引言

對(duì)比學(xué)習(xí)是一種無監(jiān)督學(xué)習(xí)方法。它的改進(jìn)方向主要包括兩個(gè)部分：1.改進(jìn)正負(fù)樣本的抽樣策略 2.改進(jìn)對(duì)比學(xué)習(xí)框架 本篇主要介紹了3篇源自ACL2022的有關(guān)對(duì)比學(xué)習(xí)的文章，前2篇文章涉及開放域段落檢索，最后一篇文章涉及主題挖掘。

文章概覽

1. Multi-View Document Representation Learning for Open-domain Dense Retrieval

開放域密集檢索的多視圖文檔表示學(xué)習(xí) 論文地址：https://arxiv.org/pdf/2203.08372.pdf 密集檢索通常使用bi-encoder生成查詢和文檔的單一向量表示。然而，一個(gè)文檔通?？梢詮牟煌慕嵌然卮鸲鄠€(gè)查詢。因此，文檔的單個(gè)向量表示很難與多個(gè)查詢相匹配，并面臨著語義不匹配的問題。文章提出了一種多視圖文檔表示學(xué)習(xí)框架，通過viewer生成多個(gè)嵌入。

2. Sentence-aware Contrastive Learning for Open-Domain Passage Retrieval

開放域段落檢索中的句子感知對(duì)比學(xué)習(xí) 論文地址：https://arxiv.org/pdf/2110.07524v3.pdf 一篇文章可能能夠回答多個(gè)問題，這在對(duì)比學(xué)習(xí)中會(huì)導(dǎo)致嚴(yán)重的問題，文中將其稱之為Contrastive Conflicts?；诖耍恼绿岢隽藢⒍温浔硎痉纸鉃榫渥蛹?jí)的段落表示的方法，將其稱之為Dense Contextual Sentence Representation (DCSR)。

3. UCTopic: Unsupervised Contrastive Learning for Phrase Representations and Topic Mining

基于短語表示和主題挖掘的無監(jiān)督對(duì)比學(xué)習(xí) 論文地址：https://arxiv.org/pdf/2202.13469v1.pdf 高質(zhì)量的短語表示對(duì)于在文檔中尋找主題和相關(guān)術(shù)語至關(guān)重要。現(xiàn)有的短語表示學(xué)習(xí)方法要么簡(jiǎn)單地以無上下文的方式組合單詞，要么依賴于廣泛的注釋來感知上下文。文中提出了UCTopic（an Unsupervised Contrastive learning framework for phrase representations and TOPIC mining），用于上下文感知的短語表示和主題挖掘。

論文細(xì)節(jié)

1

1-1

動(dòng)機(jī)

密集檢索在大規(guī)模文檔集合的第一階段檢索方面取得了很大的進(jìn)展，這建立在bi-encoder生成查詢和文檔的單一向量表示的基礎(chǔ)上。然而，一個(gè)文檔通?？梢詮牟煌慕嵌然卮鸲鄠€(gè)查詢。因此，文檔的單個(gè)向量表示很難與多個(gè)查詢相匹配，并面臨著語義不匹配的問題。文章提出了一種多視圖文檔表示學(xué)習(xí)框架，旨在生成多視圖嵌入來表示文檔，并強(qiáng)制它們與不同的查詢對(duì)齊。為了防止多視圖嵌入變成同一個(gè)嵌入，文章進(jìn)一步提出了一個(gè)具有退火溫度的全局-局部損失，以鼓勵(lì)多個(gè)viewer更好地與不同潛在查詢對(duì)齊。

1-2

模型

開放域段落檢索是給定一個(gè)由數(shù)百萬個(gè)段落組成的超大文本語料庫，其目的是檢索一個(gè)最相關(guān)的段落集合，作為一個(gè)給定問題的證據(jù)。密集檢索已成為開放域段落檢索的重要有效方法。典型的密集檢索器通常采用雙編碼器結(jié)構(gòu)，雙編碼器受制于單向量表示，面臨表示能力的上界。在上圖中，我們還發(fā)現(xiàn)單個(gè)向量表示不能很好地匹配多視圖查詢。該文檔對(duì)應(yīng)于反映不同觀點(diǎn)的四個(gè)不同的問題，每個(gè)問題都匹配不同的句子和答案。為了解決這個(gè)問題，文章提出了Multi-View document Representations learning framework, MVR。

