这里是 WEN（Word Embedding News）｜词嵌入新鲜事。
作为起步，它将基于 Sebastian Ruder NLP News 的每月筛选，聚焦词嵌入领域。对涉及内容在本人阅读后的基础上进行总结、评论。不简单复制，力求做到小而精。
关于作者：张正，座标巴黎，上班NLP，下班词嵌入。
没想到词嵌入新鲜事第二期就要改变起步策略：之前说“它将基于 Sebastian Ruder NLP News [6] 的筛选，聚焦词嵌入领域”，结果前脚说完，Sebastian 就在最新一期 NLP News 中说：
Overall, I’ve realized that trying to provide a comprehensive mix of everything that has been going on is not sustainable for me. So I’ll try to refocus with this newsletter and to prioritize covering fewer things in-depth.
非常理解他的选择，一个人想要紧跟 NLP 各个领域的最新发展，对时间和精力都是巨大的挑战，专注于某几个领域对个人来说是更好的选择。
这件事对词嵌入新鲜事的直接影响是，我不能再从这单一信息源做筛选深挖了。塞翁失马，焉知非福，我一方面“被迫”需要搜集阅读更多的信息源、一方面对内容的选择编排有了更大的自主性。希望一步一步不断学习、优化，做得更好。
好了，下面是词嵌入新鲜事 2020 六月刊。
6 月里最最最重要的新鲜事是 MOJITO。除此之外，词嵌入领域，本期重点关注三个组织：
ACL：词嵌入研究趋势
OpenAI：GPT3 来了
AI2：NLP Highlights 推荐
ACL 2020 之词嵌入研究趋势
ACL 2020 发榜不久，官方于 6 月 4 日公布了相关统计数据。
https://acl2020.org/blog/general-conference-statistics/
单看数据，词嵌入研究工作通常所属的 Semantics: Lexical 中稿率与 Discourse and Pragmatics 并列倒数第一，17.9%，远低于 22.7% 的总平均值。
如果再搭配 Trends of ACL 的动态图，观察 word-level semantics 变化趋势，打击倍增。
https://public.flourish.studio/visualisation/2431551/?utm_campaign=NLP%20News&utm_medium=email&utm_source=Revue%20newsletter
当然，Semantics：Lexical 并不直接等同于词嵌入研究，随着 word embedding 在 NLP 中的广泛应用，及 language modelling 对词嵌入研究方向的推动，我们这里宽泛意义上的“词嵌入研究”越来越多地存在于不同的 track 中。
比如，在 ACL 2020 词嵌入长文汇总分类中，仅长文就 37 篇，远多于 Semantics：Lexcial 总录取数 17 篇。
GPT 之野望：大力真能出奇迹？
这个月词嵌入领域最大的新闻一定是 GPT-3，我也跟个风，从心态、技术及商业三个角度谈谈它的影响。
这是一个极度容易让人“心态爆炸”的模型
CloseAI（不好意思打错了，我是说 OpenAI）不久前“释出”（之所以打引号是因为目前我们只能看不能用）了 GPT-3 模型。
在 language model 竞赛中，它也就“又大了一点点”吧：1750 亿参数、31 位作者、72 页论文 [7] ，训练下来大约花了 1200 万刀 [1]（望向脚边机箱里的 2080Ti：“要认清自己的能力，不要总想着在词嵌入上搞个大新闻，EPIC Games 每周限免他不香吗？”）。
这是一个对“大力出奇迹”有着坚定信心的技术实践
调侃完毕，我们来简单梳理下 GPT 贯穿始终的目的和其从 1 到 3 一路走来的发展脉络：
总体上看，GPT 的目的一直非常明确，就是想证明“大力出奇迹”的猜想。即在大的数据集上做无监督训练，是不是当数据大到一定程度时，就不需要在具体且繁多的下游任务上做监督、微调之类的事情了？
具体来看：
2018 年 6 月 GPT-1：大量数据（约 5GB 文本）上无监督训练，然后针对具体任务在小的有监督数据集上做微调；关键词：“scalable, task-agnostic system”；8 个 GPU 上训练一个月；预训练模型（1.1 亿参数）可下载 [8]；
https://openai.com/blog/language-unsupervised/
2019 年 2 月 GPT-2：大量数据（约 40GB 文本）上无监督训练，然后针对具体任务在小的有监督数据集上做微调，尝试在一些任务上不微调（即使结果离 SOTA 还远）；关键词“without task-specific training”；据说在 256 个 Google Cloud TPU v3 上训练，256 刀每小时，训练时长未知 [2]；预训练模型（15 亿参数）最终公开可下载 [9] ；
https://openai.com/blog/better-language-models/
