1. 概況

1.1 任務

口語理解（Spoken Language Understanding, SLU）作為語音識別與自然語言處理之間的一個新興領域，其目的是為了讓計算機從使用者的講話中理解他們的意圖。SLU是口語對話系統（Spoken Dialog Systems）的一個非常關鍵的環節。下圖展示了口語對話系統的主要流程。

SLU主要通過如下三個子任務來理解使用者的語言：

1. 領域識別(Domain Detection)
2. 使用者意圖檢測(User Intent Determination)
3. 語義槽填充(Semantic Slot Filling)

例如，使用者輸入“播放周杰倫的稻香”，首先通過領域識別模組識別為"music"領域，再通過使用者意圖檢測模組識別出使用者意圖為"play_music"（而不是"find_lyrics" ），最後通過槽填充對將每個詞填充到對應的槽中："播放[O] / 周杰倫[B-singer] / 的[O] / 稻香[B-song]"。

從上述例子可以看出，通常把領域識別和使用者意圖檢測當做文字分類問題，而把槽填充當做序列標註(Sequence Tagging)問題，也就是把連續序列中每個詞賦予相應的語義類別標籤。本次實驗的任務就是基於ATIS 資料集進行語義槽填充。(完整程式碼地址：https://github.com/llhthinker/slot-filling)

1.2 資料集

本次實驗基於ATIS(Airline Travel Information Systems )資料集。顧名思義，ATIS資料集的領域為"Airline Travel"。ATIS資料集採取流行的"in/out/begin(IOB)標註法": "I-xxx"表示該詞屬於槽xxx，但不是槽xxx中第一個詞；"O"表示該詞不屬於任何語義槽；"B-xxx"表示該詞屬於槽xxx，並且位於槽xxx的首位。部分ATIS訓練資料集如下：

what    O
is  O
the O
arrival B-flight_time
time    I-flight_time
in  O
san B-fromloc.city_name
francisco   I-fromloc.city_name
for O
the O
DIGITDIGITDIGIT B-depart_time.time
am  I-depart_time.time
flight  O
leaving O
washington  B-fromloc.city_name

ATIS資料集一共有83種語義槽，因此序列標註的標籤類別一共有\(83+83+1=167\)個。ATIS資料集分為訓練集和測試集，資料規模如下表：

2. 模型

上文中提到，通常把槽填充當做序列標註問題。很多機器學習演算法都能夠解決序列標註問題，包括HMM/CFG,hidden vector state(HVS)等生成式模型，以及CRF, SVM等判別式模型。本次實驗主要參考論文《Using Recurrent Neural Networks for Slot Filling in Spoken Language Understanding 》 ，基於RNN來實現語義槽填充。

RNN可以分為簡單RNN(Simple RNN)和門控機制RNN(Gated RNN)，前者的RNN單元完全接收上個時刻的輸入；後者基於門控機制，通過學習到的引數自行決定上個時刻的輸入量和當前狀態的保留量。下面將介紹Elman-RNN, Jordan-RNN, Hybrid-RNN(Elman和Jordan結合)這三種簡單RNN，以及經典的門控機制RNN：LSTM。

2.1 Elman-RNN

Elman-RNN將當前時刻的輸入\(x_t\)和上個時刻的隱狀態輸出\(h_{(t-1)}\)作為輸入，具體如下：

\[\begin{split}\begin{array}{ll}h_t = \sigma(W_{ih} x_t + b_{ih} + W_{hh} h_{(t-1)} + b_{hh}) \end{array}\end{split}\]

需要說明的是，Pytorch預設的RNN即為Elman-RNN，但是它只支援\(\tanh\)和ReLU兩種啟用函式。本次實驗按照論文設定，啟用函式均採取sigmoid函式，使用Pytorch具體實現如下:

class ElmanRNNCell(nn.Module):
    def __init__(self, input_size, hidden_size):
        super(ElmanRNNCell, self).__init__()
        self.hidden_size = hidden_size
        self.i2h_fc1 = nn.Linear(input_size, hidden_size)
        self.i2h_fc2 = nn.Linear(hidden_size, hidden_size)
        self.h2o_fc = nn.Linear(hidden_size, hidden_size)

    def forward(self, input, hidden):
        hidden = F.sigmoid(self.i2h_fc1(input) + self.i2h_fc2(hidden))
        output = F.sigmoid(self.h2o_fc(hidden))
        return output, hidden