1-3 基于cross-encoder的模型需要計(jì)算昂貴的cross-attention，所以cross-encoder不用于第一階段的大規(guī)模檢索，而通常被用于第二階段的排序中。在第一階段檢索中，bi-encoder是最常被采用的架構(gòu)，因?yàn)樗梢允褂肁NN加速。

1-4 模型采用上述的bi-encoder結(jié)構(gòu)，這種結(jié)構(gòu)能夠預(yù)先計(jì)算好query和document的向量，提升檢索速度。Encoder采用bert。一些工作發(fā)現(xiàn)[CLS]能夠匯集整個(gè)句子/文檔的含義。為了獲得更加精細(xì)的語義表示，使用多個(gè)[VIE]來替代[CLS],將[VIE]添加在文檔的開頭，為了避免多個(gè)[VIE]對(duì)原始輸入句子位置編碼的影響，將的位置id設(shè)置為0。由于查詢比文檔短得多，并且通常表示一個(gè)具體的含義，因此只為查詢生成一個(gè)嵌入。查詢和文檔之間的相似度分?jǐn)?shù)如下式計(jì)算，其中sim代表兩個(gè)向量的內(nèi)積。 為了鼓勵(lì)多個(gè)viewer更好地適應(yīng)不同的潛在查詢，文章提出了一個(gè)配備退火溫度的全局-局部損失。損失函數(shù)： 其中：

記文檔正樣本為d+,負(fù)樣本為。全局對(duì)比損失繼承自傳統(tǒng)的bi-encoder結(jié)構(gòu)。

強(qiáng)制與query更加緊密的對(duì)齊，并與其他viewer區(qū)別開來。為了進(jìn)一步鼓勵(lì)更多不同的viewer被激活，文章采用了下式中的退火溫度。 剛開始時(shí)，較大的能使得每個(gè)viewer被公平的選擇，并從訓(xùn)練中返回梯度,隨著訓(xùn)練的進(jìn)行，?將降低，訓(xùn)練更加穩(wěn)定。在推理中，構(gòu)建所有文檔嵌入的索引，然后利用近似最近鄰ANN檢索。 ?

實(shí)驗(yàn)

數(shù)據(jù)集

實(shí)驗(yàn)采用的數(shù)據(jù)集包括Natural Questions ，TriviaQA，SQuAD Open。數(shù)據(jù)集 Natural Questions：是一個(gè)流行的開放域檢索數(shù)據(jù)集，其中的問題是真實(shí)的谷歌搜索查詢，答案是從維基百科中手動(dòng)標(biāo)注的。TriviaQA：包含了一系列瑣碎的問題，其答案最初是從網(wǎng)上提取出來的。SQuADOpen：包含了來自閱讀理解數(shù)據(jù)集的問題和答案，它已被廣泛應(yīng)用于開放域檢索研究。

實(shí)驗(yàn)結(jié)果

計(jì)算不同文檔對(duì)應(yīng)的查閱數(shù)，在3個(gè)數(shù)據(jù)集上得到的平均值為2.7，1.5，1.2，這表明多視圖問題是常見的。

1-5 根據(jù)上表所示，MVR得到了最好的結(jié)果。MVR在SQuAD數(shù)據(jù)集上取得了最大的提升，這是因?yàn)樵摂?shù)據(jù)集單個(gè)文檔對(duì)應(yīng)更多的查詢。這說明MVR比其他模型更能解決多視圖問題。

