Transformer的細(xì)節(jié)和效果如何

在文本理解任務(wù)(Natural Language Understanding)上，預(yù)訓(xùn)練模型已經(jīng)取得了質(zhì)的飛躍，語言模型預(yù)訓(xùn)練+下游任務(wù)fine-tune基本上已經(jīng)成為標(biāo)配。

很多人曾經(jīng)嘗試將 BERT 等預(yù)訓(xùn)練語言模型應(yīng)用于文本生成任務(wù)(Natural Language Generation)，然而結(jié)果并不理想。究其原因，是在于預(yù)訓(xùn)練階段和下游任務(wù)階段的差異。

BART這篇文章提出的是一種符合生成任務(wù)的預(yù)訓(xùn)練方法，BART的全稱是Bidirectional and Auto-Regressive Transformers，顧名思義，就是兼具上下文語境信息和自回歸特性的Transformer。那么它的細(xì)節(jié)和效果如何呢，就讓我們一起來看看吧

論文名稱：《BART: Denoising Sequence-to-Sequence Pre-training for NaturalLanguage Generation, Translation, and Comprehension》

論文鏈接：https://arxiv.org/pdf/1910.13461.pdf

1. 從GPT，BERT到BART

GPT：是一種 Auto-Regressive(自回歸)的語言模型。它也可以看作是Transformer model的Decoder部分，它的優(yōu)化目標(biāo)就是標(biāo)準(zhǔn)的語言模型目標(biāo)：序列中所有token的聯(lián)合概率。GPT采用的是自然序列中的從左到右（或者從右到左）的因式分解。

BERT：是一種Auto-Encoding(自編碼)的語言模型。它也可以看作是Transformer model的Encoder部分，在輸入端隨機(jī)使用一種特殊的[MASK]token來替換序列中的token，這也可以看作是一種noise，所以BERT也叫Masked Language Model。

表1. GPT和BERT的對比

BART：吸收了 BERT 的 bidirectional encoder 和 GPT 的 left-to-right decoder 各自的特點；是建立在標(biāo)準(zhǔn)的 seq2seq Transformer model 的基礎(chǔ)之上，這使得它比 BERT 更適合文本生成的場景；此外，相比GPT也多了雙向上下文語境信息。在生成任務(wù)上獲得進(jìn)步的同時，它也可以在一些文本理解類任務(wù)上取得SOTA。

圖1. BERT、GPT和BART對比

1.1. 關(guān)于BART的討論

Loss Function 就是重構(gòu)損失, 也就是decoder的輸出和原文ground truth之間的交叉熵。

BART 的結(jié)構(gòu)在上圖中已經(jīng)很明確了：就是一個BERT+GPT的結(jié)構(gòu)；但是不同之處在于（也是作者通篇在強(qiáng)調(diào)的），相對于BERT中單一的noise類型(只有簡單地用[MASK] token進(jìn)行替換這一種noise)，BART在encoder端嘗試了多種noise。其原因和目的也很簡單:

BERT的這種簡單替換導(dǎo)致的是encoder端的輸入攜帶了有關(guān)序列結(jié)構(gòu)的一些信息（比如序列的長度等信息），而這些信息在文本生成任務(wù)中一般是不會提供給模型的。

BART采用更加多樣的noise，意圖是破壞掉這些有關(guān)序列結(jié)構(gòu)的信息，防止模型去“依賴”這樣的信息。

1.2. BART中的多種Noise

Token Masking: 就是BERT的方法----隨機(jī)將token替換成[MASK]。

Token Deletion: 隨機(jī)刪去token。

Text Infilling: 隨機(jī)將一段連續(xù)的token（稱作span）替換成一個[MASK]，span的長度服從 的泊松分布。注意span長度為0就相當(dāng)于插入一個[MASK]。

Sentence Permutation: 將一個document的句子打亂。

Document Rotation: 從document序列中隨機(jī)選擇一個token，然后使得該token作為document的開頭。

表2. 不同noise及其作用

注意這里不同的noising變換方式還可以組合。

2. BART在下游任務(wù)上的應(yīng)用

2.1. Sequence Classification Task

將該序列同時輸入給encoder端和decoder端，然后取decoder最后一個token對應(yīng)的final hidden state作為label，輸入給一個線性多分類器。

圖2. BART用于序列分類任務(wù)

注意在序列的最后要加一個token，保證seq2seq模型輸出的label包含序列中每一個token的信息，這是因為decoder的輸入是right-shifted的，不這樣做的話label將不包含最后一個token的信息。

