作者：吳金龍，愛因互動技術(shù)合伙人，算法負責(zé)人
知乎專欄：智能對話機器人技術(shù)
2018年是NLP的收獲大年，模型預(yù)訓(xùn)練技術(shù)終于被批量成功應(yīng)用于多項NLP任務(wù)。之前搞NLP的人一直羨慕搞CV的人，在ImageNet上訓(xùn)練好的模型，居然拿到各種任務(wù)里用都非常有效?，F(xiàn)在情形有點逆轉(zhuǎn)了。搞CV的人開始羨慕搞NLP的人了。CV界用的還是在有監(jiān)督數(shù)據(jù)上訓(xùn)練出來的模型，而NLP那幫家伙居然直接搞出了在無監(jiān)督數(shù)據(jù)上的通用預(yù)訓(xùn)練模型！要知道NLP中最不缺的就是無監(jiān)督的文本數(shù)據(jù)，幾乎就是要多少有多少。還有個好消息是目前NLP中通用預(yù)訓(xùn)練模型的效果還遠沒達到極限。目前發(fā)現(xiàn)只要使用更多的無監(jiān)督數(shù)據(jù)訓(xùn)練模型，模型效果就會更優(yōu)。這種簡單粗暴的優(yōu)化方法對大公司來說實在再經(jīng)濟不過。而且，算法本身的效果也在快速迭代中。NLP的未來真是一片光明啊～
BERT發(fā)布之后，點燃了NLP各界的歡騰，各路神仙開始加班加點各顯神通，很多相關(guān)工作被發(fā)表出來。本文會介紹其中的一些代表性工作，但更重要的是希望理清這些背后的邏輯，為它們歸歸類。通過這些思考，我自己也對NLP以后的工作方向有些預(yù)測，供大家參考。
本文的內(nèi)容主要包括以下幾部分：
我對遷移學(xué)習(xí)和模型預(yù)訓(xùn)練的一些思考，以及對未來工作方向的粗略預(yù)測
各類代表性工作的具體介紹（熟悉的同學(xué)可忽略），又細分為以下幾大類：
有監(jiān)督數(shù)據(jù)預(yù)訓(xùn)練
自監(jiān)督訓(xùn)練
無監(jiān)督數(shù)據(jù)預(yù)訓(xùn)練
多個有監(jiān)督數(shù)據(jù)同時訓(xùn)練：多任務(wù)學(xué)習(xí)
3. 一些我們的實踐經(jīng)驗、別人和自己的觀點、以及總結(jié)和感想
第一和第三部分內(nèi)容相對少，原創(chuàng)密度大點，大家要是趕時間的話看這兩部分就夠了。第二部分的內(nèi)容都是具體技術(shù)，有很多很好的文章都介紹過。放在本文當(dāng)中一是為了文章的完備性，另一個是里面提到的一些知識點在其他地方?jīng)]怎么提到。第三部分也會涉及到我們（愛因互動）自己在一些任務(wù)上的實驗工作，期望這些結(jié)果能堅定大家在自己的工作中把模型預(yù)訓(xùn)練技術(shù)用起來。
終于可以開始了。
把我們當(dāng)前要處理的NLP任務(wù)叫做T（T稱為目標(biāo)任務(wù)），遷移學(xué)習(xí)技術(shù)做的事是利用另一個任務(wù)S（S稱為源任務(wù)）來提升任務(wù)T的效果，也即把S的信息遷移到T中。至于怎么遷移信息就有很多方法了，可以直接利用S的數(shù)據(jù)，也可以利用在S上訓(xùn)練好的模型，等等。
依據(jù)目標(biāo)任務(wù)T是否有標(biāo)注數(shù)據(jù)，可以把遷移學(xué)習(xí)技術(shù)分為兩大類，每個大類里又可以分為多個小類。
第一大類是T沒有任何標(biāo)注數(shù)據(jù)，比如現(xiàn)在很火的無監(jiān)督翻譯技術(shù)。但這類技術(shù)目前主要還是偏學(xué)術(shù)研究，離工業(yè)應(yīng)用還有挺長距離的。工業(yè)應(yīng)用中的絕大部分任務(wù)，我們總是能想辦法標(biāo)注一些數(shù)據(jù)的。而且，目前有監(jiān)督模型效果要顯著優(yōu)于無監(jiān)督模型。所以，面對完全沒有標(biāo)注數(shù)據(jù)的任務(wù)，最明智的做法是先借助于無監(jiān)督技術(shù)（如聚類/降維）分析數(shù)據(jù)，然后做一些數(shù)據(jù)標(biāo)注，把原始的無監(jiān)督任務(wù)轉(zhuǎn)變?yōu)橛斜O(jiān)督任務(wù)進行求解?；谶@些原因，本文不再介紹這大類相關(guān)的工作。
