NLP 预训练家族再思考-技术圈

本文约3000字，建议阅读6分钟 
本文为你介绍使用NLP预训练的新思考。

最近整理预训练模型，又复习看了几篇BERT变体的论文，无外乎都是从「模型架构、MASK方式、预训练目标」入手，实话实说，感觉没有太大的创新。而且这类模型大部分只发布了英文版本，市面上也没有可用的中文版本，在中文上的效果不得而知。

不过思考一下作者们基于BERT作各种优化背后的原因和动机，是件十分有趣的事情，也当开拓一下思路。所以这篇博客记录一下，主要包括SpanBERT、MPNet、MASS、BART这四个模型，其中SpanBERT、MPNet是进一步优化NLU任务，MASS、BART是为了优化NLG任务。

SpanBERT

论文全称及链接：《SpanBERT: Improving Pre-training by Representing and Predicting Spans》[1]

与BERT不同，SpanBERT主要是在MASK策略和预训练目标上，如下图所示

MASK策略：连续mask一个片段，而不像BERT一样，随机挑一些token进行mask。咦，谷歌在第二版BERT里就提出了whole word masking，同样是Span mask。那SpanBERT有什么不同呢？
SpanBERT不同在于，首先每轮利用一个几何分布确定Span的长度，然后再找一些作为单词开头的token作为mask的start，然后从start token开始连续mask掉个token，可以看到，「被MASK的Span不一定是一个完整单词的」。经过多轮反复，直到输入的15%token被mask。
SBO训练目标：用被mask的span左右两边的token去把整个span预测出来，这就是SBO（Span Boundary Objective）目标，如图所示，就是用was、to两个token去预测an American football game。作者解释说SBO目标，有助于模型在boundary token存储到span-lvel的信息，或者换句话说，作者希望span的左右两边结尾能更好地总结span的内容。
去掉NSP目标：作者认为两个原因，第一个原因去掉NSP目标让模型能学更长的依赖（如BERT，假如两个segment是从两个文档抽取的，可以认为512个token里面256个token是文档1的，另外256个token是文档2的，那其实能学到的最长文档依赖也就256，假如去掉它，512个token都是来自同一个文档，那模型能学到的最长依赖就是512），第二个原因，两个来自不同文档的片段会造成很大的噪声干扰。

消融实验

比较了Masking的策略，包括

Subword Tokens：同原生BERT一样，随机选token进行mask
Whole Words：同第二版BERT一样，采用whole word masking；
Named Entities：一半是whole word masking，一半是实体词，直到15%的token被mask；
Noun Phrases：一半是whole word masking，一半是名词短语，直到15%的token被mask；
Geometric Spans：即SpanBERT。

从实验看到，SpanBERT的效果是最好的，带给我们的思考是「不要纠结于mask的是一个完成的词，还是完成的短语，还是完整的实体？只要mask的是一段连续的Span即可」。

辅助函数

从实验结果可以看到，去到NSP任务，采样的时候从单个文档得到segment，增加SBO任务都能带来效果的提升。

MPNet

论文全称及链接：《MPNet: Masked and Permuted Pre-training for Language Understanding》[2]

论文的开头，就直接指出BERT的Output Dependency缺点和XLNet的Input Consistency缺点，

Output Dependency：BERT被mask掉的token之间是相互独立的，在预测的时候并没有利用到之间的关系。举个论文里的例子，【The, task, is, sentence, classification】，假如sentence、classification是两个被mask的token，在预测classification时，我们是不能利用上sentence的信息的，然而，假如给出前一个token为sentence的情况下，模型能更好地预测当前token为classifcation。
Input Consistency：解决Output Dependency的方法就是采用像XLNet这种PLM（permutation language model）。但PLM也有问题，当预测当前token时，PLM是没有其它待预测token的位置信息的，拿上面的例子举例，当模型开始预测sentence classification前，PLM是不知道有两个待预测词的，作者把PLM的这种缺陷称为Input Consistency问题，因为在实际下游任务中，输入时，是能知道所有token的内容和位置信息的。

这里吐槽一下，Input Consistency在大部分论文里不应该是BERT的问题吗？因为BERT的输入带有【MASK】 token，但在下游任务时，输入是没有【MASK】 token的，但在这篇论文里反正成为了PLM的问题，当然，PLM也有这种问题，但感觉没有BERT的那么严重。

进一步的，作者把BERT和PLM都放入到一个统一的架构中来，如下图所示，

然后，作者提出MPNet来改进Output Dependency和Input Consistency问题，具体的如下图所示，

图中，是permuted后待预测的token，假如现在要预测的是，按PLM来说，是看不到的信息的，但这里经过巧妙的设计，让预测时，也作为输入，相当于模型在预测时，也能看到的位置信息，从而解决Input Consistency问题，作者把这称为position compensation。除此之外，在预测时，也能利用到作为输入，从而解决Output Dependency问题。