1-6

1-7

?1-8 上表說明了，MVR與其他方法相比，需要的編碼時(shí)間和檢索時(shí)間較小。

1-9 上表對(duì)DPR和MVR的檢索結(jié)果進(jìn)行了比較，結(jié)果表明MVR能夠捕獲更加細(xì)粒度的語義信息，返回正確的答案。

2

2-1

動(dòng)機(jī)

本文的動(dòng)機(jī)與上文基本相同。一個(gè)段落可能能夠回答多個(gè)問題，這在對(duì)比學(xué)習(xí)框架中會(huì)導(dǎo)致嚴(yán)重的問題，文中將其稱之為Contrastive Conflicts。這主要包括兩個(gè)方面（1）相似性的轉(zhuǎn)移，由于一個(gè)段落可能是多個(gè)問題的答案，當(dāng)最大化對(duì)應(yīng)段落和問題的相似性時(shí)，會(huì)同時(shí)讓問題之間更為相似，但是這些問題在語義上不同。（2）在大批量上的多重標(biāo)簽。在大批量處理時(shí)，可能出現(xiàn)使得同一個(gè)段落為正的多個(gè)問題，在當(dāng)前采用的技術(shù)中，該段落將被同時(shí)作為這些問題的正樣本和負(fù)樣本，這在邏輯上是不合理的。由于一對(duì)多問題是Contrastive Conflicts的直接原因，文章提出了將密集的段落表示分解為句子級(jí)的段落表示的方法，將其稱之為Dense Contextual Sentence Representation (DCSR)。

2-2

模型

Encoder采用bert結(jié)構(gòu)。

由于上下文信息在段落檢索中也很重要，因此簡(jiǎn)單地將段落分解成句子并獨(dú)立編碼是不可行的。在輸入文章的句子之間插入，每個(gè)段落的輸入如下：? sent1 sent2...。 包含query答案的段落，由一系列句子組成： 不包含答案的段落，將其表示為： 其中的+-代表句子中是否含有答案。文章使用BM25來檢索每個(gè)問題的負(fù)段落。文章將包含答案的句子視為正樣本(),并從BM25得到的負(fù)段落中隨機(jī)抽取1個(gè)句子作為負(fù)樣本。此外在包含答案的段落中隨機(jī)抽取1個(gè)句子作為另一個(gè)負(fù)樣本。 檢索： 對(duì)于檢索，使用FAISS來計(jì)算問題和所有段落句子之間的分?jǐn)?shù)。由于一個(gè)段落在索引中含有多個(gè)鍵，則檢索返回100*k（k是每篇文章的平均句子數(shù)量）個(gè)句子。之后，針對(duì)這些句子的分?jǐn)?shù)，對(duì)它們執(zhí)行softmax，從而將分?jǐn)?shù)轉(zhuǎn)化為概率。如果一篇passage中含有多個(gè)句子，,這些句子對(duì)應(yīng)的概率為，則該篇passage為query答案的概率為:

根據(jù)計(jì)算得到文章的概率，返回概率最高的top100 passage。

實(shí)驗(yàn)

實(shí)驗(yàn)在SQuAD, TriviaQA,Natural Questions數(shù)據(jù)集上進(jìn)行。下表統(tǒng)計(jì)了數(shù)據(jù)集中段落對(duì)應(yīng)的問題數(shù)量。在SQuAD上的平均值最大，該數(shù)據(jù)集上Contrastive Conflicts的情況最嚴(yán)重，這與DPR在SQuAD上表現(xiàn)最差的事實(shí)相符。

2-4 對(duì)于模型而言，DCSR采用了和DPR相同的模型結(jié)構(gòu)，沒有引入額外的參數(shù)。在訓(xùn)練時(shí)，采用的負(fù)樣本由隨機(jī)抽樣產(chǎn)生。因此DCSR帶來的額外時(shí)間負(fù)擔(dān)僅由抽樣引起，這可以忽略不計(jì)。

