NLP多任务学习案例分享：一种层次增长的神经网络结构

由于神经网络强大的表达能力，在 NLP 领域研究者们开始研究基于神经网络的多任务学习。大多数方法通过网络参数共享来学习任务间的关联，提升各任务效果。

这篇文章介绍了一个联合的多任务（joint many-task）模型，通过逐步加深层数来解决复杂任务。

与传统的并行多任务学习不一样的地方在于，该文是根据任务的层次关系构建层次（POS->CHUNK->DEP->Related->Entailment）的模型进行学习。每个任务有自己的目标函数，最后取得了不错的效果。

在 NLP 领域，各个任务之间有着相互联系。研究者们通过多任务学习（Multiple-Task Learning）来促进任务间互相联系，提高各个任务的性能。目前现存的主流多任务框架多使用同样深度的模型，通过参数共享的方式并行地进行多任务学习，如下图。

而在 NLP 领域中，各个任务间经常是有层级关系的，例如从词法分析到句法分析到上层的实际应用任务（例如具体任务：词性分析 POS->语块分析 CHUNK->依存句法分析 DEP->文本语义相关 Relatedness->文本蕴涵 Entailment）。

现存的多数多任务学习模型忽视了 NLP 任务之间的语言学层次关系，针对这一问题，该论文提出了一种层次增长的神经网络模型，考虑了任务间的语言学层次关系。

 论文方法

该论文模型的整体框架图如下所示，相比传统的并行多任务学习模型，该模型框架是依据语言学层次关系，将不同任务栈式的叠加，越层次的任务具有更深的网络结构。当前层次的任务会使用下一层次的任务输出。

在词和句法层级，每个任务分别是使用一个双向的 LSTM 进行建模。语义层级，根据前面层级任务学习到的表示，使用 softmax 函数进行分类。在训练阶段，每个任务都有自己相应的目标函数，使用所有任务训练数据，按照模型从底至顶的层次顺序，依次联合训练。

除此之外，在具体实现上，每层双向 LSTM 都用了词向量（Shortcut Connection）和前面任务的标签向量（Label Embedding）。在各个任务的目标函数里加入了级联正则化项（Successive Regularization）来使得模型不要忘记之前学习的信息。

论文实验 

各任务数据集：POS(WSJ)，CHUNK(WSJ)，DEP(WSJ)，Relatedness(SICK)，Entailment(SICK)。

多任务vs单任务（测试集上）

论文给出了多任务和单任务的实验结果（由于一些任务数据集存在重叠，所以没有结果 n/a），还有具体使用全部任务和任意任务的结果。可以看到相比单任务，多任务学习在所有任务上效果都得到了提升。

和主流方法进行比较（测试集上）

每个具体任务和目前主流方法（包含了并行的多任务学习方法）的比较，可以看到该论文每个任务的结果基本可以达到目前最优结果。

模型结构分析（在开发集上）

(1) shortcut 连接，输出标签向量和级联正则化项的效果

可以看到使用 shortcut 连接（Shortcut Connections, SR），输出标签向量（Label Embeddings, LE）和级联正则化（Successive Regularization, SR）能够提升任务的效果，特别是在高层的任务。

(2) 层次和平行结构的对比

ALL-3 表示的是各个任务都用三层结构，只是输出不同，相当于平行多任务学习。可以看到该文层次的结构效果更好。 

(3) 任务训练顺序的影响

通过随机顺序和按照从底至顶的训练顺序结果进行比较，可以看出，从底层任务往高层任务顺序训练很重要，特别是对于高层任务。

4. 总结

该论文针对语言学层次结构，提出了层次结构的多任务学习框架。相比平行的多任务结构有更好的效果。这样的框架也可以扩展到更多高层任务应用上（例如关系抽取等）。

可以看到虽然框架思路简单，但是在实现要取得好的效果，我感觉很多论文中的细节需要注意（例如：Shortcut connections，Label Embeddings 和级联正则化项等）。论文的实验做得很详细，有些训练细节也在附加材料中给出，利于大家学习。