2.2 Jordan-RNN

Jordan-RNN將當前時刻的輸入\(x_t\)和上個時刻的輸出層輸出\(y_{(t-1)}\)作為輸入，具體如下：

\[\begin{split}\begin{array}{ll}h_t = \sigma(W_{ih} x_t + b_{ih} + W_{yh} y_{(t-1)} + b_{yh}) \end{array}\end{split}\]

使用Pytorch具體實現如下，其中\(y_0\)初始化為可訓練的引數:

class JordanRNNCell(nn.Module):
    def __init__(self, input_size, hidden_size):
        super(JordanRNNCell, self).__init__()
        self.hidden_size = hidden_size
        self.i2h_fc1 = nn.Linear(input_size, hidden_size) 
        self.i2h_fc2 = nn.Linear(hidden_size, hidden_size)
        self.h2o_fc = nn.Linear(hidden_size, hidden_size)
        self.y_0 = nn.Parameter(nn.init.xavier_uniform(torch.Tensor(1, hidden_size)), requires_grad=True)

    def forward(self, input, hidden=None):
        if hidden is None:
            hidden = self.y_0
        hidden = F.sigmoid(self.i2h_fc1(input) + self.i2h_fc2(hidden))
        output = F.sigmoid(self.h2o_fc(hidden))
        return output, output

2.4 Hybrid-RNN

Hybrid-RNN將當前時刻的輸入\(x_t​\)，上個時刻的隱狀態\(h_{(t-1)}​\) 以及上個時刻輸出層輸出\(y_{(t-1)}​\)作為輸入，具體如下：

\[\begin{split}\begin{array}{ll}h_t = \sigma(W_{ih} x_t + b_{ih} + W_{hh} h_{(t-1)} + b_{hh} + W_{yh} y_{(t-1)} + b_{yh}) \end{array}\end{split}\] ，並且\(y_0\)初始化為可訓練的引數。使用Pytorch具體實現如下:

class HybridRNNCell(nn.Module):
    def __init__(self, input_size, hidden_size):
        super(HybridRNNCell, self).__init__()
        self.hidden_size = hidden_size
        self.i2h_fc1 = nn.Linear(input_size, hidden_size)
        self.i2h_fc2 = nn.Linear(hidden_size, hidden_size)
        self.i2h_fc3 = nn.Linear(hidden_size, hidden_size)
        self.h2o_fc = nn.Linear(hidden_size, hidden_size)
        self.y_0 = nn.Parameter(nn.init.xavier_uniform(torch.Tensor(1, hidden_size)), requires_grad=True)

    def forward(self, input, hidden, output=None):
        if output is None:
            output = self.y_0    
        hidden = F.sigmoid(self.i2h_fc1(input)+self.i2h_fc2(hidden)+self.i2h_fc3(output))
        output = F.sigmoid(self.h2o_fc(hidden)) 
        return output, hidden

2.5 LSTM

LSTM引入了記憶單元\(c_t\)和3種控制門，包括輸入門(input gate)\(i_t\)，遺忘門(forget gate)\(f_t\)，輸出門(output gate)\(o_t\)， 首先，輸入層接受當前時刻輸入\(x_t\)和上個時刻隱狀態輸出\(h_{(t-1)}\)，通過\(\tanh\)啟用函式得到記憶單元的輸入\(g_t\)； 然後遺忘門\(f_t\)決定上個時刻記憶單元\(c_{(t-1)}\)的保留比例，輸入門\(i_t\)決定當前時刻記憶單元的輸入\(g_t\)的保留比例，兩者相加得到當前的記憶單元\(c_t\)； 最後記憶單元\(c_t\)通過\(\tanh\)啟用函式得到的值在輸出門\(o_t\)的控制下得到最終的當前時刻隱狀態\(h_t\)， 具體如下：

\[\begin{split}\begin{array}{ll}i_t = \sigma(W_{ii} x_t + b_{ii} + W_{hi} h_{(t-1)} + b_{hi}) \\f_t = \sigma(W_{if} x_t + b_{if} + W_{hf} h_{(t-1)} + b_{hf}) \\g_t = \tanh(W_{ig} x_t + b_{ig} + W_{hg} h_{(t-1)} + b_{hg}) \\o_t = \sigma(W_{io} x_t + b_{io} + W_{ho} h_{(t-1)} + b_{ho}) \\c_t = f_t c_{(t-1)} + i_t g_t \\h_t = o_t \tanh(c_t)\end{array}\end{split}\]