2-5 對(duì)在單數(shù)據(jù)集上的訓(xùn)練結(jié)果而言，上表顯示DCSR取得了明顯優(yōu)于DPR的結(jié)果，特別是在SQuAD這樣的受Contrastive Conflicts影響最嚴(yán)重的數(shù)據(jù)集上，對(duì)于受Contrastive Conflicts影響較小的數(shù)據(jù)集，也有較小的性能提升。對(duì)于在多數(shù)據(jù)集上的訓(xùn)練結(jié)果而言，DPR較DCSR指標(biāo)下降的幅度更大，這表明DCSR還捕獲了不同領(lǐng)域之間數(shù)據(jù)集的普遍性。

2-6

2-7 比較模型的可轉(zhuǎn)移性。將DPR和DCSR在一個(gè)數(shù)據(jù)集上訓(xùn)練好后，遷移到另外一個(gè)數(shù)據(jù)集上做評(píng)估?？梢园l(fā)現(xiàn)，DCSR比DPR指標(biāo)下降的幅度更小，模型的可轉(zhuǎn)移性更好。

2-8 在不同大小的數(shù)據(jù)集上訓(xùn)練模型，發(fā)現(xiàn)DCSR與DPR相比，在任何大小的數(shù)據(jù)集上都表現(xiàn)得更好。與更大的數(shù)據(jù)集相比，在小的數(shù)據(jù)集上DCSR改進(jìn)更顯著。

3

3-1

動(dòng)機(jī)

高質(zhì)量的短語表示對(duì)于在文檔中尋找主題和相關(guān)術(shù)語至關(guān)重要。現(xiàn)有的短語表示學(xué)習(xí)方法要么簡(jiǎn)單地以無上下文的方式組合單詞，要么依賴于廣泛的注釋來感知上下文。文中提出了UCTopic（an Unsupervised Contrastive learning framework for phrase representations and TOPIC mining），用于感知上下文的短語表示和主題挖掘。UCTopic訓(xùn)練的關(guān)鍵是正負(fù)樣本對(duì)的構(gòu)建。文章提出了聚類輔助對(duì)比學(xué)習(xí)(CCL)，它通過從聚類中選擇負(fù)樣本來減少噪聲，并進(jìn)一步改進(jìn)了關(guān)于主題的短語表示。

模型

編碼器結(jié)構(gòu)

UCTopic的編碼器采用LUKE (Language Understanding with Knowledge-based Embeddings）。

3-2 Luke采用transformer結(jié)構(gòu)。它將文檔中的單詞和實(shí)體都作為輸入token，并為每個(gè)token計(jì)算presentation。形式上，給定一個(gè)由m個(gè)詞和n個(gè)實(shí)體組成的序列，為其計(jì)算,其中, 其中。Luke的輸入由三部分組成。Input embedding=position embedding+token embedding+entity type embedding （1）token embedding (2) position embedding 出現(xiàn)在序列中第i位的單詞和實(shí)體分別用和表示。如果一個(gè)實(shí)體包含多個(gè)單詞，則將相應(yīng)位置的embedding進(jìn)行平均來計(jì)算position embedding。（3）Entity type embedding 表示token是否一個(gè)實(shí)體。

Entity-aware Self-attention

因?yàn)閘uke處理兩種類型的標(biāo)記，所以在計(jì)算注意力分?jǐn)?shù)的時(shí)候考慮token的類型。

UCTopic

與預(yù)測(cè)實(shí)體的LUKE不同，UCTopic是通過短語上下文的對(duì)比學(xué)習(xí)訓(xùn)練的。因此，來自UCTopic的短語表示具有上下文感知能力，并且對(duì)不同的領(lǐng)域非常健壯。

UCTopic采用對(duì)比學(xué)習(xí)的框架進(jìn)行無監(jiān)督學(xué)習(xí)。文中提出了關(guān)于短語語義的兩個(gè)假設(shè)來獲得正負(fù)樣本對(duì)：1.短語語義由它的上下文決定。mask所提到的短語會(huì)迫使模型從上下文中學(xué)習(xí)表示，從而防止過擬合和表示崩潰 2.相同的短語有相同的語義

