背景
这是一篇2019年的工作,发表在arXiv上,论文的主要工作是提出了一种叫做UniLM的预训练语言模型,该预训练模型主要将会用于三种语言模型任务:Unidirectional、Bidirectional、Seq2seq prediction。
针对不同的预测任务,一些传统的NLP模型同样使用了不同的目标训练方式。在ELMo模型中,采用了多层的双向LSTM结构,对于每一层LSTM,分别有一个forward LM从左向右读入text,以及一个backward LM从右向左读入text。在GPT模型中,采用了一个从左到右的单向语言模型读入每个字来预测text sequence。在Bert模型中,采用了双向的Transformer encoder,通过双向的上下文信息来预测被mask的单词。本文认为基于现有的Bert双向结构下,无法将模型应用到自然语言生成任务(NLG)。
UniLM对Bert模型做了一定的改进,使得它能够同时应用于自然语言理解(NLU)以及自然语言生成(NLG)任务当中。UniLM是一个多层的Transformer架构模型,同时具有三种无监督目标的语言模型。UniLM这样的架构有三个优点:
- 对于三种不同的语言模型目标,模型共享一个Transformers参数,而不需要在不同目标中分别额外训练和配置参数
- 参数的共享使得学习到的文本表征更加泛化,对于不同的目标不同的上下文模型分别优化当前的参数,减少了模型对于单一语言模型任务的过拟合
- 由于采用了Seq2seq,模型可以很自然地运用到自然语言生成(NLG)的任务当中
模型
模型的输入是一段文本
[
x
1
,
x
2
,
…
,
x
∣
x
∣
]
[x_1, x_2, \dots, x_{|x|}]
[x1,x2,…,x∣x∣],对于单向模型(Unidirectional LM)输入就是一句句子,对于双向模型(Bidirectional LM)或者Seq2seq就是一对句子。句子的起始和结束分别有符号
[
S
O
S
]
[SOS]
[SOS]和
[
E
O
S
]
[EOS]
[EOS]表示。Word embedding部分的处理和Bert模型是一样的。
模型的主体是一个多层的Transformer结构,对于输入的文本
[
x
1
,
x
2
,
…
,
x
∣
x
∣
]
[x_1, x_2, \dots, x_{|x|}]
[x1,x2,…,x∣x∣],将其首先处理成
H
0
=
[
x
1
,
x
2
,
…
,
x
∣
x
∣
]
H_0=[x_1, x_2, \dots, x_{|x|}]
H0=[x1,x2,…,x∣x∣],然后使用L-layer Transformer处理得到
H
l
=
[
h
1
l
,
h
2
l
,
…
,
h
∣
x
∣
l
]
H_l=[h_1^l, h_2^l,\dots,h_{|x|}^l]
Hl=[h1l,h2l,…,h∣x∣l],其中每层Transformer为
H
l
=
H_l =
Hl= Transformer
l
(
H
l
−
1
)
_l(H_{l-1})
l(Hl−1)。在每一层的Transformer中使用多个self-attention head来聚合前一层的输出向量,每个self-attention head的计算如下:
![](https://img-blog.csdnimg.cn/20200707113504290.png#pic_center)
我们可以对比Bert的self-attention如下,发现公式(1)对于QKV矩阵的初始化与Bert相似,其attention表达式(3)和Bert的self-attention也是相似的,模型相较Bert做出的主要改进就体现在公式(2)当中。
表达式(2)中的M是指UniLM中的mask matrix,模型通过随机地将句子中的一些词替换成为
[
m
a
s
k
]
[mask]
[mask],然后预测masked的词,目标是减少预测词和原始词之间的交叉熵。
- 对于Unidirectional LM以及给定的masked输入 [ x 1 , … , x i , [ m a s k ] , x i + 2 , … , x ∣ x ∣ ] [x_1, \dots, x_i, [mask], x_{i+2}, \dots, x_{|x|}] [x1,…,xi,[mask],xi+2,…,x∣x∣],如果采取从左向右读入,则unidirectional LM只会读入 [ x 1 , … , x i ] [x_1, \dots, x_i] [x1,…,xi],然后预测masked的单词(从右向左读与之相似,只是从 x ∣ x ∣ x_{|x|} x∣x∣开始读到 [ m a s k ] [mask] [mask])。即只有一侧的token是可见的。
- 对于Bidirectional LM,预测时每个token都是可见的。
- 对于Seq2seq,对于source所有的token都是可见的,对于target语句只有左侧(即已经预测的token)是可见的。
在UniLM的模型图中,作者其实已经给出了非常形象的解释,模型图中间的三个矩阵分别代表了三种不同的模型目标下的mask matrix,矩阵中白色块代表着当前可见的token,灰色块代表不可见的。
总结
模型是在Bert的基础上做的提升,通过三种不同的语言模型目标使得Bert模型更加泛化,并且可以应用与自然语言生成的模型。模型花费了非常大的代价来训练模型,这也是现如今的NLP模型中常见的,缺少训练资源(大家都缺)的个体更多的都是在这些预训练模型上做一些微调。作者在最后总结可以通过更大的epoch,更大的模型可以提升模型,或者将模型应用到更多的任务中,我相信对于大多数人来说后者更会是侧重点。
本篇论文阅读之前已有很多前辈做过类似的总结,他们做的也非常好,我已经将他们的reference列在之后,我写下本篇文章,更多的是记录自己对于论文的理解,以便之后复习时查阅。
Reference
- Paper: Unified Language Model Pre-training for
Natural Language Understanding and Generation - 文献阅读:(UNILM)Unified Language Model Pre-training for Natural Language Understanding and Generation
- 捋一捋Unified Language Model Pre-training for Natural Language Understanding and Generation