Pytorch已經實現了LSTM, 只需要呼叫相應的API即可，呼叫的程式碼片段如下:

self.rnn = nn.LSTM(input_size=embedding_dim,
                   hidden_size=hidden_size,
                   bidirectional=bidirectional,
                   batch_first=True)

3. 實驗

3.1 實驗設定

實驗基於Python 3.6 和Pytorch 0.4.0，為進行對照實驗，下列設定針對所有RNN模型:

• 所有RNN模型均只使用單層；
• 詞向量維度設定為100維，並且隨機初始化，在訓練過程中進行調整；
• 隱狀態維度設定為75維;
• 採用帶動量的隨機梯度下降(SGD)，batch size為1，學習率(learning rate)為0.1，動量(momentum)為0.9並保持不變;
• epoch=10；
• 每種RNN模型都實現單向(Single)和雙向(Bi-Directional)，並分別訓練。

3.2 實驗結果

在使用CPU的情況下，不同模型在測試集的\(F_1\)得分以及平均一個epoch訓練時長的結果如下：

從上表中可以看出：

• 基於門控機制的LSTM由於其引數和運算步驟的增加，一個epoch的訓練時長是另外三種Simple RNN的9倍左右，而\(F_1\)得分也比Simple RNN高；
• 雙向(Bi-Directional)RNN的\(F_1\)得分普遍比單向(Single)RNN高，而執行時間也多一些。

在使用同一塊GPU的情況下，不同模型在測試集的\(F_1\)得分以及平均一個epoch訓練時長的結果如下：

從上表中可以看出，即使是隨機梯度下降(batch_size=1)，GPU的加速效果仍然相當明顯。值得指出的是，雖然LSTM的運算步驟比其他三種Simple-RNN多，但是用時卻是最少的，這可能是由於LSTM是直接呼叫Pytorch的API，針對GPU有優化，而另外三種的都是自己實現的，GPU加速效果沒有Pytorch好。

4. 總結與展望

總的來說，將槽填充問題當做序列標註問題是一種有效的做法，而RNN能夠較好的對序列進行建模，提取相關的上下文特徵。雙向RNN的表現優於單向RNN，而LSTM的表現優於Simple RNN。對於Simple RNN而言，Elman的表現不比Jordan差（甚至更好），而用時更少並且實現更簡單，這可能是主流深度學習框架（TensorFlow / Pytorch等）的simple RNN是基於Elman的原因。而Hybrid作為Elman和Jordan的混合體，其訓練時間都多餘Elman和Jordan，\(F_1\)得分略有提升，但不是特別明顯（使用CPU時的雙向Elman表現比雙向Hybrid好），需要更多實驗進行驗證。

從實驗設定可以看出，本次實驗沒有過多的調參。如果想取得更好的結果，可以進行更細緻的調參，包括 ：

• 改變詞向量維度和隱狀態維度；
• 考慮採用預訓練詞向量，然後固定或者進行微調；
• 採用正則化技術，包括L1/L2, Dropout, Batch Normalization, Layer Normalization等；
• 嘗試使用不同的優化器(如Adam)，使用mini-batch，調整學習率；
• 增加epoch次數。

此外，可以考慮在輸入時融入詞性標註和命名實體識別等資訊，在輸出時使用Viterbi演算法進行解碼，也可以嘗試不同形式的門控RNN（如GRU，LSTM變體等）以及採用多層RNN，並考慮是否使用殘差連線等。

參考資料

Mesnil G, Dauphin Y, Yao K, et al. Using recurrent neural networks for slot filling in spoken language understanding[J]. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 2015, 23(3): 530-539.