在深度學(xué)習(xí)出現(xiàn)之前，文字所包含的意思是通過人為設(shè)計的符號和結(jié)構(gòu)傳達(dá)給計算機的。本文討論了深度學(xué)習(xí)如何用向量來表示語義，如何更靈活地表示向量，如何用向量編碼的語義去完成翻譯，以及有待改進(jìn)的地方。
在深度學(xué)習(xí)出現(xiàn)之前，我們書寫的文字所包含的意思是通過人為設(shè)計的符號和結(jié)構(gòu)傳達(dá)給計算機的。其符號方法包括WordNet、ConceptNet和FrameNet，通過對比來更好地理解深度學(xué)習(xí)的能力。然后我會討論深度學(xué)習(xí)如何用向量來表示語義，以及如何更靈活地表示向量。接著我將探討如何用向量編碼的語義去完成翻譯，甚至為圖片添加描述和用文字回答問題。最后，庫卡機器人，總結(jié)了用深度學(xué)習(xí)技術(shù)真正地理解人類語言還需要哪些改進(jìn)。
WordNet可能是最著名的象征意義的語料庫，由普林斯頓大學(xué)研發(fā)。它將意思相近的單詞歸為一組，并且表示組與組之間的層次聯(lián)系。舉個例子，它認(rèn)為轎車和汽車指的是同一個物體，都是屬于一類交通工具。
ConceptNet是來自麻省理工學(xué)院的語義網(wǎng)絡(luò)。它表示的關(guān)系比WordNet更廣。例如，ConceptNet認(rèn)為面包一詞往往出現(xiàn)在烤面包機附近。然而，詞語間的這種關(guān)系實在是不勝枚舉。理想情況下，我們會說面包機不能被叉子插入。
FrameNet是伯克利大學(xué)的一個項目，它試圖用框架對語義歸檔。框架表示各種概念及其相關(guān)的角色。例如，孩子生日聚會框架的不同部分有著不同的角色，比如場地、娛樂活動和糖源。另一個框架是購買這個行為，包括賣方、買方和交易商品。計算機能夠通過搜索觸發(fā)框架的關(guān)鍵詞來理解文字。這些框架需要手動創(chuàng)建，它們的觸發(fā)詞也需要手動關(guān)聯(lián)。我們可以用這種方式來表示大量知識，但是很難一五一十地明確寫出來。因為內(nèi)容實在太多，完完全全寫出來也太費神了。
符號也可以用來創(chuàng)建語言模型，計算某個單詞將會出現(xiàn)在句子中的概率。舉個例子，假設(shè)我剛剛寫下我吃了，那么下一個詞語是慶豐包子的概率，可以用語料庫中我吃了慶豐包子出現(xiàn)的次數(shù)除以我吃了出現(xiàn)的次數(shù)來計算。此類模型相當(dāng)有用，但我們知道慶豐包子與狗不理包子非常相似，至少比電飯鍋相似，但是模型并沒有利用這種相似性的優(yōu)勢。使用的詞語有千千萬萬，若是存儲所有三詞短語需消耗（詞語數(shù)量x詞語數(shù)量x詞語數(shù)量）存儲空間，這也是使用符號所帶來的問題，因為詞語以及詞語的組合實在太多。所以，我們需要一種更好的方式。
使用向量表示語義
深度學(xué)習(xí)使用向量來表示語義，因此概念不再是由一個龐大的符號來表示，而是由特征值表示的一個向量來表示。向量的每個索引代表神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的一個特征，向量的長度一般在300左右。這是一種更加有效的概念表示方法，因為這里的概念是由特征組成的。兩個符號只有相同或者不同兩種情況，而兩個向量可以用相似性來衡量。慶豐包子對應(yīng)的向量與狗不理包子對應(yīng)的向量很接近，但是它們和轎車對應(yīng)的向量差別很大。如同WordNet處理方式一樣，相似的向量被歸為同一類。
向量還存在內(nèi)部結(jié)構(gòu)。如果你用意大利向量減去羅馬向量，得到的結(jié)果應(yīng)該與法國向量減去巴黎向量的結(jié)果非常接近。我們可以用一個等式來表示：
意大利-羅馬=法國-巴黎
另一個例子是：
國王-皇后=男人-女人
我們通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)來預(yù)測每個詞語附近的詞語，得到帶有這些屬性的向量。你可以從谷歌或者是斯坦福直接下載已經(jīng)訓(xùn)練好的向量，或是用Gensim軟件庫自己訓(xùn)練。令人驚訝的是這種方法竟然有效，而且詞向量有如此直觀的相似性和聯(lián)系，但事實上確實是有效。