2.2. Token Classification Task

這一類問題意思是，將序列的所有token都看作獨立的選項，序列長度為M，那么選項的個數(shù)就是M，在序列的所有token中選擇k個。屬于這類的經(jīng)典問題有SQuAD，即answer endpoint classification。

將該序列同時輸入給encoder端和decoder端，使用decoder的final hidden states作為每個token的向量表征，該向量表征作為分類問題的輸入，輸入到分類系統(tǒng)中去。

2.3. Sequence Generation Task

由于BART本身就是在sequence-to-sequence的基礎(chǔ)上構(gòu)建并且預(yù)訓(xùn)練的，它天然比較適合做序列生成的任務(wù)，比如概括性的問答，文本摘要，機(jī)器翻譯等。

2.4. Machine Translation

具體的做法是將BART的encoder端的embedding層替換成randomly initialized encoder，新的encoder也可以用不同的vocabulary。

通過新加的Encoder，我們可以將新的語言映射到BART能解碼到English(假設(shè)BART是在English的語料上進(jìn)行的預(yù)訓(xùn)練)的空間。具體的finetune過程分兩階段:

第一步只更新randomly initialized encoder + BART positional embedding + BART的encoder第一層的self-attention 輸入映射矩陣。

第二步更新全部參數(shù)，但是只訓(xùn)練很少的幾輪。

圖3. BART用于機(jī)器翻譯

3. 實驗1: 不同預(yù)訓(xùn)練目標(biāo)的比較

論文對不同的pretrain objective，在多個下游任務(wù)上進(jìn)行了比較嚴(yán)謹(jǐn)詳盡的實驗對比。模型結(jié)構(gòu): Transformer-base。

不同的Pre-train Objective有:

GPT: (Auto-Regressive) Language model

XLNET: Permuted Language Model

BERT: Masked Language Model

UniLM: Multitask Masked Language Model

MASS: Masked Seq-to-Seq

對比實驗涉及的下游任務(wù)有:

SQuAD: 將context和question連在一起輸入Encoder和Decoder，輸出的是context中的span。

MNLI: 將2個句子連在一起輸入Encoder和Decoder（中間加上[EOS]表示隔開），模型輸出的是兩個句子之間的關(guān)系，是典型的序列分類問題。

ELI5: 抽象的問答，將context和question連在一起輸入，模型輸出抽象摘要文本。

XSum: 新聞?wù)扇蝿?wù)

ConvAI2: 對話生成任務(wù)

CNN/DM：摘要生成任務(wù)

3.1 結(jié)論

不同預(yù)訓(xùn)練方法各有千秋，在不同下游任務(wù)上的效果差異很大：比如說Language Model在ELI5任務(wù)上最好，但是在SQuAD任務(wù)上是最差的。

BART預(yù)訓(xùn)練中的Token Masking作用很關(guān)鍵：Token Masking包括Token Masking，Token Deletion，Text Infilling。從表中可以看出，只做Document Rotation / Sentence Shuffling的預(yù)訓(xùn)練模型效果很差。另外，Deletion比Masking效果好。

Left-to-Right Pretraining會提升生成任務(wù)的效果：和Masked Language Model和Permuted Language Model相比，包含Left-to-Right預(yù)訓(xùn)練的模型在生成任務(wù)上表現(xiàn)更好。

Masked Language Model和Permuted Language Model相比于包含Left-to-Right Auto-regressive Pre-training的模型，在生成任務(wù)上明顯表現(xiàn)要差一些

雙向的encoder對于SQuAD任務(wù)很重要

ELI5任務(wù)上單純的Language Model (Left-to-Right AR Language Model)表現(xiàn)最好，一個可能的解釋是該任務(wù)的輸出和輸入關(guān)系不大，因此BART沒有優(yōu)勢。

預(yù)訓(xùn)練目標(biāo)不是唯一的重要因素，比如表中的Permuted Language Model的效果不如XLNet，作者提到，可能的原因有XLNet中有一些結(jié)構(gòu)上的改進(jìn)（比如relative-position embedding和segment-level recurrence）

4. 實驗2: 大規(guī)模實驗

實驗發(fā)現(xiàn)，在discriminative任務(wù)(NLU)上和RoBERTa/XLNet效果持平，在生成任務(wù)上顯著高于BERT, UniLM, XLNet, RoBERTa等模型

4.1. Discriminative Tasks

BART并沒有因為單向的decoder而影響在文本理解類任務(wù)上的效果：

4.2. Generation Tasks

BART得益于單向的decoder，在三大類生成任務(wù)上效果拔群：

摘要生成：

摘要任務(wù)上的對比

對話生成：

對話生成任務(wù)上的對比

抽象問答

抽象問答任務(wù)上的對比

4.3. 翻譯