自回归语言模型与自编码语言
-
自回归语言模型
- 通过给定文本的上文，对下一个字进行预测
- 优点：对文本序列联合概率的密度估计进行建模，使得该模型更适用于一些生成类的NLP任务，因为这些任务在生成内容的时候就是从左到右的，这和自回归的模式天然匹配。
- 缺点：联合概率是按照文本序列从左至右进行计算的，因此无法提取下文信息；
- 代表模型：ELMo/GPT1.0/GPT2.0/XLNet(XLNet 做了些改进使得能够提取到下文特征)
-
自编码语言模型
- 其通过随机 mask 掉一些单词，在训练过程中根据上下文对这些单词进行预测，使预测概率最大化。其本质为去噪自编码模型，加入的 [MASK] 即为噪声，模型对 [MASK] 进行预测即为去噪。
- 优点：能够利用上下文信息得到双向特征表示
- 缺点：其引入了独立性假设，即每个 [MASK] 之间是相互独立的。这实际上是语言模型的有偏估计，另外，由于预训练中 [MASK] 的存在，使得模型预训练阶段的数据与微调阶段的不匹配，使其难以直接用于生成任务。
- 代表模型：Bert/Roberta/ERNIE
Bert
Bert 中的预训练任务
Masked Language Model
在预训练任务中，15%的 Word Piece 会被 mask，这15%的 Word Piece 中，80%的时候会直接替换为 [Mask] ，10%的时候将其替换为其它任意单词，10%的时候会保留原始Token
- 没有 100% mask 的原因
- 如果句子中的某个Token100%都会被mask掉，那么在fine-tuning的时候模型就会有一些没有见过的单词
- 加入 10% 随机 token 的原因
- Transformer 要保持对每个输入token的分布式表征，否则模型就会记住这个 [mask] 是token ’hairy‘
- 另外编码器不知道哪些词需要预测的，哪些词是错误的，因此*需要学习每一个 token 的表示向量
- 另外，每个 batchsize 只有 15% 的单词被 mask 的原因，是因为性能开销的问题，双向编码器比单项编码器训练要更慢
Next Sentence Prediction
仅仅一个MLM任务是不足以让 BERT 解决阅读理解等句子关系判断任务的，因此添加了额外的一个预训练任务，即 Next Sequence Prediction。
具体任务即为一个句子关系判断任务，即判断句子B是否是句子A的下文，如果是的话输出’IsNext‘，否则输出’NotNext‘。
训练数据的生成方式是从平行语料中随机抽取的连续两句话，其中50%保留抽取的两句话，它们符合IsNext关系，另外50%的第二句话是随机从预料中提取的，它们的关系是NotNext的。这个关系保存在图4中的[CLS]符号中
但实际上这个任务是过于简单了的，对于模型的预训练并没有太大的帮助，在 Roberta 的模型中将其去掉了
Bert 的 Embedding
BERT的输入表征由三种Embedding求和而成：
- Token Embeddings：即传统的词向量层，每个输入样本的首字符需要设置为 [CLS]，可以用于之后的分类任务，若有两个不同的句子，需要用 [SEP] 分隔，且最后一个字符需要用 [SEP] 表示终止
- Segment Embeddings：为 \([0, 1]\) 序列，用来在 NSP 任务中区别两个句子，便于做句子关系判断任务
- Position Embeddings：与 Transformer 中的位置向量不同，BERT 中的位置向量是直接训练出来的
BERT-wwm
- Whole Word Masking 即全词 Mask，打破了传统 Bert 的独立性假设，即每个 [MASK] 之间是相互独立的。这使得同一个词中不同字符的预测的上下文语境是相同的，加强同一个词不同字符之间的相关性。
Roberta 与 Bert 的区别
- 训练参数经过了仔细的挑参，训练数据更大，训练 Batch Size 更大
- 认为 Next Sentence Prediction 任务没有太大帮助，将 NSP loss 去掉，输入改为从一个文档中连续抽取句子，当到达文档末尾时，加一个分隔符再抽样下一个文档的句子。
- Bert 的语料在预处理的时候就会被 Mask，在训练阶段保持不变；而 Roberta 中改为动态的 Mask，使得每次读取到的数据都不一样（具体是将数据复制10遍，统一随机 Mask）