3-4

假設(shè)一個(gè)文檔內(nèi)有3個(gè)主題，假設(shè)批量大小是32，因此一個(gè)批量?jī)?nèi)會(huì)有一些樣本來自同一個(gè)主題，但是在之前的處理方法中這些樣本都被處理成負(fù)樣本，這會(huì)導(dǎo)致性能下降。為了根據(jù)主題優(yōu)化短語表示，減小噪聲。文章提出了聚類輔助對(duì)比學(xué)習(xí)（CCL），其基本思想是利用pre-trained representation和聚類的先驗(yàn)知識(shí)來減少負(fù)樣本中存在的噪聲。具體來說，對(duì)預(yù)訓(xùn)練的短語表示使用聚類算法。每一類的質(zhì)心被認(rèn)為是短語的主題表示。在計(jì)算了短語和質(zhì)心之間的余弦距離后，選擇接近質(zhì)心的t%實(shí)例，并為它們分配偽標(biāo)簽。短語自身的偽標(biāo)簽由包含該短語的實(shí)例的投票決定。假設(shè)一個(gè)主題集C,其中包含偽標(biāo)簽和短語。對(duì)于主題,構(gòu)造正樣本。隨機(jī)選擇來自其他主題的短語作為訓(xùn)練的負(fù)樣本。微調(diào)時(shí)訓(xùn)練的損失函數(shù)如下：

為了推斷短語實(shí)例x的主題y，計(jì)算短語表示h和主題表示之間的距離，與短語x最近的主題被認(rèn)為是短語屬于的主題。

UCTopic的Pre-training與Finetuning示意圖如下：

3-5

實(shí)驗(yàn)

訓(xùn)練語料庫使用Wikipedia，并將其中帶有超鏈接的文本作為短語。經(jīng)過處理后，預(yù)訓(xùn)練數(shù)據(jù)集有1160萬個(gè)句子和1.088億個(gè)訓(xùn)練實(shí)例。預(yù)訓(xùn)練采用兩個(gè)損失函數(shù)：一個(gè)是masked language model loss，另一個(gè)是前面的對(duì)比學(xué)習(xí)損失。

實(shí)體聚類

3-6

與其他的微調(diào)方法相比，CCL微調(diào)可以通過捕獲特定于數(shù)據(jù)的特征來進(jìn)一步改進(jìn)預(yù)先訓(xùn)練好的短語表示。

3-7

主題詞挖掘

通過計(jì)算輪廓系數(shù)來獲得每個(gè)數(shù)據(jù)集的主題數(shù)量。

3-8 是第i個(gè)點(diǎn)到與i相同聚類中其他點(diǎn)的平均距離，是第i個(gè)點(diǎn)到下一個(gè)最近簇中的點(diǎn)的平均距離。具體來說，從數(shù)據(jù)集中隨機(jī)抽取10K個(gè)短語，并對(duì)預(yù)訓(xùn)練過的短語應(yīng)用K-means聚類。計(jì)算不同主題數(shù)量的輪廓系數(shù)得分；得分最大的數(shù)字將被用作數(shù)據(jù)集中的主題數(shù)量。之后利用CCL對(duì)數(shù)據(jù)集進(jìn)行微調(diào)。主題短語評(píng)估：（1）主題分離：通過短語入侵任務(wù)來評(píng)估，具體來說，是從一系列短語中發(fā)掘與其他短語所屬主題不同的短語。（2）短語連貫性：要求注釋者評(píng)估一個(gè)主題中的前50個(gè)短語是否有連貫性。（3）短語信息量和多樣性。高信息量的短語不是語料庫中常見的短語。使用tf-idf來評(píng)估一個(gè)短語的信息量。短語的多樣性通過計(jì)算出現(xiàn)的詞的種類與出現(xiàn)詞的數(shù)量的比值來評(píng)估。UCtopic的多樣性最強(qiáng)，說明了UCtopic的短語表示具有上下文感知能力。

3-9

3-10

3-11

審核編輯 ：李倩