点击上方，选择星标或置顶，每天给你送干货！

阅读大概需要19分钟

跟随小博主，每天进步一丢丢

整理 Rachel

编辑 zenRRan

来自 AI 科技大本营

导读

在近几年，NLP 领域得到了快速的发展，包括 ELMo ，BERT在内的新方法不断涌现，显著提高了模型在一系列任务的表现。在本文中，作者针对主要的 NLP 模型、常用开源机器学习库和多任务学习的相关资源进行了归纳，提供了包括论文、代码、视频和博客在内的多种学习资源。

随着 NLP 领域的不断发展，大量新的机器学习模型出现，ELMo、BERT 等取得了较好的进展。在之前的文章中，营长为大家推荐过一些针对的NLP 入门资源，包括优质中文 NLP 资源汇总、初学者福利，NLP 知识结构总结、NLP 最全资料包、一文了解深度学习在 NLP 中的最佳实践和技巧等。在今天的推荐中，营长为大家整理了一份针对最新 NLP 机器学习模型的学习资源汇总，包括论文、视频、博客、代码等，帮助大家紧跟技术潮流，快速掌握最新技术。

在本文中，作者为大家整理了 NLP 的阅读清单，包括论文、博客、代码和视频。该资源主要包含了在NLP 领域的机器学习模型及相关资源，并包含了许多最新的模型，包括 LSTM，AWD-LSTM，指针模型，Attention 机制， ELMo，ULMFit，OpenAI GPT，BERT。文章对两个较常用的开源机器学习库 Pytorch 和fast-ai 的学习资料也进行了整理。另外，考虑到近几年多任务学习模型使用较多，作者对相关资源也进行了归纳。

在最近的 NLP 进展中，很多研究都通过将更大的transformer 和现有模型结合，解决多任务学习问题。并且，越来越多的论文和项目使用大规模的计算资源来进行资源计算，因此由于算力限制，我们往往需要使用开源的模型。

1、fast-ai

视频：“快速入门深度学习”课程

提供了使用 fast-ai 开发语言模型的详细教程

视频地址：

https://course.fast.ai/videos/?lesson=4

2、LSTM

尽管目前 transformer 是主流的趋势，但在一些项目中LSTM 模型仍有应用。如果使用 LSTM 模型，建议使用AWD-LSTM 来搭建项目。

论文

《LONG SHORT-TERMMEMORY》

建议快速浏览以了解模型原理及细节

论文地址：

https://www.bioinf.jku.at/publications/older/2604.pdf

博客

《Understanding LSTM Networks》

该博文详细介绍了 RNN 和 LSTM 的原理及区别，并且提供了模型的可视化介绍，有助于快速理解模型；

博文地址：

https://colah.github.io/posts/2015-08-Understanding-LSTMs/

3、AWD-LSTM

AWD-LSTM 对 LSTM 模型进行了改进，包括在隐藏层间加入dropout ，加入词嵌入 dropout ，权重绑定等。建议使用AWD-LSTM 来替代 LSTM 以获得更好的模型效果。

论文

《Regularizing and OptimizingLSTM Language Models paper》

提出了 AWD-LSTM 模型

论文地址：

https://arxiv.org/pdf/1708.02182.pdf

代码

 Salesforce 提供的模型源码

GitHub 项目地址：

https://github.com/salesforce/awd-lstm-lm

fast-ai 提供的模型源码

GitHub 项目地址：

https://github.com/fastai/fastai/blob/master/fastai/text/models/awd_lstm.py

4、指针模型

尽管指针模型的应用并不多，但指针模型提供了注意力机制的最初思想，值得简单了解。

论文

《Pointer SentinelMixture Models 》

提出了指针模型

论文地址：

https://arxiv.org/pdf/1609.07843.pdf

官方说明视频

论文提供的官方说明视频

视频地址：

https://www.youtube.com/watch?v=Ibt8ZpbX3D8

论文

《Improving Neural Language Models with a continuous cachepaper》

论文地址：

https://openreview.net/pdf?id=B184E5qee

提示：在一些开源的机器学习库（如 Pytorch 和Tensorflow）中，其代码使用权重衰减（weight decay）代替了正则化（regularization）。二者的差别在于，权重衰减直接对权重更新规则进行更改，正则化则调整损失函数。一些论文的作者提到使用 SGD 优化参数的效果优于 Adam 优化，一部分原因可能是其使用的机器学习库使用权重衰减替代了正则化。

