[nlp] 小傻学XLNet

what is XLNet?

XLNet：Generalized Autoregressive Pretraining for Language Understanding
类bert模型，在20 个任务上超过了 BERT 的表现，并在 18 个任务上取得state-of-the-art

why XLNet?

XLNet为优化版bert，先看看bert优缺点：
优点：双向，基于encoder，maskLM，可由上下文词来预测当前词
缺点：mask LM（下游任务中并没有进行mask）

再看看常用的GPT模型优缺点：
优点：单向，基于decoder，当前模型：前边词预测后边词
缺点：获取后边词对前边词对影响，单向，没有双向。

bert和gpt形成明显的互补，是否有一个模型，可以进行双向预测，又不引入mask（导致训练和预测不一致）

1. 引入Transformer-XL（Segment-level Recurrence & Relative Positional Embedding），具备Transformer-xl上述两个优点；
2. Two-Stream Self-Attention：双流注意力机制
3. Permutation Language Modeling：采用AR模型替代AE模型，解决mask带来的影响

the architecture of XLNet

AR & AE

AR（Autoregressive LM，GPT）

根据上文内容预测下一个可能的单词，自左向右的语言模型任务（或自右向左，单向），主要任务在于评估预料的概率分布。
缺点：只能利用上文或者下文的信息
优点：可以完成生成类NLP任务
目标函数：

s.t.


To predict the token, $g(X_{z<t};Z_t)$should only use the position$Z_t$ and not the content $X_{zt}$
to predict the other tokens$Xzj$with j > t, $g(X_{z<t};Z_t)$should also encode the
content$X_{zt}$to provide full contextual information.

Patial prediction
Longer Context

Modeling Multiple Segments:
[CLS, A, SEP, B, SEP]

AE（Autoencoder LM，BERT）

根据上下文单词来预测这些被Mask掉的单词（噪音）。
优点：双向语言模型，
缺点：预训练阶段和Fine-tuning阶段不一致，fine-tuning阶段没有进行mask，引入误差。

$m_t$: mask，
XLNet的出发点：融合两者的优点，利用双向，可进行生成任务，不引用mask

Permutation Language Model

一种基于排列组合的输入方法，不再对传统的AR模型的序列的值按顺序进行建模，而是最大化所有可能的序列的因式分解顺序的期望对数似然。
不会改变原始词的顺序。实现是通过Attention的Mask来对应不同的分解方法

如下图：
对序列[1, 2, 3, 4]进行排列组合，若目标为3。
传统AR模型：$P(3)={\prod }_{t=1}^{3}P(3|x_{<t})$
排列组合：一共有4！= 24 种组合，下图为4种可能的情况：
1. 3左边没有其他值，无需做相应计算；
2. 3左边为2， 4，故P(3) = P(3|2) * P(3|2, 4)后续类似。
这样进行处理，保留来序列上的上下文信息，同时避免引入mask标记位。

双流自注意力

任务：
预测后面的字符是哪个
预测自己到底是哪个字符
两套表征方式：
Content Stream
Query Stream（只参与Q的计算，不参与K，V的计算）
Transformer 天然和乱序语言模型相契合

若用标准softmax对下式求对数似然：

式中$h_{\theta }(x_{z<t})）$为添加mask后的transformer值，其不依赖要预测内容的位置信息。（因为无论预测目标的位置在哪里，因式分解后得到的所有情况都是一样的，并且transformer的权重对于不同的情况是一样的，因此无论目标位置怎么变都能得到相同的分布结果）

为解决上述问题，加入位置作为预测信息实现目标位置感知。

$g_{\theta }(x_{z<t},z_t)$：将位置信息作为输入后的表达形式。

两种attention的构造（即其两套表征方式）

训练方法：
数据输入：50%的概率是连续的句子(前后语义相关)，有50%的概率是不连续(无关)的句子
排列组合数据随机采样
CLS放在最后，为什么？（可描述整个句子向量的表示，在最后，可有全部的信息）
为了减少计算量，只预测最后1/K个Token

code

others

与bert比较

XLNet预测部分词是出于性能考虑，而BERT是随机的选择一些词来预测
尽量规避Bert的独立假设：
[$New,York,$is, a, city]

Independence Assumption: BERT factorizes the joint conditional probability based on an independence assumption that all masked tokens are separately reconstructed
Input noise: The input to BERT contains artificial symbols
Context dependency: The AR representation is only conditioned on the tokens to the left

References

1. 最通俗易懂的XLNET详解
2. XLNet: Generalized Autoregressive Pretraining for Language Understanding