第二大類是T有標(biāo)注數(shù)據(jù)，或者說T是個有監(jiān)督任務(wù)。這類遷移學(xué)習(xí)技術(shù)又可以依據(jù)源任務(wù)是否有監(jiān)督，以及訓(xùn)練順序兩個維度，大致分為四小類：
源任務(wù)S是無監(jiān)督的，且源數(shù)據(jù)和目標(biāo)數(shù)據(jù)同時用于訓(xùn)練：此時主要就是自監(jiān)督（self-supervised）學(xué)習(xí)技術(shù)，代表工作有之后會講到的CVT。
源任務(wù)S是有監(jiān)督的，且源數(shù)據(jù)和目標(biāo)數(shù)據(jù)同時用于訓(xùn)練：此時主要就是多任務(wù)（multi-task）學(xué)習(xí)技術(shù)，代表工作有之后會講到的MT-DNN。
源任務(wù)S是無監(jiān)督的，且先使用源數(shù)據(jù)訓(xùn)練，再使用目標(biāo)數(shù)據(jù)訓(xùn)練（序貫訓(xùn)練）：此時主要就是以BERT為代表的無監(jiān)督模型預(yù)訓(xùn)練技術(shù)，代表工作有ELMo、ULMFiT、GPT/GPT-2、BERT、MASS、UNILM。
源任務(wù)S是有監(jiān)督的，且先使用源數(shù)據(jù)訓(xùn)練，再使用目標(biāo)數(shù)據(jù)訓(xùn)練（序貫訓(xùn)練）：此時主要就是有監(jiān)督模型預(yù)訓(xùn)練技術(shù)，類似CV中在ImageNet上有監(jiān)督訓(xùn)練模型，然后把此模型遷移到其他任務(wù)上去的范式。代表工作有之后會講到的CoVe。
先說說上表中四個類別的各自命運。以BERT為代表的無監(jiān)督模型預(yù)訓(xùn)練技術(shù)顯然是最有前途的。之前也說了，NLP中最不缺的就是無監(jiān)督數(shù)據(jù)。只要堆計算資源就能提升效果的話，再簡單不過了。
而無監(jiān)督預(yù)訓(xùn)練的成功，也就基本擠壓掉了自監(jiān)督學(xué)習(xí)提升段位的空間。這里說的自監(jiān)督學(xué)習(xí)不是泛指，而是特指同時利用無監(jiān)督數(shù)據(jù)和當(dāng)前有監(jiān)督數(shù)據(jù)一起訓(xùn)練模型的方式。既然是同時訓(xùn)練，就不太可能大規(guī)模地利用無監(jiān)督數(shù)據(jù)（要不然就要為每個特定任務(wù)都訓(xùn)練很久，不現(xiàn)實），這樣帶來的效果就沒法跟無監(jiān)督預(yù)訓(xùn)練方式相比。但自監(jiān)督學(xué)習(xí)還是有存在空間的，比如現(xiàn)在發(fā)現(xiàn)在做有監(jiān)督任務(wù)訓(xùn)練時，把語言模型作為輔助損失函數(shù)加入到目標(biāo)函數(shù)中，可以減輕精調(diào)或多任務(wù)學(xué)習(xí)時的災(zāi)難性遺忘（Catastrophic Forgetting）問題，提升訓(xùn)練的收斂速度。所以有可能在訓(xùn)練時加入一些同領(lǐng)域的無監(jiān)督數(shù)據(jù)，不僅能減輕遺忘問題，還可能因為讓模型保留下更多的領(lǐng)域信息而提升最終模型的泛化性。但這個方向迎來大的發(fā)展可能性不大。
