三種LM任務(wù)形式：單向LM，雙向LM，序列到序列LM

今天分享一個(gè)論文UniLM[1]，核心點(diǎn)是掌握三種LM任務(wù)形式：單向LM，雙向LM，序列到序列LM；

1. 生成任務(wù)

NLP任務(wù)大致可以分為NLU和NLG兩種；Bert在NLU任務(wù)上效果很好，但是天生不適合處理生成任務(wù)。

原因在于Bert的預(yù)訓(xùn)練過程是使用的MLM，和生成任務(wù)的目標(biāo)并不一致。

生成任務(wù)目標(biāo)是每次蹦出來一個(gè)詞，只能看到當(dāng)前位置之前的詞匯。

而Bert采用的是雙向的語言模型，除了mask的單詞，兩個(gè)方向的詞匯都可以被看到。

所以對(duì)Bert的一個(gè)改進(jìn)思路就是讓它在具有NLU能力的時(shí)候，同時(shí)兼?zhèn)銷LG能力。

2. 三種LM任務(wù)

UniLM做的就是這樣一個(gè)事情。

具體的實(shí)現(xiàn)方式是設(shè)計(jì)了一系列的完形填空任務(wù)，這些完形填空任務(wù)的不同之處在于對(duì)上下文的定義。

從左到右的LM：使用mask單詞的左側(cè)單詞來預(yù)測(cè)被遮掩的單詞

從右到左的LM：和上面第一個(gè)相比就是方向的變化，使用mask單詞的右側(cè)單詞來預(yù)測(cè)遮掩的單詞

雙向LM：就是當(dāng)前mask的左右詞匯都可以看到

sequence-to-sequence LM：這個(gè)就是UniLM能夠具有生成能力的關(guān)鍵。我們的輸入是source句子和target句子，mask單詞在target上，那么當(dāng)前mask的上下文就是source句子的所有單詞和target句子中mask單詞左側(cè)的詞匯可以被看到

我們把從左到右LM和從右到左LM我們歸為一種任務(wù)叫單向LM；

有個(gè)點(diǎn)需要注意，三個(gè)任務(wù)是一起優(yōu)化的，具體來講是這樣做的：

在訓(xùn)練的時(shí)候，1/3的時(shí)候使用雙向LM，1/3的時(shí)候使用序列到序列 LM，1/6的時(shí)候使用從左到右的LM，1/6的時(shí)間使用從右到做的LM。

我們是使用不同的Mask矩陣來對(duì)應(yīng)不同任務(wù)輸入數(shù)據(jù)形式。

文中使用的是這樣一張圖來展示：

UniLM不同mask

3. 其他細(xì)枝末節(jié)

Gelu 激勵(lì)函數(shù)

24層TRM，最大長度512，1024Hidden Size，16Heads，340M參數(shù)量

初始化使用Bert Large

15%被mask，其中80%真正替換mask，10%隨機(jī)替換，10%不動(dòng)。替換的時(shí)候，80% 的時(shí)候替換單個(gè)token，20%的時(shí)候替換bigram 或者 trigram

第四個(gè)步驟類似中文實(shí)體詞的mask，也算是一點(diǎn)改進(jìn)。

有個(gè)細(xì)節(jié)點(diǎn)需要注意的是，作者強(qiáng)調(diào)，不同的segment embedding用來區(qū)分不同LM任務(wù)。

Bert的時(shí)候，區(qū)分上下句子，我們使用0和1，在這里，我們使用這個(gè)segment embedding用來區(qū)分任務(wù)：

比如說，雙向?qū)?yīng)0和1；單向left-right對(duì)應(yīng)2；單向right-left對(duì)應(yīng)3；序列對(duì)應(yīng)4和5；

4. 總結(jié)

掌握以下幾個(gè)細(xì)節(jié)點(diǎn)就可以：

聯(lián)合訓(xùn)練三種任務(wù)：單向LM，雙向LM，序列LM

使用不同的attention矩陣控制三種任務(wù)形式的參與

segment embedding可以區(qū)分不同的任務(wù)形式

mask的時(shí)候15% 的有被替換的概率，其中80% 被真正替換。在這80%真正替換的里面有80%單個(gè)token被替換，20%的二元或者三元tokens被替換

參考資料

[1]

Unified Language Model Pre-training for Natural Language Understanding and Generation: https://arxiv.org/pdf/1905.03197.pdf,

責(zé)任編輯：xj

原文標(biāo)題：如何讓BERT具有文本生成能力

文章出處：【微信公眾號(hào)：深度學(xué)習(xí)自然語言處理】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。