來(lái)自：NLPCAB

句子表示在很多任務(wù)中都是重要的一環(huán)。尤其是在大數(shù)據(jù)量的場(chǎng)景下，很多場(chǎng)景都需要召回+排序兩個(gè)步驟，如果第一個(gè)環(huán)節(jié)沒(méi)有召回候選結(jié)果，那最后的排序模型再怎么優(yōu)秀也沒(méi)法給出正確答案。

今天就給大家介紹一個(gè)微軟在EMNLP2020上發(fā)表的最新工作，利用transformer生成更高質(zhì)量的句子編碼。

雖然BERT式模型的出現(xiàn)解決了很多判別問(wèn)題，但直接用無(wú)監(jiān)督語(yǔ)料訓(xùn)練出的BERT做句子表示并不理想：

如果只取CLS，這個(gè)表示是針對(duì)NSP進(jìn)行優(yōu)化的，表示的信息有限

如果取平均或最大池化，可能會(huì)把無(wú)用信息計(jì)算進(jìn)來(lái)，增加噪聲

所以作者的改進(jìn)目的是設(shè)計(jì)一個(gè)下游任務(wù)，直接優(yōu)化得到的句子embedding。

那怎么設(shè)計(jì)目標(biāo)才能充分利用無(wú)監(jiān)督數(shù)據(jù)呢？

作者給出了一個(gè)巧妙的方法，就是用周邊其他句子的表示預(yù)測(cè)當(dāng)前句子的token。

具體的做法是：先利用Transformer抽取句子表示，再對(duì)句子表示進(jìn)行attention，選取相關(guān)的句子預(yù)測(cè)當(dāng)前token。有點(diǎn)Hierarchical Attention的意思。

比如在預(yù)測(cè)上圖中最后一句的黃藍(lán)兩個(gè)token時(shí)，明顯第一句的信息就夠用了，那目標(biāo)函數(shù)的設(shè)置會(huì)讓第一句的權(quán)重變大，也會(huì)讓抽取出的句子表示去包含這些信息。

接下來(lái)詳細(xì)介紹一下預(yù)訓(xùn)練和精調(diào)的步驟，以及作者加入的其他tricks。

Cross-Thought模型

預(yù)訓(xùn)練

下圖是預(yù)訓(xùn)練的模型結(jié)構(gòu)，計(jì)算的步驟是：

將段落按順序拆成獨(dú)立短句，通過(guò)12層Transformer（藍(lán)色半透明的矩形）分別進(jìn)行編碼。在實(shí)際的預(yù)訓(xùn)練中，每個(gè)sample包含500個(gè)長(zhǎng)度為64的短句，batch size是128（16張V100）

取出 ... 等special token的輸出（大紅點(diǎn)）作為句子表示

把每列句子表示作為一個(gè)序列輸入到cross-sequence transformer（藍(lán)色弧線，每一列的cross-sequence transformer參數(shù)都不同），輸出attention分?jǐn)?shù)加權(quán)后的新表示

將新的句子表示與第一步的token表示進(jìn)行拼接，經(jīng)過(guò)一層transformer，預(yù)測(cè)被mask的15%個(gè)token（每個(gè)句子都這么處理，圖中只畫(huà)了第一個(gè)句子的）

整體流程理解起來(lái)比較簡(jiǎn)單，作者還用了一些額外的tricks提升效果：

為了抽取更多的信息，在句子開(kāi)頭加入了多個(gè)占位token（之前BERT只有一個(gè)[CLS]），在實(shí)驗(yàn)結(jié)論中發(fā)現(xiàn)5個(gè)占位的表現(xiàn)較好（但占位token的增加會(huì)加大計(jì)算量）

占位token的位置表示是固定的，而真實(shí)token是隨機(jī)從0-564中抽取連續(xù)的64個(gè)，這樣可以訓(xùn)練更多的位置表示，方便之后對(duì)更長(zhǎng)的序列進(jìn)行編碼

精調(diào)

精調(diào)主要是考慮和下游任務(wù)的銜接。作者選擇了問(wèn)答和句子對(duì)分類(lèi)來(lái)驗(yàn)證模型的表現(xiàn)。

對(duì)于問(wèn)答任務(wù)，假設(shè)答案句子的表示都已經(jīng)編碼好了：

輸入問(wèn)題，經(jīng)過(guò)12層Transformer得到問(wèn)題表示

利用cross-sequence transformers，對(duì)問(wèn)題表示與答案表示進(jìn)行計(jì)算，得到各個(gè)答案的權(quán)重 （每列都會(huì)得到一個(gè)，作者對(duì)所有列取了平均）

根據(jù)gold answer的index m，計(jì)算Ranking loss（代表第0個(gè)答案的權(quán)重）

對(duì)于句子對(duì)分類(lèi)任務(wù)比較簡(jiǎn)潔，輸入兩個(gè)句子A和B：

分別對(duì)A和B進(jìn)行編碼，取出句子表示，輸入cross-sequence transformers得到融合后的句子表示

將兩個(gè)句子的所有表示拼接起來(lái)，得到2Nxd的矩陣（N是占位token的個(gè)數(shù)，d是表示的維度）

把第二步得到的表示flatten，得到一個(gè)長(zhǎng)度 2Nd 的一維向量，輸入到分類(lèi)層

實(shí)驗(yàn)效果

作者在不少數(shù)據(jù)集上都驗(yàn)證了效果，單純從輸出句子表示的效果來(lái)看，不僅是句間關(guān)系還是問(wèn)答的候選召回上都有不小的提升，尤其是召回：

除了指標(biāo)對(duì)比外，作者還展示了兩個(gè)無(wú)監(jiān)督預(yù)訓(xùn)練模型的打分結(jié)果：

總結(jié)

近兩年句子表示的研究越來(lái)越少了，因?yàn)榫渥颖硎窘?jīng)常用于句間關(guān)系判斷的任務(wù)，而交互式的判別顯然比雙塔效果要好。所以研究者們要不在研究更輕量的句間匹配模型（比如RE2、Deformer），要不就是繼續(xù)用BERT類(lèi)模型做出更好的效果。但對(duì)于業(yè)界來(lái)說(shuō)，句子表示在召回上的速度還是最快的，效果也比單純的字面匹配要好。

為了充分利用無(wú)監(jiān)督數(shù)據(jù)、得到更高質(zhì)量的句子表示，Cross-Thought提供了一個(gè)新的預(yù)訓(xùn)練思路：用句子表示預(yù)測(cè)token。同時(shí)也給我們展現(xiàn)出了它在候選召回上的巨大潛力，添加的額外cross-sequence transformer對(duì)速度的影響也不會(huì)太大。另外，作者只使用了wiki語(yǔ)料進(jìn)行預(yù)訓(xùn)練，如果有更多語(yǔ)料相信效果會(huì)更好。

目前源碼還未放出，希望開(kāi)源社區(qū)的富有大佬們?cè)缛沼?xùn)一個(gè)中文的Cross-Thought～

原文標(biāo)題：【EMNLP2020】超越MLM，微軟打造全新預(yù)訓(xùn)練任務(wù)

文章出處：【微信公眾號(hào)：深度學(xué)習(xí)自然語(yǔ)言處理】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。

責(zé)任編輯：haq