5、Attention模型

尽管注意力机制应用广泛，但该模型并不总是最优的选择。

课程：

斯坦福 CS224n 课程对 attention 机制的介绍

对 attention 机制的介绍从 1:00:55 处开始

视频地址：

https://www.youtube.com/watch?v=XXtpJxZBa2c

论文

《Attention is all youneed》

该论文也包含了对 Transformer 的介绍

论文地址：

https://papers.nips.cc/paper/7181-attention-is-all-you-need.pdf

博文：

《The AnnotatedTransformer》

使用 Pytorch 对 Transformer 进行复现的文章，由 HarvardNLP 发布

博文地址：

http://nlp.seas.harvard.edu/2018/04/03/attention.html

视频：

Google 发布的 attention 机制介绍官方视频

视频地址：

https://www.youtube.com/watch?v=rBCqOTEfxvg

博文：

Google AI 对 Transformer 的介绍博文

博文地址：

https://ai.googleblog.com/2017/08/transformer-novel-neural-network.html

视频：

论文介绍视频地址：

https://www.youtube.com/watch?v=iDulhoQ2pro

模型介绍视频地址：

https://www.youtube.com/watch?v=rBCqOTEfxvg

论文

《Transformer-XL:Attentive Language Models Beyond a Fixed Length Context paper.》

Google 提交的Transformer-XL 模型论文

该模型对 Transformer 进行了改进，但这一改进没有被 BERT 采用

论文地址：

https://arxiv.org/pdf/1901.02860.pdf

博文：

Google 对 Transformer-XL 的介绍博文

博文地址：

https://ai.googleblog.com/2019/01/transformer-xl-unleashing-potential-of.html

博文

《Transformer-XL — CombiningTransformers and RNNs Into a State-of-the-art Language Model 》

对 Transformer-XL 进行了介绍

博客地址：

https://www.lyrn.ai/2019/01/16/transformer-xl-sota-language-model/

视频：

对 Transformer-XL 模型进行介绍

视频地址：

https://www.youtube.com/watch?v=cXZ9YBqH3m0

博文

《The Illustrated Transformer》

博文地址：

http://jalammar.github.io/illustrated-transformer/

博文

《Attention and Memoryin Deep Learning and NLP》

一篇对注意力机制进行介绍的博文

博文地址：

http://www.wildml.com/2016/01/attention-and-memory-in-deep-learning-and-nlp/

博文

《Attention and Augmented Recurrent Neural Networks blog》

对注意力机制和正则化循环神经网络进行了介绍

博文地址：

https://distill.pub/2016/augmented-rnns/

代码：

使用一个简单的 Transformer 模型进行序列标注

项目地址：

https://medium.com/@kolloldas/building-the-mighty-transformer-for-sequence-tagging-in-pytorch-part-i-a1815655cd8

对 Transformer 模型的其他改进

Universal Transformer

Google的介绍博文地址：

https://ai.googleblog.com/2018/08/moving-beyond-translation-with.html

Evolved Transformer

介绍博文地址：

https://www.lyrn.ai/2019/03/12/the-evolved-transformer/

现有对 Transformer 模型改进较少的原因之一是模型的算力消耗较大。一般而言， Transformer 模块的数量越多，模型训练效果越好，这就意味着如果没有足够的算力，很难对模型效果进行优化。另外，在对语言模型的训练往往需要使用更大的批处理尺寸，往往需要特殊的芯片支持。