2020 年 5 月 GPT-3：大量数据（499B tokens）上无监督训练，不微调就超越 SOTA；关键词 “zero-shot, one-shot, few-shot”；训练据说话费 1200 万刀；1750 亿参数，将会开放付费 API [10] 。
72 页论文我既没精力也没心力读下来，因此推荐这篇总结博文：
https://anotherdatum.com/gpt-3.html?utm_campaign=NLP%20News&utm_medium=email&utm_source=Revue%20newsletter
简单来讲，GPT-3 一定程度上证明了大力真的可以出奇迹，无需 fine-tuning 就能在下游任务中“大显神威”。GPT-3 的关注点在 zero-shot、one-shot 和 few-shot 学习，它证明了一个足够大的模型在训练时可以获得更宽泛的 NLP “技能”和模式识别的能力，这些能力使它在推断时可以迅速地适应或识别出下游任务。
说点感性上的感受：词嵌入、语义等的核心我认为是 context，context 可以翻译成“上下文”，这个翻译用来理解 word2vec 或 language modeling 等都非常直观。当然 context 也可以翻译为“语境”，语境是一个更宏大的词，是一种对更宽泛环境的理解能力。
对于人来说，能感知并理解语境需要强大的能力，往往基于广泛的阅读，但人的阅读能力总是有极限的。GPT 想证明的事情，像是人类对基于广泛阅读的语境理解能力的极限探索。
比起技术的成熟，它在商业上还是个“萌新”
还好 GPT-3 也不是样样都行，至少它在商业上还是个“萌新”，这多多少少给我们早已“爆炸”的心态带来了些许安慰。
先来看看 OpenAI 几个商业上的时间点：
2015 年 10 月 创立；非盈利
2018 年 2 月 Musk 退出董事会
2019 年 3 月 成立 OpenAI LP [3]，他们自己所谓的 “a hybrid of a for-profit and nonprofit”，这不重要，重要的是他们开始需要为投资人的钱负责了
2019 年 7 月 微软投资 10 亿刀 [4]
拿这个时间线对照 GPT 时间线，或许有助于我们从另一个角度理解 GPT 的一些选择：
比如 GPT-2 刚官宣时的争议。众所周知，GPT-2 的完整模型一开始是没有被公开的，官方博客 [11] 的解释是：
Due to our concerns about malicious applications of the technology, we are not releasing the trained model. [5]
因为怕这个强大的模型被滥用，官方决定公布一个较小的模型（CloseAI 的外号就是这么来的）。
我们看下 GPT-2 推出的时间，2019年2月。OpenAI 一个月后就改变架构、成立以盈利为目的 OpenAI LP，5 个月后获得微软投资。
我们有理由相信 GPT-2 公布时、甚至训练时 OpenAI 非盈利的组织架构就已经快玩儿不转了。不公布模型，一方面是作为非营利组织心系天下、有社会责任感的“最后的倔强”；
另一方面也为下一步作为需要盈利的公司，给投资人有个交代、争取商业合作、获得融资等提供了想象空间（毕竟，因为如果直接开源，GPT-2 的商业价值就极其有限了）。
到了 GPT-3 的时代，OpenAI 选择将其作为一个付费 API（或者说一种服务）来让大家使用，这是 OpenAI LP 获得微软投资后的一步重要商业化实践。背靠微软这棵大树，用 Azure 云计算技术训练模型（GPT-2 时代用的还是谷歌家的 TPU），基于 Azure 提供 API 服务，甚至连注册 API 的线上问卷也用的是 Microsoft Forms。
个人认为商业化是非常好的事情，对AI真正落地会产生积极影响。如果把金钱看作全球普遍接受的、有统一标准的评价方法，那 GPT-3 在 NLP 任务上斩获无数 SOTA 后，下一关，就是看它在盈利能力上，是否同样可以获得 SOTA 了。
BTW，目前这个 API 服务还未上线，感兴趣的朋友可以通过填写这个线上问卷加入 OpenAI API Waitlist。
https://forms.office.com/Pages/ResponsePage.aspx?id=VsqMpNrmTkioFJyEllK8sx3ELsv0PEhHphhNz30FttVUNkYwTlNPMVI1V0lXNjExMlExUlc4SE5YSS4u
AI2之跨语言词嵌入播客
说完 OpenAI 再来说说另一家“厂牌” Allen Institute for AI，aka AI2。
AI2 有一个非常好的播客叫 NLP Highlights，主持人是 Matt Gardner，Pradeep Dasigi 和 Waleed Ammar。NLP Highlights 值得听的原因是主持人都是内行，所以不用担心会听到记者采访式的外行问题。
他们第 112 期节目邀请来自 UC Berkeley 的 Steven Cao 聊了聊多语语境词嵌入的对齐（alignment of multilingual contextual word embeddings）问题。这期播客的重点不是受访者，反而是主持人对这一领域的观点。
