1 概述
word embedding 是現在自然語言處理中最常用的 word representation 的方法，常用的word embedding 是word2vec的方法，然而word2vec本質上是一個靜態模型，也就是說利用word2vec訓練完每個詞之后，詞的表示就固定了，之后使用的時候，無論新句子上下文的信息是什么，這個詞的word embedding 都不會跟隨上下文的場景發生變化，這種情況對於多義詞是非常不友好的。例如英文中的 Bank這個單詞，既有河岸的意思，又有銀行的意思，但是在利用word2vec進行word embedding 預訓練的時候會獲得一個混合多種語義的固定向量表示。即使在根據上下文的信息能明顯知道是“銀行”的情況下，它對應的word embedding的內容也不會發生改變。
ELMO的提出就是為了解決這種語境問題，動態的去更新詞的word embedding。ELMO的本質思想是：事先用語言模型在一個大的語料庫上學習好詞的word embedding，但此時的多義詞仍然無法區分，不過沒關系，我們接着用我們的訓練數據（去除標簽）來fine-tuning 預訓練好的ELMO 模型。作者將這種稱為domain transfer。這樣利用我們訓練數據的上下文信息就可以獲得詞在當前語境下的word embedding。作者給出了ELMO 和Glove的對比
對於Glove訓練出來的word embedding來說，多義詞play，根據他的embedding 找出的最接近的其他單詞大多數幾種在體育領域，這主要是因為訓練數據中包含play的句子大多數來源於體育領域，之后在其他語境下，play的embedding依然是和體育相關的。而使用ELMO，根據上下文動態調整后的embedding不僅能夠找出對應的“表演”相同的句子，還能保證找出的句子中的play對應的詞性也是相同的。接下來看看ELMO是怎么實現這樣的結果的。
2 模型結構
ELMO 基於語言模型的，確切的來說是一個 Bidirectional language models，也是一個 Bidirectional LSTM結構。我們要做的是給定一個含有N個tokens的序列
$ {t_1, t_2, ..., t_N}$
其前向表示為：
反向表示為：
從上面的聯合概率來看是一個典型的語言模型，前向利用上文來預測下文，后向利用下文來預測上文。假設輸入的token是 $ x_k^{LM}$，在每一個位置 $k$ ，每一層LSTM 上都輸出相應的context-dependent的表征 $\overrightarrow{h}_{k, j}^{LM}$。這里
$j = 1, 2, ..., L$， $L$表示LSTM的層數。頂層的LSTM 輸出 $\overrightarrow{h}_{k, L}^{LM}$ ，通過softmax層來預測下一個 $token_{k+1}$。
對數似然函數表示如下：
模型的結構圖如下：
ELMO 模型不同於之前的其他模型只用最后一層的輸出值來作為word embedding的值，而是用所有層的輸出值的線性組合來表示word embedding的值。
對於每個token，一個L層的biLM要計算出 $2L + 1$ 個表征：
在上面 $ X_k^{LM} $ 等於 $ h_{k, j} ^ {LM} $，表示的是token層的值。
在下游任務中會把$R_k$ 壓縮成一個向量：
其中 $s_j^{task}$ 是softmax標准化權重，$\gamma^{task}$ 是縮放系數，允許任務模型去縮放整個ELMO向量。
ELMO的使用主要有三步：
1）在大的語料庫上預訓練 biLM 模型。模型由兩層bi-LSTM 組成，模型之間用residual connection 連接起來。而且作者認為低層的bi-LSTM層能提取語料中的句法信息，高層的bi-LSTM能提取語料中的語義信息。
2）在我們的訓練語料（去除標簽），fine-tuning 預訓練好的biLM 模型。這一步可以看作是biLM的domain transfer。
3）利用ELMO 產生的word embedding來作為任務的輸入，有時也可以即在輸入時加入，也在輸出時加入。
ELMO 在六項任務上取得了the state of the art ，包括問答，情感分析等任務。總的來說，ELMO提供了詞級別的動態表示，能有效的捕捉語境信息，解決多義詞的問題。