快速了解文本語義相似度領(lǐng)域的研究脈絡(luò)和進(jìn)展

本文旨在幫大家快速了解文本語義相似度領(lǐng)域的研究脈絡(luò)和進(jìn)展，其中包含了本人總結(jié)的文本語義相似度任務(wù)的處理步驟，文本相似度模型發(fā)展歷程，相關(guān)數(shù)據(jù)集，以及重要論文分享。

文本相似度任務(wù)處理步驟

通過該領(lǐng)域的大量論文閱讀，我認(rèn)為處理文本相似度任務(wù)時(shí)可以分為一下三個(gè)步驟：

預(yù)處理：如數(shù)據(jù)清洗等。此步驟旨在對文本做一些規(guī)范化操作，篩選有用特征，去除噪音。

文本表示：當(dāng)數(shù)據(jù)被預(yù)處理完成后，就可以送入模型了。在文本相似度任務(wù)中，需要有一個(gè)模塊用于對文本的向量化表示，從而為下一步相似度比較做準(zhǔn)備。這個(gè)部分一般會(huì)選用一些 backbone 模型，如 LSTM，BERT 等。

學(xué)習(xí)范式的選擇：這個(gè)步驟也是文本相似度任務(wù)中最重要的模塊，同時(shí)也是區(qū)別于 NLP 領(lǐng)域其他任務(wù)的一個(gè)模塊。其主要原因在于相似度是一個(gè)比較的過程，因此我們可以選用各種各樣的比較的方式來達(dá)成目標(biāo)。可供選擇的學(xué)習(xí)方式有：孿生網(wǎng)絡(luò)模型，交互網(wǎng)絡(luò)模型，對比學(xué)習(xí)模型等。

文本相似度模型發(fā)展歷程

從傳統(tǒng)的無監(jiān)督相似度方法，到孿生模型，交互式模型，BERT，以及基于BERT的一些改進(jìn)工作，如下圖：

總體來說，在 BERT 出現(xiàn)之前，文本相似度任務(wù)可以說是一個(gè)百花齊放的過程。大家通過各種方式來做相似度比較的都有。從 BERT 出現(xiàn)之后，由于 BERT 出色的性能，之后的工作主要是基于 BERT 的改進(jìn)。在這個(gè)階段，大家所采用的數(shù)據(jù)集，評價(jià)指標(biāo)等也逐漸進(jìn)行了統(tǒng)一。

數(shù)據(jù)集

在 BERT 以后，大家在文本相似度任務(wù)上逐漸統(tǒng)一了數(shù)據(jù)集的選擇，分別為 STS12，STS13，STS14，STS15，STS16，STS-B，SICK-R 七個(gè)數(shù)據(jù)集。STS12-16 分別為 SemEval 比賽 2012~2016 年的數(shù)據(jù)集。此外，STS-B 和 SICK-R 也是 SemEval 比賽數(shù)據(jù)集。在這些數(shù)據(jù)集中，每一個(gè)文本對都有一個(gè) 0~5 分的人工打標(biāo)相似度分?jǐn)?shù)（也稱為 gold label），代表這個(gè)文本對的相似程度。

評價(jià)指標(biāo)

首先，對于每一個(gè)文本對，采用余弦相似度對其打分。打分完成后，采用所有余弦相似度分?jǐn)?shù)和所有 gold label 計(jì)算 Spearman Correlation。

其中，Pearson Correlation 與 Spearman Correlation 都是用來計(jì)算兩個(gè)分布之間相關(guān)程度的指標(biāo)。Pearson Correlation 計(jì)算的是兩個(gè)變量是否線性相關(guān)，而 Spearman Correlation 關(guān)注的是兩個(gè)序列的單調(diào)性是否一致。并且論文《Task-Oriented Intrinsic Evaluation of Semantic Textual Similarity》證明，采用 Spearman Correlation 更適合評判語義相似度任務(wù)。Pearson Correlation 與 Spearman Correlation 的公式如下：

論文分享

Siamese Recurrent Architectures for Learning Sentence Similarity, AAAI 2016

https://www.aaai.org/ocs/index.php/AAAI/AAAI16/paper/download/12195/12023

Siamese LSTM 是一個(gè)經(jīng)典的孿生網(wǎng)絡(luò)模型，它將需要對比的兩句話分別通過不同的 LSTM 進(jìn)行編碼，并采用兩個(gè) LSTM 最后一個(gè)時(shí)間步的輸出來計(jì)算曼哈頓距離，并通過 MSE loss 進(jìn)行反向傳導(dǎo)。

Bilateral Multi-Perspective Matching for Natural Language Sentences, IJCAI 2017

https://arxiv.org/abs/1702.03814

BiMPM 是一個(gè)經(jīng)典的交互式模型，它將兩句話用不同的 Bi-LSTM 模型分別編碼，并通過注意力的方式使得當(dāng)前句子的每一個(gè)詞都和另一個(gè)句子中的每一個(gè)詞建立交互關(guān)系（左右句子是對稱的過程），從而學(xué)習(xí)到更深層次的匹配知識(shí)。在交互之后，再通過 Bi-LSTM 模型分別編碼，并最終輸出。