而類似CV中使用大規(guī)模有監(jiān)督數(shù)據(jù)做模型預(yù)訓(xùn)練這條路，看著也比較暗淡，它自己單獨不太可能有很大前景。幾個原因：1) 這條路已經(jīng)嘗試了很久，沒有很顯著的效果提升。2) NLP中獲取大規(guī)模標(biāo)注數(shù)據(jù)很難，而且還要求對應(yīng)任務(wù)足夠復(fù)雜以便學(xué)習(xí)出的模型包含各種語言知識。雖然機器翻譯任務(wù)很有希望成為這種任務(wù)，但它也存在很多問題，比如小語種的翻譯標(biāo)注數(shù)據(jù)很少，翻譯標(biāo)注數(shù)據(jù)主要還是單句形式，從中沒法學(xué)習(xí)到背景信息或多輪等信息。但從另一個方面看，NLP搞了這么久，其實還是積累了很多標(biāo)注或者結(jié)構(gòu)化數(shù)據(jù)，比如知識圖譜。如何把這些信息融合到具體任務(wù)中最近一直都是很活躍的研究方向，相信將來也會是。只是BERT出來后，這種做法的價值更像是打補丁，而不是搭地基了。
多任務(wù)學(xué)習(xí)作為代價較小的方法，前景還是很光明的。多個同領(lǐng)域甚至同數(shù)據(jù)上的不同任務(wù)同時訓(xùn)練，不僅能降低整體的訓(xùn)練時間，還能降低整體的預(yù)測時間（如果同時被使用），還能互相提升效果，何樂而不為。當(dāng)然，多任務(wù)學(xué)習(xí)的目標(biāo)一開始就不是搭地基。
上面說了這么多，其實想說的重點在下面。這些技術(shù)不一定非要單獨使用啊，組合起來一起用，取長補短不是就皆大歡喜了嘛。
先回顧下現(xiàn)在的無監(jiān)督模型預(yù)訓(xùn)練流程，如下圖：
首先是利用大的無監(jiān)督數(shù)據(jù)預(yù)訓(xùn)練通用模型，優(yōu)化目標(biāo)主要是語言模型（或其變種）。第二步，利用有監(jiān)督數(shù)據(jù)精調(diào)上一步得到的通用模型。這么做的目的是期望精調(diào)以后的通用模型更強調(diào)這個特定任務(wù)所包含的語言信息。這一步是可選的（所以圖中對應(yīng)加了括號），有些模型框架下沒有這個步驟，比如BERT里面就沒有。第三步才是利用有監(jiān)督數(shù)據(jù)中對應(yīng)的標(biāo)注數(shù)據(jù)訓(xùn)練特定任務(wù)對應(yīng)的模型。
那這個流程接下來會怎么發(fā)展呢？
上面我已經(jīng)對四類方法做了分別的介紹，包括對它們各自前途的簡單判斷，也介紹了當(dāng)下效果最好的模型預(yù)訓(xùn)練流程。相信未來NLP的很多工作都會圍繞這個流程的優(yōu)化展開。我判斷這個流程會繼續(xù)發(fā)展為下面這個樣子：
詳細說明下每個步驟：
第一步還是利用大的無監(jiān)督數(shù)據(jù)預(yù)訓(xùn)練通用模型。但這里面目前可以改進的點有很多，比如發(fā)展比Transformer更有效的特征抽取結(jié)構(gòu)，現(xiàn)在的Evolved Transformer和Universal Transformer等都是這方面的探索。發(fā)展更有效更多樣化的預(yù)訓(xùn)練模型目標(biāo)函數(shù)。目前預(yù)訓(xùn)練模型的目標(biāo)函數(shù)主要是(Masked) LM和Next Sentence Prediction (NSP)，還是挺單一的。面向文檔級背景或多輪這種長文本信息，未來應(yīng)該會發(fā)展出更好的目標(biāo)函數(shù)。比如有可能會發(fā)展出針對多輪對話這種數(shù)據(jù)的目標(biāo)函數(shù)。
BERT主要面向的是NLU類型的任務(wù)，目前微軟提出的MASS、UNILM從不同的角度把BERT框架推廣到NLG類型的任務(wù)上了，細節(jié)我們之后會講到。GPT-2利用更大的模型獲得了更好的語言模型。更多更好的數(shù)據(jù)，更大的模型帶來的改進有沒有極限？目前還不知道，相信很多公司已經(jīng)在做這方面的探索了。但這個游戲目前還是只有大公司能玩得起，訓(xùn)練通用大模型太耗錢了。提升訓(xùn)練效率，很自然的就是另一個很重要的優(yōu)化方向。
