关注小夕并星标，解锁自然语言处理
搜索、推荐与算法岗求职秘籍

文 | 老饕（某厂研究员，祖传调参）

美 | 人美心细小谨思密达

导读

作为 NLP 近两年来的当红炸子鸡，以 ELMo/BERT 为代表的语言预训练技术相信大家已经很熟悉了。简单回顾下 18 年以来几个预训练的重要工作:

ELMo, GPT and BERT

ELMo 首先提出了基于语言模型的预训练技术，成功验证了在大规模语料上基于语言模型进行文本自监督学习的有效性。
GPT 提出了 NLP 预训练技术使用时应该像 CV 预训练技术一样，在下游任务中通过 fine-tuning 微调的方式进行，在 GLUE 任务榜单上取得了突破。
BERT 在 GPT 的基础上，提出了改进的双向语言模型学习技术 Mask language model。相较传统语言模型，Mask language model (aka MLM) 能够更有效的利用文本的上下文信息，在 transformer 这种依赖全局 attention 表示机制的学习器中，更是如虎添翼。BERT 在通用语言理解评估（GLUE）中大幅刷新了基准水平，一举打破了 11 项 NLP 记录，成为新一代语言预训练技术的大成之作。

BERT 的发表引发了 NLP 学界和业界对语言预训练技术的极大热情，针对 BERT 的一系列改进工作也如雨后春笋般涌出。ERNIE(Baidu)/SpanBert 改进了 MLM 任务的 masking 机制, UniLM 把 GPT/BERT 进行联合训练实现了统一语言预训练，XLM 把 BERT 预训练技术扩展到多语言。

然而，MLM 虽然解决了传统 language model 仅能看到单向文本信息的问题，但不得不在预训练阶段引入了不低比例的 [MASK] 掩码 ID 占位。这样在语言模型学习中就存在信息丢失（被掩码的 token 彼此不可见）。同时，MLM 的样本构造方式与 fine-tuning 阶段的训练样本存在 gap，可能影响下游任务的使用效果。针对这两个问题，XLNet 提出了 Permuted Language Modeling（aka PLM）预训练任务。为了实现PLM，作者提出了双流机制，也因此抛玉引玉，引出了更多应用并改进双流机制的工作。

本篇文章将从XLNet的双流机制讲起，带大家一览近期的优秀工作，它们是百度的ERNIE-GEN、微软的ProphetNet、UniLMv2和MPNet。

XLNet: PLM 和双流机制

PLM 任务

PLM的做法是将输入的顺序打乱，比如将“夕小瑶的卖萌屋”，变成“屋小夕的瑶萌卖”后进行单向语言模型的训练，这样在预测“萌”时会用到“屋小夕的瑶”的信息，可以认为同时利用了上下文。

输入方面，MLM 待预测 token（[M]）互相间仅可见位置信息（实线连接）。PLM 中待预测 token x_2 不可见 token x_4 (虚线连接) 、但 token x_4 可见 token x_2 (实线连接)。
在 15% 的掩码比例下，MLM 通过保留了 100% 的位置信息和 85% 的 token 信息，PLM 保留了（期望）92.5 % 的位置信息和 92.5% 的 token 信息。

对于 PLM 来讲，给定一段文本 x = (x1,x2,··· ,xn)，就有 n 的阶乘中排列组合。在 PLM 的理想世界里，虽然对于特定序列的文本 x_i，语言模型仍然只能看到位于 x_i 之前的单向文本（上文），但考虑 x_i 之前的序列可能包含整段文本的所有组合，因此仍可认为 PLM 是有能力建模上下文信息的。

我们可以对 MLM 和 PLM 进行 “unified view” 的描述：

左：MLM、右：PLM (图自 MPNet )

双流机制

XLNet 为了实现 PLM 提出了双流机制。可以看到 PLM 任务的是通过 Query stream 进行学习的。

XLNet 双流机制

为了更容易理解，我们重新整理 XLNet 的双流输入，在上节 PLM content stream 输入的基础上补充 query stream 输入。

其中 [P] 占位符代表 PLM 中待预测的 Token，预测顺序为 4 -> 5 -> 2。

以下为 PLM 对应输入的 self-attention 掩码矩阵，其中 context (x_1, x_3, x_6) 可以同时被 content/query stream 所有 tokens 可见。

“超一流”预训练模型

XLNet 定义的双流机制，其中 query stream 把“预测任务”和输入文本（content stream）进行了分离，具有很强的通用性。事实上，我们可以定义不同的 query stream 预训练任务，甚至定义多个 query stream （多流）。今年以来，涌现出了不少基于多流机制的预训练工作，其中包括刷新多个语言生成任务 SOTA 的语言生成预训练技术 ERNIE-GEN（百度）和第二代统一语言预训练技术 UniLMv2 (微软)。

目前，基于多流机制的预训练工作包括语言生成和语言理解两大类。

“超一流”定义

超一流模型，均包含 2+ 预训练任务 “流”