由詞向量構(gòu)成語義
我們已經(jīng)有了原來表示單個詞語的向量，該如何用這些詞表示語義，甚至形成完整的句子呢？我們使用一種稱為遞歸神經(jīng)網(wǎng)絡(luò)（recurrentneuralnetwork,RNN）的技術(shù)，如下圖所示。用RNN把句子Thewomanatetacos.編碼為向量，記作h4。單詞the的詞向量記作h0，然后RNN把h0與表示woman的詞向量結(jié)合，生成新的向量h1。然后向量h1繼續(xù)與下一個單詞ate的詞向量結(jié)合，生成新的向量h2，以此類推，直到向量h4。向量h4則表示了完整的句子。
一旦信息被編碼為一個向量，我們就能將其解碼為另一種形式，如下圖所示。比如，RNN隨后可以將向量h4表示的句子翻譯（解碼）成西班牙語。它先根據(jù)已有向量h4生成一個最有可能的單詞。向量h4與新生成的單詞La一起又產(chǎn)生了向量h5。在向量h5的基礎(chǔ)上，RNN推出下一個最有可能出現(xiàn)的單詞，mujer。重復(fù)進(jìn)行這個過程直到產(chǎn)生句號，網(wǎng)絡(luò)結(jié)構(gòu)也到此為止。
使用這種編碼器解碼器模型來做語言轉(zhuǎn)換，需要用一個包含大量源語言與目標(biāo)語言的語料庫，基于這個語料庫訓(xùn)練RNN網(wǎng)絡(luò)。這些RNN通常含有非常復(fù)雜的內(nèi)部節(jié)點，整個模型往往有幾百萬個參數(shù)需要學(xué)習(xí)。
我們可以將解碼的結(jié)果以任何形式輸出，例如解析樹（parsetree），或是圖像的描述，假設(shè)有足夠多包含描述的圖像素材。當(dāng)給圖片添加描述時，你可以用圖片訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)來識別圖像中的物體。然后，把神經(jīng)網(wǎng)絡(luò)輸出層的權(quán)重值作為這幅圖像的向量表示，再將這個向量用解碼器解析出圖像的描述。
從合成語義到關(guān)注、記憶和問答
剛才的編碼器解碼器方法似乎像是小把戲，我們接著就慢慢的來看看其在實際場景的應(yīng)用。我們可以把解碼的過程想象成回答問題，這句話該怎么翻譯？或者，已經(jīng)有了待翻譯的句子，并且一部分內(nèi)容已經(jīng)翻譯了，那么接下去該怎么寫？
為了回答這些問題，算法首先需要記住一些狀態(tài)。在之前提到的例子中，系統(tǒng)只記住當(dāng)前向量狀態(tài)h以及最后寫下的單詞。若是我們想讓它能運用之前全部所見所學(xué)該怎么辦？在機器翻譯的例子里，這就意味著在選擇下一個單詞時，要能夠回溯之前的狀態(tài)向量h0、h1、h2和h3。創(chuàng)造了能滿足這種需求的網(wǎng)絡(luò)結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)如何在每個決策點確定之前哪個記憶狀態(tài)是最相關(guān)的。我們可以認(rèn)為這是一個關(guān)注記憶的焦點。
它的意義在于，由于我們可以將概念和語句編碼為向量，并且我們可以使用大量的向量作為記憶元素，通過搜索能找到問題的最佳答案，那么深度學(xué)習(xí)技術(shù)就能用文字來回答問題了。舉一個最簡單的例子，用表示問題的向量與表示記憶的向量做內(nèi)積運算，把最吻合的結(jié)果作為問題的最佳回答。另一種方法是把問題和事實用多層神經(jīng)網(wǎng)絡(luò)進(jìn)行編碼，并把最后一層輸出傳給一個函數(shù)，函數(shù)的輸出即為答案。這些方法都是基于模擬問答的數(shù)據(jù)來訓(xùn)練，然后用下文Weston所示的方法回答問題。
下一個前沿方向是準(zhǔn)確理解語義
剛剛討論的方法是關(guān)于如何以讀故事的方式回答問題，但是故事的一些重要情節(jié)一目了然，我們不必都寫下來。設(shè)想桌上放著一本書。計算機如何才能知道你挪動桌子的同時也挪動了書本？同樣的，計算機怎么知道屋外只是下雨了呢？就如MarvinMinsky所問，計算機如何知道你能用一根繩索拉箱子而不是推箱子呢？因為這些事實我們不會都寫下來，故事將只限于能被我們算法所表示的知識。為了獲取這部分知識，我們的機器人（robot）將通過實景體驗或者模擬體驗來學(xué)習(xí)。