消融实验

去掉position compensation，此时MPNet退化成PLM，效果下降了0.6-2.3个点，证明了position compensation的有效性以及MPNet优于PLM；
去掉permutation操作，但采用双向流建模待预测token之间的依赖关系，效果下降了0.5-1.7个点，证明了permutation的有效性；
去掉permutation和output dependency，此时MPNet退化成BERT，效果下降0.5-3.7个点，证明了MPNet优于BERT。

MASS

论文全称及链接：《MASS: Masked Sequence to Sequence Pre-training for Language Generation》[3]

MASS主要是弥补BERT对于NLG任务的不足，这一类对于NLG任务的优化，大部分采用的是encoder-doceder的架构，因为这种架构天然适合于作生成任务。

MASS也不例如，采用的同样是encoder-decoder架构。

任务是「给定一个句子，从里面抽取一个片段，encoder端输入被抽取片段后的句子，docoder输出预测该片段」。

具体的如下图所示，图中为句子序列，从里面抽取出片段（或者说把它们mask掉），encoder的输出端变成，decoder的输出目标就是被抽取的片段，注意哦，「decoder的输入端是不包括没被mask的token的哦」。

作者对这任务作了很漂亮的解释

只预测被mask的token，而不是预测出原序列，可以让encoder端更好地学习到unmasked的token，同时能让decoder端从encoder端提取更有用的信息；

我个人理解是，假如现在decoder要预测的是完整序列，那当预测时，模型能看到decoder之前预测的token，即，但模型看不到，这样的好处是，鼓励模型从encoder端提取有用的信息，而不是过分关注于docoder端之前预测出的token对当前token的影响

抽取一个片段而不是抽取离散的token，可以让模型学习到更好的语言模型建模能力，也即更适用于NLG任务。

作者还比较了当mask片段的长度不同的，MASS就变成我们所熟悉的模型。如当被mask的片段长度时，MASS变成成BERT，当（m为句子序列长度），MASS变成了GPT，如下图所示。

消融实验

Study of Dfferent k：就是被mask的fragment长度为原序列的百分之多少比较好，作者的实验证明，50%是最好的。就是假如一个句子有100个token，最好选择连续的50个token作为待预测的fragment。
Ablation Study of MASS：作了两个比较实验，证明MASS预训练任务的有效性

Discrete：对离散的token进行mask，而不是连续的span；
feed：decoder的输入端是原句子序列，而不只是fragment。

从下图的实验结果可以看出MASS效果是最好的。

BART

论文全称及链接：《BART: Denoising Sequence-to-Sequence Pre-training for Natural Language Generation, Translation, and Comprehension》[4]

同MASS一样，同样是为了优化NLG任务，所以采用的是encoder-decoder架构，整体思路分两步：

用一个任意的noising function去破坏原句子序列；
decoder端目标是重构原句子序列。

如下图所示，(a)和(b)分别是BERT和GPT的预训练目标，(c)是BART的预训练目标，对原序列ABCDE进行噪声处理，这里采用了shuffle和token infilling。

实际上，作者在论文中比较过几种noising function，包括

Token Masking：同BERT一样，随机挑选一些token，然后用【MASK】代替；
Token Deletion：直接删掉某些token；
Text Infilling：对一段连续的span进行mask，与SpanBERT不同的是，这里采用泊松分布决定Span的长度，其次，「连续的Span只会用一个【MASK】进行代替，作者解释是这样有利于模型学会预测这个Span有多少个token」；
Sentence Permutation：打乱句子的顺序；
Document Rotation：反转整个文档。

作者经过实验，最后采用的是Text Infilling和Sentence Permutation相结合。

除此之外，虽然BART的提出是为了弥补BERT在NLG任务中的不足，但是作者也通过实验论证了，BART在NLU任务中也能取得不俗的表现。下图为BART应用于NLU任务和NLG任务的例子。

本文参考资料

[1]《SpanBERT: Improving Pre-training by Representing and Predicting Spans》: https://arxiv.org/abs/1907.10529

[2]《MPNet: Masked and Permuted Pre-training for Language Understanding》: https://arxiv.org/abs/2004.09297

[3]《MASS: Masked Sequence to Sequence Pre-training for Language Generation》: https://arxiv.org/abs/1905.02450

[4]《BART: Denoising Sequence-to-Sequence Pre-training for Natural Language Generation, Translation, and Comprehension》: https://arxiv.org/abs/1910.13461

编辑：王菁