對于交互的過程，作者設(shè)計(jì)了四種交互方式，分別為：

句子 A 中每個(gè)詞與句子 B 的最后一個(gè)詞進(jìn)行交互

句子 A 中每個(gè)詞與句子 B 的每個(gè)詞進(jìn)行交互，并求 element-wise maximum

通過句子 A 中的詞篩選句子 B 中的每一個(gè)詞，并將句子 B 的詞向量加權(quán)求和，最終于 A 詞對比

與 c 幾乎一致，只不過將加權(quán)求和操作變成 element-wise maximum

具體的交互形式是由加權(quán)的余弦相似度方式完成。

其中，Wk 是參數(shù)矩陣，可以理解為 attention 的 query 或者 key，v1 和 v2 分別是要進(jìn)行交互的兩個(gè)詞，這樣計(jì)算 l 次余弦相似度，就會(huì)得到 m 向量（一個(gè) l 維向量）。

BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

https://arxiv.org/abs/1810.04805

BERT 可以認(rèn)為是語義相似度任務(wù)的分水嶺。BERT 論文中對 STS-B 數(shù)據(jù)集進(jìn)行有監(jiān)督訓(xùn)練，最終達(dá)到了 85.8 的 Spearman Correlation 值。這個(gè)分?jǐn)?shù)相較于后續(xù)絕大部分的改進(jìn)工作都要高，但 BERT 的缺點(diǎn)也很明顯。對于語義相似度任務(wù)來說：

在有監(jiān)督范式下，BERT 需要將兩個(gè)句子合并成一個(gè)句子再對其編碼，如果需要求很多文本兩兩之間的相似度，BERT 則需要將其排列組合后送入模型，這極大的增加了模型的計(jì)算量。

在無監(jiān)督范式下，BERT 句向量中攜帶的語義相似度信息較少。從下圖可以看出，無論是采用 CLS 向量還是詞向量平均的方式，都還比不過通過 GloVe 訓(xùn)練的詞向量求平均的方式要效果好。

基于以上痛點(diǎn)，涌現(xiàn)出一批基于 BERT 改進(jìn)的優(yōu)秀工作。

Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks, EMNLP 2019

https://arxiv.org/abs/1908.10084

Sentence-BERT 是一篇采用孿生 BERT 架構(gòu)的工作。Sentence-BERT 作者指出，如果想用 BERT 求出 10000 個(gè)句子之間兩兩的相似度，排列組合的方式在 V100 GPU 上測試需要花費(fèi) 65 小時(shí)；而如果先求出 10000 個(gè)句子，再計(jì)算余弦相似度矩陣，則只需要花費(fèi) 5 秒左右。因此，作者提出了通過孿生網(wǎng)絡(luò)架構(gòu)訓(xùn)練 BERT 句向量的方式。

Sentence-BERT 一共采用了三種 loss，也就是三種不同的方式訓(xùn)練孿生 BERT 架構(gòu)，分別為 Cross-entropy loss，MSE loss 以及 Triple loss，模型圖如下：

On the Sentence Embeddings from Pre-trained Language Models, EMNLP 2020

https://arxiv.org/abs/2011.05864

BERT-flow 是一篇通過對 BERT 句向量做后處理的工作。作者認(rèn)為，直接用 BERT 句向量來做相似度計(jì)算效果較差的原因并不是 BERT 句向量中不包含語義相似度信息，而是其中包含的相似度信息在余弦相似度等簡單的指標(biāo)下無法很好的體現(xiàn)出來。

首先，作者認(rèn)為，無論是 Language Modelling 還是 Masked Language Modelling，其實(shí)都是在最大化給定的上下文與目標(biāo)詞的共現(xiàn)概率，也就是 Ct 和 Xt 的貢獻(xiàn)概率。Language Modelling 與 Masked Language Modelling 的目標(biāo)函數(shù)如下：

因此，如果兩句話預(yù)測出的 Xt 一致，那么兩句話的 Ct 向量很有可能也是相似的！考慮如下兩句話：

今天中午吃什么？

今天晚上吃什么？

通過這兩句話訓(xùn)練出的語言模型都通過上下文預(yù)測出了“吃“這個(gè)字，那說明這兩句話的句向量也很可能是相似的，具有相似的語義信息。

其次，作者通過觀察發(fā)現(xiàn)，BERT 的句向量空間是各向異性的，且高頻詞距離原點(diǎn)較近，低頻詞距離較遠(yuǎn)，且分布稀疏。因此 BERT 句向量無法體現(xiàn)出其中包含的相似度信息。