ERNIE 与 Bert 的区别
由于 Bert 仅对单个的字符进行 Mask 很容易使得模型提取到字搭配的低层次的语义特征，而对于短语和实体层次的语义信息抽取能力较弱。因此将外部知识引入到预训练任务中，主要有三个层次的预训练任务
- Basic-Level Masking： 跟bert一样对单字进行mask，很难学习到高层次的语义信息；
- Phrase-Level Masking： 输入仍然是单字级别的，mask连续短语；
- Entity-Level Masking： 首先进行实体识别，然后将识别出的实体进行mask。
XLNet
XLNet 针对自回归语言模型单向编码以及 BERT 类自编码语言模型的有偏估计的缺点，提出了一种广义自回归语言预训练方法。
排列语言模型(Permutation Language Model，PLM)
通过引入一个排列语言模型，希望语言模型用自回归的方法从左往右预测下一个字符的时候，不仅要包含上文信息，同时也要能够提取到对应字符的下文信息，且不需要引入Mask符号。
首先将句子进行重排列，重排列后的末尾几个字就能够看见其之后的一些词，根据能够看到的对象进行相应的 Mask 即可。在实现上是通过对 Attention 矩阵增加掩码来选择哪些词能够被看见哪些词不能够被看见的。
双流注意力机制（Two-Stream Self-Attention）
由于我们有多层的 Transformer，需要在最后一层预测最末尾的几个字，比如最大长度为 512，最后一层只需要预测最后 10 个词，我们需要所有字的信息都能传输到最后一层，但又希望最后在预测某个字的时候看不到这个字的信息，因此引入了双流注意力机制
Query Stream 的掩码矩阵中仅传输位置信息，用于表明预测顺序是什么样的；Content Stream 与传统的 Transformer 一致，包括内容信息和位置信息，确保所有的字信息都能传输到最后一层。个 Attention Stream 的区别仅在于掩码是否能看见自己，以及输入一个是仅有位置信息，另一个是包括位置和内容信息。
部分预测（Partial Prediction）
如果重排列之后对所有字都进行预测的话模型难以收敛（可能是前几个字看到的字的个数太少），计算量也大。因此仅对最后 15% 的字进行预测
Transformer-XL
传统的 Transformer 的输入长度限制在 512，更长的文本信息模型是学不到的。
- 片段递归机制（segment-level recurrence mechanism）：指的是当前时刻的隐藏信息在计算过程中，将通过循环递归的方式利用上一时刻较浅层的隐藏状态（上一时刻的隐藏状态均存储到一个临时存储空间中），这使得每次的计算将利用更大长度的上下文信息，大大增加了捕获长距离信息的能力。
- 相对位置编码（Relative Positional Encodings）：采用了片段递归机制之后，不同片段的位置信息是一样的然后叠加在了一起，这是不合适的，因此提出了相对位置编码的方式来替代绝对位置编码
ALBERT
ALBERT 贡献在于，其提出了两种模型参数缩减的技术，使得在减小模型重量的同时，模型性能不会受到太大的影响。
对Embedding因式分解
采用了一个因式分解的方式对 Embedding 层的矩阵进行压缩。简单来说，就是先将 one-hot 映射到一个低维空间 \(E\)，然后再将其从低维空间映射到高维空间 \(H\)，即参数量的变化为 \(O(V \times H) => O(V \times E + E \times H)\)，且论文也用实验证明，Embedding的参数缩减对整个模型的性能并没有太大的影响
跨层参数共享
多层 Transformer 共享参数，提高参数利用率，使得参数量得到有效的减少。（参数共享的对象为 Transformer 中的 feed-forward layer 参数和 self-attention 的参数）
句间连贯性损失
ALBERT 针对预训练任务中的 NSP 任务进行改进，即句间连贯性判断。NSP 任务仅需判断两个文段是否是一个主题即可，该任务太简单了。句间连贯性判断任务需要判断两个文段的顺序是否颠倒，强迫模型去学习文段的语意，这相比于 NSP 任务更加巧妙。