6、对模型的其他改进

这一部分列举了一些相关的学习资源，如果只想了解最核心的内容可以略过此部分。

论文

《Character-Level Language Modeling with DeeperSelf-Attention 》

论文地址：

https://arxiv.org/pdf/1808.04444.pdf

论文

《Using the output embedding to Improve LangaugeModels 》

论文地址：

https://arxiv.org/abs/1608.05859

论文

《Quasi-Recurrent Neural Networks paper》

使用卷积层实现 LSTM 的并行计算，提高了 LSTM 的计算速度。提供了相关代码

论文地址：

https://arxiv.org/abs/1611.01576

fast-ai提供的代码地址：

https://github.com/fastai/fastai/blob/master/fastai/text/models/qrnn.py

Salesforce提供的代码地址：

https://github.com/salesforce/pytorch-qrnn

博文

《Deep Learning for NLP Best Practices blog》

介绍了对 LSTM 模型的设计和调参方法

博文地址：

http://ruder.io/deep-learning-nlp-best-practices/

博文

《Notes on the state of the art techniques for languagemodeling blog》

对 fast-ai 中各类模型的使用进行了总结

博文地址：

https://www.fast.ai/2017/08/25/language-modeling-sota/

博文

《Language Modes and Contextualized Word Embeddings blog》

对 ELMo, BERT 及其他模型进行了一个简单的综述

博文地址：

http://www.davidsbatista.net/blog/2018/12/06/Word_Embeddings/

7、多任务学习

多任务学习可以使用一个模型解决多个任务，例如将一段文本翻译成包含部分德文的英文文段。

论文

《An overview of Multi-Task Learning in deep neural networks》

对使用神经网络进行多任务学习进行了综述

论文地址：

https://arxiv.org/pdf/1706.05098.pdf

论文

《The Natural Language Decathlon: Multitask Learning asQuestion Answering》

OpenAI GPT 是该论文的一个应用实例

论文地址：

https://arxiv.org/abs/1806.08730

8、Pytorch

Pytorch 提供了一些官方教程，是非常好的学习资源。需注意的是，该教程没有包含对Transformer  的介绍。

Pytorch官方教程

教程地址：

https://pytorch.org/tutorials/#text

9、ELMo

ELMo 是第一个使用预训练模型进行词嵌入的方法，通过将需要处理的语句输入 ELMo，我们可以得到句子中每个词的向量表示。

论文

《Deep contextualizedword representations》

提出了 ELMo 模型

论文地址：

https://arxiv.org/abs/1802.05365

对 ELMo 的视频介绍

视频地址：

https://vimeo.com/277672840

10、ULMFit

在 Kaggle 和其他竞赛中，ULMFit 的效果都超越了其他模型。

论文

《Universal LanguageModel Fine-tuning for Text Classification 》

提出了 ULMFit 模型

论文地址：

https://arxiv.org/abs/1801.06146

fast-ai 发布的模型介绍博文

博文地址：

http://nlp.fast.ai/classification/2018/05/15/introducting-ulmfit.html

课程《Cutting Edge DeepLearning course》第10课对 ULMFit 的介绍

fast-ai 发布的系列课程

课程地址：

http://course18.fast.ai/lessons/lesson10.html

11、OpenAI GPT

由于 BERT 针对 GPT1 的缺点进行了针对性改善，建议在开发中使用 GPT2。

GPT1

论文地址：

https://s3-us-west-2.amazonaws.com/openai-assets/research-covers/language-unsupervised/language_understanding_paper.pdf

博客地址：

https://openai.com/blog/language-unsupervised/

代码地址：

https://github.com/openai/finetune-transformer-lm

GPT2

论文地址：

https://d4mucfpksywv.cloudfront.net/better-language-models/language_models_are_unsupervised_multitask_learners.pdf

博客地址：

https://openai.com/blog/better-language-models/

代码地址：

https://github.com/openai/gpt-2

OpenAI 发布的 GPT2 介绍视频

视频地址：

https://www.youtube.com/watch?v=T0I88NhR_9M

12、BERT

截止目前效果最好的语言模型。

论文

《BERT: Pre-training ofDeep Bidirectional Transformers for Language Understanding》

提出了 BERT 模型

论文地址：

https://arxiv.org/abs/1810.04805

博文：

Google 对 BERT 的官方介绍

博文地址：

https://ai.googleblog.com/2018/11/open-sourcing-bert-state-of-art-pre.html

博文：

对 BERT 介绍的系列博文

编码器介绍

博文地址：

https://medium.com/dissecting-bert/dissecting-bert-part-1-d3c3d495cdb3

BERT 提出的新结构介绍

博文地址：

https://medium.com/dissecting-bert/dissecting-bert-part2-335ff2ed9c73

解码器介绍

博文地址：

https://medium.com/dissecting-bert/dissecting-bert-appendix-the-decoder-3b86f66b0e5f

论文

《Reducing BERTPre-Training from 3 Days to 76 Minutes 》

介绍了一个新的针对语言模型的优化器，可以显著降低模型训练时间

论文地址：

https://arxiv.org/abs/1904.00962

原文链接：

https://medium.com/@kushajreal/how-to-become-an-expert-in-nlp-in-2019-1-945f4e9073c0

编辑不易，还望给个好看！

今天留言内容为：

【day n】今天我学到了什么或者今天打算学什么。

（至少10个字，越详细越好）

督促自己，每天进步一丢丢！

推荐阅读：

一大批历史精彩文章啦

详解Transition-based Dependency parser基于转移的依存句法解析器

干货 | 找工作的经验总结（一）

经验 | 初入NLP领域的一些小建议

学术 | 如何写一篇合格的NLP论文

干货 | 那些高产的学者都是怎样工作的？

是时候研读一波导师的论文--一个简单有效的联合模型

近年来NLP在法律领域的相关研究工作

---

好文！在看！