因此，作者認(rèn)為可以通過一個(gè)基于流的生成模型來對 BERT 句向量空間進(jìn)行映射。具體來說，作者希望訓(xùn)練出一個(gè)標(biāo)準(zhǔn)的高斯分布，使得該分布中的點(diǎn)可以與 BERT 句向量中的點(diǎn)一一映射。由于該方法采用的映射方式是可逆的，因此就可以通過給定的 BERT 句向量去映射回標(biāo)準(zhǔn)高斯空間，然后再去做相似度計(jì)算。由于標(biāo)準(zhǔn)高斯空間是各向同性的，因此能夠?qū)⒕湎蛄恐械恼Z義相似度信息更好的展現(xiàn)出來。

SimCSE: Simple Contrastive Learning of Sentence Embeddings, EMNLP 2021

https://arxiv.org/abs/2104.08821

SimCSE 是一篇基于對比學(xué)習(xí)的語義相似度模型。首先，對比學(xué)習(xí)相較于文本對之間的匹配，可以在拉近正例的同時(shí)，同時(shí)將其與更多負(fù)例之間的距離拉遠(yuǎn)，從而訓(xùn)練出一個(gè)更加均勻的超球體向量空間。作為一類無監(jiān)督算法，對比學(xué)習(xí)中最重要的創(chuàng)新點(diǎn)之一是如何構(gòu)造正樣本對，去學(xué)習(xí)到類別內(nèi)部的一些本質(zhì)特征。

SimCSE 采用的是一個(gè)極其樸素，性能卻又出奇的好的方法，那就是將一句話在訓(xùn)練的時(shí)候送入模型兩次，利用模型自身的 dropout 來生成兩個(gè)不同的 sentence embedding 作為正例進(jìn)行對比。模型圖如下：

ConSERT: A Contrastive Framework for Self-Supervised Sentence Representation Transfer, ACL 2021

https://arxiv.org/abs/2105.11741

ConSERT 同樣也是一篇基于對比學(xué)習(xí)的文本相似度工作。ConSERT 是采用多種數(shù)據(jù)增強(qiáng)的方式來構(gòu)造正例的。其中包括對抗攻擊，打亂文本中的詞順序，Cutoff以及 Dropout。這里需要注意的是，雖然 ConSERT 與 SimCSE 都采用了 Dropout，但 ConSERT 的數(shù)據(jù)增強(qiáng)操作只停留在 embedding layer，而 SimCSE 則是采用了 BERT 所有層中的 Dropout。此外，作者實(shí)驗(yàn)證明，在這四種數(shù)據(jù)增強(qiáng)方式中，Token Shuffling 和 Token Cutoff 是最有效的。

Exploiting Sentence Embedding for Medical Question Answering, AAAI 2018

https://arxiv.org/abs/1811.06156

注：由于本人工作中涉及的業(yè)務(wù)主要為智慧醫(yī)療，因此會(huì)有傾向的關(guān)注醫(yī)療人工智能領(lǐng)域的方法和模型。

MACSE 是一篇針對醫(yī)學(xué)文本的句向量表征工作，雖然其主要關(guān)注的是 QA 任務(wù)，但他的句向量表征方式在文本相似度任務(wù)中同樣適用。

醫(yī)學(xué)文本區(qū)別于通用文本的一大特征就是包含復(fù)雜的多尺度信息，如下：

因此，我們就需要一個(gè)能夠關(guān)注到醫(yī)學(xué)文本多尺度信息的模型。

在本文中，通過多尺度的卷積操作，就可以有效的提取到文本中的多尺度信息，并且通過注意力機(jī)制對多尺度信息進(jìn)行加權(quán)，從而有效的關(guān)注到特定文本中在特定尺度上存在的重要信息。

實(shí)驗(yàn)結(jié)果匯總

以下為眾多基于 BERT 改進(jìn)的模型在標(biāo)準(zhǔn)數(shù)據(jù)集上測試的結(jié)果，出自 SimCSE 論文：

可以看到，BERT-flow 相較于原生 BERT 提升了將近 10 個(gè)點(diǎn)，而基于對比學(xué)習(xí)的工作又要比基于后處理的工作的效果好很多。此外需要注意的是，在這里 Sentence-BERT 被歸為了有監(jiān)督模型中。這是因?yàn)?Sentence-BERT 雖然沒有用到 STS 標(biāo)簽，但訓(xùn)練時(shí)用的是 NLI 數(shù)據(jù)集，也用到了 NLI 中人工打標(biāo)的標(biāo)簽，因此 SimCSE 作者將 Sentence-BERT 歸為了有監(jiān)督模型中。

好了，以上就是文本語義相似度領(lǐng)域的研究脈絡(luò)和進(jìn)展，希望能對大家有所幫助。當(dāng)然 2022 年也有不少優(yōu)秀的工作出現(xiàn)，不過這一部分就留到以后吧！

審核編輯 ：李倩