2022清华大学大模型交叉研讨课

2022-6-27

L1

1 NLP部分

• NLP Tasks
  • 词性标注
  • 命名实体的识别（省略的现象）
  • 共体消减（代词）
  • 标注成分之间的依赖关系
  • 中文的自动分词

• 运用：

  • 搜索引擎中运用NLP
    • 匹配query和document的相似度，给定query后，可以给一些广告
    • 判断文档质量
  • NLP结合knowledge graph
    • 充分抽取、利用知识
  • 人工助手
  • 翻译（解除语言屏障）
  • 用语言作为一个视角，去分析社会

• 词表示：

  • 转化成机器可以理解的词的意思
  • similarity和relation
    • 弊端
      • 人工标注，缺失一些新的含义
      • 缺失细微的差别
      • 主观性
      • 数据吸收
      • 需要大量人工

• one-hot

  • 独立的，找一维和该词对应，其余维度为0
  • 默认词和词之间都是正交的，导致任意两个词之间的相似度都是0
  • 改进：词义和上下文有关
  • 一个词用它上下文的常见词进行表示
  • 弊端：
    • 增加了词的空间
    • 对于出现频率较少的词，上下文比较稀疏，导致效果不好

• word embedding

  • 建立低维的向量空间
  • Word2Vec

• Language Model

  • 语言建模，根据前文进行预测
    • 联合概率：已有序列组成句子的概率
    • 条件概率：根据已有的句子预测下一个词
  • 如何完成？
    • 假设：一个未来的词只受到之前的词的影响
    • 可以拆分，得到联合概率和条件概率的关系

• N-gram Model

  • E.g, 4-gram(n-gram只和该词的前n-1个词有关)
    $$P\left(w_j\mid \text{ never to late to }\right)=\frac{\mathrm{count}\left(\text{ too late to }{w}_j\right)}{\mathrm{count}(\text{ too late to })}$$
    （never在此式子中并不纳入计算）
  • 弊端：
    • 距离比较短
    • 仍然没有考虑到词之间的相似度

• Neural Language Model

  • 分布式的表示来建构
  • 先把前3个词都表示成低维的向量，然后把低维的向量拼在一起，形成一个高一些的向量，然后就可以用这个向量来预测下一个词。
  • 所有的预测都是通过对上下文的表示来进行的。
  • 通过大模型去学习参数的设置

2 Bigmodel

2.1 简介

预训练语言模型的机理和细节。

• Why PLM?
  
  • 语言理解和语言生成的效果都很好
    • 不断增加参数
    • 增加计算
    • 增加算力
  • 例子：GPT-3
    • rich knowledge
    • zero/few-shot（无标注，少样本）
• Paradigms
  • 从无标注的数据中进行学习，通过一些自监督的任务做预训练，从中得到丰富通用的知识。在具体运用的时候，再引入任务相关的知识，去调整模型。
  • word embddings
  • contextual word embddings
  • ELMo,ULMFiT
  • Transformer
• Typical Case
  • GPT
  • Bert

2.2 Demo

• 大模型demo
  • GPT-3（问答模型）
  • 代码大模型
  • DALL-E 2 图像生成
  • 搜素引擎