https://soundcloud.com/nlp-highlights/112-alignment-of-multilingual-contextual-representations-with-steven-cao
在 ACL 2020 词嵌入长文汇总及分类中我们就说到，跨语言语境词嵌入的相关研究是目前的热点之一。
我认为其中一个原因是，传统跨语言词嵌入的方法已经很成体系了，当语境词嵌入来了后，大家不免都会思索如何把以前各种各样的方法用过来。在 GPT 等语言模型研究越来越复杂的大环境下，跨语言语境词嵌入研究才刚刚开始，可以试的点子非常多，并没有很复杂（说白了就是性价比高）。
Steven Cao的这篇文章就是这样，“旧瓶装新酒”，上 NLP Highlights 绝对是勇气可嘉。
https://arxiv.org/pdf/2002.03518.pdf
个人认为 NLP Highlights 的精华经常是在主持人的发言：
首先是主持人的转述。不管受访者说得多高端玄妙、抑或云里雾里。主持人总能准确的转述成“人话”，方便听众理解。
然后就是提问。这个博客有时候就像在线 review，问的问题很要害。
比如在这一期里，在了解到作者用 IBM model 获得一对一的词对来做词嵌入对齐的监督。主持人的问题便是，如果一个词组在另一个语言里对应的是一个词，你这个一对一怎么生成？
作者举例，比如 “would like to” 在德语里对应一个词 X（不懂德语，就用 X 代替吧），那么这里的一对一发现实际上是 “like” 对 X。因为是语境词嵌入，因此此处的 “like” 可能某种程度上已经包含了整个词组的含义。
主持人紧跟着就质疑，那对齐在词级别上做会不会不是一个好主意，尤其对于语境词嵌入，因为不同语言中未必能在词级别上找到一对一的语境对应。后面又提到作者的方法之所以效果好，也可能是作者用的平行语料基本上是基于逐词翻译的，跟数据有很大关系。
这集博客的核心讨论点围绕在为什么要在词级别上做，这是非常值得讨论的问题，不能因为以前传统词嵌入词级别上的对齐工作很多，就自然而然觉得语境词嵌入也要在词级别上做。
可能从主持的角度来说主持人不应该太强势或过于主导，但是从学术探讨的角度来说，这个博客就像 open live review，非常有趣。
除此之外，我个人在本月也终于完成了 word2vec 的第三篇介绍，word2vec 算是告一段落了。
以上是词嵌入新鲜事六月刊 （总第二期），麻烦给我的读者来一杯 mojito。
Stay 微醺. Stay Foolish.
参考链接
[1] https://venturebeat.com/2020/06/01/ai-machine-learning-openai-gpt-3-size-isnt-everything/
[2] https://www.theregister.com/2019/02/14/open_ai_language_bot/
[3] https://openai.com/blog/openai-lp/
[4] https://openai.com/blog/microsoft/
[5] https://openai.com/blog/better-language-models/
6] http://newsletter.ruder.io
[7] https://arxiv.org/abs/2005.14165
[8] https://github.com/openai/finetune-transformer-lm
[9] https://github.com/openai/gpt-2-output-dataset
[10] https://forms.office.com/Pages/ResponsePage.aspx?id=VsqMpNrmTkioFJyEllK8sx3ELsv0PEhHphhNz30FttVUNkYwTlNPMVI1V0lXNjExMlExUlc4SE5YSS4u
[11] https://openai.com/blog/better-language-models/
更多阅读
#投 稿 通 道#
让你的论文被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。
总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学习心得或技术干货。我们的目的只有一个，让知识真正流动起来。
???? 来稿标准：
• 稿件确系个人原创作品，来稿需注明作者个人信息（姓名+学校/工作单位+学历/职位+研究方向）
• 如果文章并非首发，请在投稿时提醒并附上所有已发布链接
• PaperWeekly 默认每篇文章都是首发，均会添加“原创”标志
???? 投稿邮箱：
• 投稿邮箱：[email protected]
• 所有文章配图，请单独在附件中发送
• 请留下即时联系方式（微信或手机），以便我们在编辑发布时和作者沟通
????
现在，在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
关于PaperWeekly
PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。
