y_i=tanh(Wx_i+b)$
4. 对多个 $y_i$ 进行 max-pooling，得到句子表示 $y$，在做最终的分类

这里的convolutional是指max-pooling。通过加入RNN，比纯CNN提升了1-2个百分点。

TextBiLSTM+Attention

论文：https://www.aclweb.org/anthology/P16-2034.pdf
代码：https://github.com/649453932/Chinese-Text-Classification-Pytorch

从前面介绍的几种方法，可以自然地得到文本分类的框架，就是先基于上下文对token编码，然后pooling出句子表示再分类。在最终池化时，max-pooling通常表现更好，因为文本分类经常是主题上的分类，从句子中一两个主要的词就可以得到结论，其他大多是噪声，对分类没有意义。而到更细粒度的分析时，max-pooling可能又把有用的特征去掉了，这时便可以用attention进行句子表示的融合：

BiLSTM就不解释了，要注意的是，计算attention score时会先进行变换： $$ M = tanh(H) $$

$$ \alpha = softmax(w^TM) $$

$$ r = H\alpha^T $$

其中 $w$ 是context vector，随机初始化并随着训练更新。最后得到句子表示 $r$，再进行分类。

这个加attention的套路用到CNN编码器之后代替pooling也是可以的，从实验结果来看attention的加入可以提高2个点。如果是情感分析这种由句子整体决定分类结果的任务首选RNN。

HAN

论文：https://www.aclweb.org/anthology/N16-1174.pdf
代码：https://github.com/richliao/textClassifier

上文都是句子级别的分类，虽然用到长文本、篇章级也是可以的，但速度精度都会下降，于是有研究者提出了层次注意力分类框架，即Hierarchical Attention。先对每个句子用 BiGRU+Att 编码得到句向量，再对句向量用 BiGRU+Att 得到doc级别的表示进行分类：

方法很符合直觉，不过实验结果来看比起avg、max池化只高了不到1个点（狗头，真要是很大的doc分类，好好清洗下，fasttext其实也能顶的（捂脸。

BERT

BERT的原理代码就不用放了叭～

BERT分类的优化可以尝试：

1. 多试试不同的预训练模型，比如RoBERT、WWM、ALBERT
2. 除了 [CLS] 外还可以用 avg、max 池化做句表示，甚至可以把不同层组合起来
3. 在领域数据上增量预训练
4. 集成蒸馏，训多个大模型集成起来后蒸馏到一个上
5. 先用多任务训，再迁移到自己的任务

其他模型

除了上述常用模型之外，还有Capsule Network、TextGCN等红极一时的模型，因为涉及的背景知识较多，本文就暂不介绍了（嘻嘻）。

虽然实际的落地应用中比较少见，但在机器学习比赛中还是可以用的。Capsule Network被证明在多标签迁移的任务上性能远超CNN和LSTM，但这方面的研究在18年以后就很少了。TextGCN则可以学到更多的global信息，用在半监督场景中，但碰到较长的需要序列信息的文本表现就会差些。

技巧

模型说得差不多了，下面介绍一些自己的数据处理血泪经验，如有不同意见欢迎讨论～

数据集构建

首先是标签体系的构建，拿到任务时自己先试标一两百条，看有多少是难确定（思考1s以上）的，如果占比太多，那这个任务的定义就有问题。可能是标签体系不清晰，或者是要分的类目太难了，这时候就要找项目owner去反馈而不是继续往下做。

其次是训练评估集的构建，可以构建两个评估集，一个是贴合真实数据分布的线上评估集，反映线上效果，另一个是用规则去重后均匀采样的随机评估集，反映模型的真实能力。训练集则尽可能和评估集分布一致，有时候我们会去相近的领域拿现成的有标注训练数据，这时就要注意调整分布，比如句子长度、标点、干净程度等，尽可能做到自己分不出这个句子是本任务的还是从别人那里借来的。

最后是数据清洗：

1. 去掉文本强pattern：比如做新闻主题分类，一些爬下来的数据中带有的XX报道、XX编辑高频字段就没有用，可以对语料的片段或词进行统计，把很高频的无用元素去掉。还有一些会明显影响模型的判断，比如之前我在判断句子是否为无意义的闲聊时，发现加个句号就会让样本由正转负，因为训练预料中的闲聊很少带句号（跟大家的打字习惯有关），于是去掉这个pattern就好了不少
2. 纠正标注错误：这个我真的屡试不爽，生生把自己从一个算法变成了标注人员。简单的说就是把训练集和评估集拼起来，用该数据集训练模型两三个epoch（防止过拟合），再去预测这个数据集，把模型判错的拿出来按 abs(label-prob) 排序，少的话就自己看，多的话就反馈给标注人员，把数据质量搞上去了提升好几个点都是可能的

长文本

任务简单的话（比如新闻分类），直接用fasttext就可以达到不错的效果。

想要用BERT的话，最简单的方法是粗暴截断，比如只取句首+句尾、句首+tfidf筛几个词出来；或者每句都预测，最后对结果综合。

另外还有一些魔改的模型可以尝试，比如XLNet、Reformer、Longformer。

如果是离线任务且来得及的话还是建议跑全部，让我们相信模型的编码能力。

少样本

自从用了BERT之后，很少受到数据不均衡或者过少的困扰，先无脑训一版。

如果样本在几百条，可以先把分类问题转化成匹配问题，或者用这种思想再去标一些高置信度的数据，或者用自监督、半监督的方法。

鲁棒性

在实际的应用中，鲁棒性是个很重要的问题，否则在面对badcase时会很尴尬，怎么明明那样就分对了，加一个字就错了呢？

这里可以直接使用一些粗暴的数据增强，加停用词加标点、删词、同义词替换等，如果效果下降就把增强后的训练数据洗一下。

当然也可以用对抗学习、对比学习这样的高阶技巧来提升，一般可以提1个点左右，但不一定能避免上面那种尴尬的情况。

总结

文本分类是工业界最常用的任务，同时也是大多数NLPer入门做的第一个任务，我当年就是啥都不会，从训练到部署地实践了文本分类后就顺畅了。上文给出了不少模型，但实际任务中常用的也就那几个，下面是快速选型的建议：

实际上，落地时主要还是和数据的博弈。数据决定模型的上限，大多数人工标注的准确率达到95%以上就很好了，而文本分类通常会对准确率的要求更高一些，与其苦苦调参想fancy的结构，不如好好看看badcase，做一些数据增强提升模型鲁棒性更实用。