现有工作

ERNIE-GEN（百度）：Multi-flow 框架，首次在生成预训练引入 span-by-span 任务，在 pre-training & fine-tuning 阶段利用 noise-aware 机制缓解 seq-to-seq 语言生成框架面临的曝光偏差问题，应用于语言生成任务（accepted by IJCAI 2020）
ProphetNet（微软）：Ngram-stream 框架，每个 stream 单独建模一个粒度，用于语言生成预训练（投稿 icml 2020）
UniLMv2（微软）：继承 unilm v1 的思路，用 PLM 替换原 LM 任务。利用双流机制，同时做 MLM 和 PLM 任务，应用于语言理解和生成任务 (accepted by ICML 2020)
MPNet（微软）：接近 UniLMv2，从“信息保留”理论上更好的解释了为什么需要同时保留 MLM 和 PLM 两个流的数据构造方式。预训练任务仅包含 PLM 任务，应用于语言理解任务

多流预训练技术之语言生成

ERNIE-GEN (Baidu)

ERNIE-GEN 是百度研究者提出的语言生成预训练模型。ERNIE-GEN 继承了通用语言理解预训练技术 ERNIE1.0 的思想，率先在语言生成预训练中引入了 Span-by-span 生成流，使得预训练模型具有的直接生成 Span 级（bigrams/trigrams）完整语义单元的能力。

除了 Span-by-span 生成流，ERNIE-GEN 中还包括 Contextual 流（建模待生成语义单元前的上文信息）和一个 Word-by-Word 生成流。因此 ERNIE-GEN 设计了 Mulit-flow Attention 模块来进行多流的联合学习。

ERNIE-GEN: Multi-Flow Attention 实现

同时，ERNIE-GEN 在预训练阶段即有意识的设计了填充生成 (Infilling generation) 和噪音感知 (Noise-aware) 机制，来缓解 Sequence-to-Sequence 生成框架面临的曝光偏差问题。

ERNIE-GEN 论文地址：https://paperswithcode.com/paper/ernie-gen-an-enhanced-multi-flow-pre-training

ERNIE-GEN 开源地址：https://github.com/PaddlePaddle/ERNIE/tree/repro/ernie-gen

ProphetNet (微软)

ProphetNet 是微软研究者提出的语言生成预训练模型。与 ERNIE-GEN 类似的，ProphetNet 同样关注了语言生成中模型建模完整语义单元的能力，并提出了 N-gram stream 多流机制来解决该问题。

ProphetNet 预训练时会同时建模多个不同粒度的语义单元。ProphetNet 把这种同时建模多种粒度的机制叫 “Future N-gram Prediction”。在实际预训练中，出于效果和效率的权衡，ProphetNet 仅使用 1-gram (word) 和 2-gram (bigram) 两个预测流。

此外，ProphetNet 在预训练中除绝对编码 embedding 外，还额外引入了相对位置编码 embedding，不过论文并没有做相关的消融实验。

ProphetNet 论文地址：https://arxiv.org/abs/2001.04063

ProphetNet 开源地址：https://github.com/microsoft/ProphetNet

多流预训练技术之语言理解

接下来我们介绍基于多流机制的语言理解预训练模型。

UniLMv2 (微软)

UniLMv2 是微软研究者提出的第二代统一语言预训练模型。与 UniLM v1 相比，v2 保留了 v1 版本的 MLM 任务，但把传统 language model 任务替换成了 PLM 任务。

UniLMv2 中，MLM 和 PLM 的联合建模是通过类似 XLNet 的多流机制实现的。

UniLMv2 在 PLM 建模中还提出了 “partially autoregressive” 机制。传统的 “autoregressive” 预测是 token-by-token 的， “partially autoregressive” 的预测则是包含一个类似 Span 的概念（论文中称之为 block-wise masking），在生成的时候，组成 Span 的 token 是一起预测的，也即在 PLM 中进行 Span-by-Span 预测。

“partially autoregressive” 预测：(x_1, x_3, x_6) -> t=1, predict span by (x_4, x_5) -> t=2, predict token by (x_2)

UniLMv2 15% mask 比例里，其中 40% 按 n-gram (span) 进行 mask， 60% 按 token 进行 mask。

UniLMv2 在论文做了非常完善的策略消歧实验，有兴趣的同学可以直接去围观。

UniLMv2 论文地址：https://arxiv.org/abs/2002.12804

UniLMv2 开源地址：https://github.com/microsoft/unilm

MPNet (微软)

MPNet 也是微软研究者的工作。这篇工作和 UniLMv2 比较神似，都是在探讨如何融合 MLM 和 PLM 这两种任务。MPNet 论文首先从统一的视角对 MLM 和 PLM 进行对比：

输出依赖（Output Dependency）: MLM 假设被掩码的 tokens 是相互独立的（或者说他们彼此间是互相屏蔽的），这样建模上下文的时候就存在信息丢失。而 PLM 的待预测的 tokens 预测顺序可以有 N 阶乘的排列组合，因此可以更好的建模待预测 tokens 的上下文。
输入差异（Input Discrepancy）: MLM 中 mask 掩码隐藏了 token 信息，但通过“占位”的方式保留了位置信息。而标准的 PLM 待预测的 token 只能看到对应 permute 序列的前序部分，在 15% 预测比例下，期望能看到 85% + 7.5% = 92.5% 的 token 和位置信息。

MPNet 在输入上保留了 MLM 的掩码 [M] 进行占位，而输出仅进行 PLM 的学习。因此，在输入上 MPNet 和 UniLMv2 是非常相似的，主要的区别是 UniLMv2 的输出也进行 MLM 的学习。