XLNet和Bert比，有什么不同？要進行改進嗎？

1. XLNet和Bert

首先講講我對XLNet和Bert比，有什么異同？有什么模型方面的改進？的理解

1.1 自回歸語言模型

第一次聽到自回歸語言模型（Autoregressive LM）這個詞。我們知道一般的語言模型都是從左到右計算某個詞出現(xiàn)的概率，但是當我們做完型填空或者閱讀理解這一類NLP任務的時候詞的上下文信息都是需要考慮的，而這個時候只考慮了該詞的上文信息而沒有考慮到下文信息。所以，反向的語言模型出現(xiàn)了，就是從右到左計算某個詞出現(xiàn)的概率，這一類語言模型稱之為自回歸語言模型。像堅持只用單向Transformer的GPT就是典型的自回歸語言模型，也有像ELMo那種拼接兩個上文和下文LSTM的變形自回歸語言模型。

1.2 自編碼語言模型

自編碼語言模型（Autoencoder LM）這個名詞毫無疑問也是第一次聽到。區(qū)別于上一節(jié)所述，自回歸語言模型是根據(jù)上文或者下文來預測后一個單詞。那不妨換個思路，我把句子中隨機一個單詞用[mask]替換掉，是不是就能同時根據(jù)該單詞的上下文來預測該單詞。我們都知道Bert在預訓練階段使用[mask]標記對句子中15%的單詞進行隨機屏蔽，然后根據(jù)被mask單詞的上下文來預測該單詞，這就是自編碼語言模型的典型應用。

1.3 兩種模型的優(yōu)缺點對比

自回歸語言模型沒能自然的同時獲取單詞的上下文信息（ELMo把兩個方向的LSTM做concat是一個很好的嘗試，但是效果并不是太好），而自編碼語言模型能很自然的把上下文信息融合到模型中（Bert中的每個Transformer都能看到整句話的所有單詞，等價于雙向語言模型），但自編碼語言模型也有其缺點，就是在Fine-tune階段，模型是看不到[mask]標記的，所以這就會帶來一定的誤差。XLNet將二者的上述優(yōu)缺點做了一個完美的結合，在自回歸語言模型中自然地引入上下文信息，并且解決自編碼語言模型兩階段保持一致的問題。

2. XLNet是怎么做的

XLNet的思路采用的是自回歸語言模型，根據(jù)上文來預測下一個單詞，但是在上文中添加了下文信息，這樣就既解決了[mask]帶來的兩階段不一致問題和無法同時引入上下文信息的問題。改進之后，取了個新名字：Permutation Language Model。舉個例子：輸入句子為x1->x2->x3->x4，假設我們要預測的單詞是x3，那我們需要在x3的上文x1和x2的位置看到x4的信息，這樣才能解決同時引入上下文的問題。那就可以這么做了：隨機排列組合x1、x2、x3、x4的順序，并從中隨機選擇一部分作為新的句子輸入。比如選擇了x2->x4->x3->x1，那這個時候預測x3的時候是不是就能看到上文x2和下文x4的信息了呢，這就是XLNet的基本思路。就是通過排列組合的方式將一部分下文單詞放到上文單詞的位置，但實際形式還是一個從左到右預測的自回歸語言模型。

但是我們在Fine-tune的時候總不能也隨機組合輸入的句子吧，那這和加了[mask]有啥區(qū)別呢？別急，繼續(xù)往下看。XLNet在輸入階段并沒有改變輸入順序，隨機打亂輸入句子的順序這個過程是在Transformer中通過Attention mask實現(xiàn)的，就是隨機掩蓋掉序列中的一些單詞，并將未掩蓋掉的單詞作為預測單詞的上文。拿原文中的一個圖舉例：

右圖的紅色矩陣就是Attention Mask矩陣，1->2->3->4的輸入序列在Attention Mask的作用下變成了3->2->4->1，Attention Mask也分為兩種，一種是能看見自身的Content stream和Query stream。對于1來說3，2，4就是1的上文，所以第一行全是紅色；對于2來說上文就只有3，所以對應位置為紅色；對于3來說沒有上文，所以全為白色...以此類推。那這樣就實現(xiàn)了在輸入側不改變單詞順序，在Transformer內(nèi)部實現(xiàn)了輸入的隨機排列了。