第二步是利用其他大任務(wù)的標(biāo)注數(shù)據(jù)或已有結(jié)構(gòu)化知識精調(diào)第一步獲得的通用模型。這一步不一定以單獨的形式存在，它也可以放到第一步中，在預(yù)訓(xùn)練通用模型時就把這些額外信息注入進去，比如百度的ERNIE就是在預(yù)訓(xùn)練時就把實體信息注入進去了。既然人類在漫長的AI研究史上積累了大量各式各樣的結(jié)構(gòu)化數(shù)據(jù)，比如機器翻譯標(biāo)注數(shù)據(jù)，沒理由不把它們用起來。相信未來會有很多知識融合（注入）這方面的工作。
第三步和前面流程的第二步相同，即利用當(dāng)前任務(wù)數(shù)據(jù)進一步精調(diào)上一步得到的通用模型。這么做的目的是期望精調(diào)后的模型更強調(diào)這個特定任務(wù)所包含的語言信息。ELMo的實驗結(jié)論是，加入這一步往往能提升下一步的特定任務(wù)有監(jiān)督訓(xùn)練的收斂速度，但僅在部分任務(wù)上最終模型獲得了效果提升（在另一部分任務(wù)上持平）。
另一種做法是把這一步與下一步的特定任務(wù)有監(jiān)督訓(xùn)練放在一塊進行，也即在特定任務(wù)有監(jiān)督訓(xùn)練時把語言模型作為輔助目標(biāo)函數(shù)加入到訓(xùn)練過程中，以期提升模型收斂速度，降低模型對已學(xué)到知識的遺忘速度，提升最終模型的效果。GPT的實驗結(jié)論是，如果特定任務(wù)有監(jiān)督訓(xùn)練的數(shù)據(jù)量比較大時，加入輔助語言模型能改善模型效果，但如果特定任務(wù)有監(jiān)督訓(xùn)練的數(shù)據(jù)量比較小時，加入輔助語言模型反而會降低模型效果。但ULMFiT上的結(jié)論剛好相反。。所以就試吧。
利用多任務(wù)或者單任務(wù)建模方式在有監(jiān)督數(shù)據(jù)集上訓(xùn)練特定任務(wù)模型。多任務(wù)的很多研究相信都能移植到這個流程當(dāng)中。我們之后會介紹的微軟工作MT-DNN就是利用BERT來做多任務(wù)學(xué)習(xí)的底層共享模型。論文中的實驗表明加入多任務(wù)學(xué)習(xí)機制后效果有顯著提升。相信在這個方向還會有更多的探索工作出現(xiàn)。在單任務(wù)場景下，原來大家發(fā)展出的各種任務(wù)相關(guān)的模型，是否能在無監(jiān)督預(yù)訓(xùn)練時代帶來額外的收益，這也有待驗證。
總結(jié)下，未來NLP的主要工作可能都會圍繞這個流程展開。對流程前面步驟的優(yōu)化帶來的收益比后面步驟大，也更難。所以諸君請自己拿捏吧~。
套用下前面對遷移學(xué)習(xí)分類的方式，把接下來要介紹的具體模型放到對應(yīng)的模塊里，這樣邏輯會更清楚一些。
我們先介紹CoVe和CVT。
CoVe是在 McCann et al., Learned in Translation: Contextualized Word Vectors 這個論文中提出的。自然語言中的一詞多義非常常見，比如“蘋果手機”和“蘋果香蕉”里的“蘋果”，含義明顯不同。以Word2Vec為代表的詞表示方法沒法依據(jù)詞所在的當(dāng)前背景調(diào)整表示向量。所以NLPer一直在嘗試找背景相關(guān)的詞表示法（Contextualized Word Representation）。CoVe就是這方面的一個嘗試。
CoVe首先在翻譯標(biāo)注數(shù)據(jù)上預(yù)訓(xùn)練encoder2decoder模型。其中的encoder模塊使用的是BiLSTM。訓(xùn)練好的encoder，就可以作為特征抽取器，獲得任意句子中每個token的帶背景詞向量：
使用的時候，只要把
論文作者在分類和匹配下游任務(wù)對CoVe的效果做過驗證，效果肯定是有一些提升了，但提升也不是很明顯。
總結(jié)下CoVe的特點：
預(yù)訓(xùn)練依賴于有監(jiān)督數(shù)據(jù)（翻譯數(shù)據(jù)）。
CoVe結(jié)果以特征抽取的方式融合到下游任務(wù)模型中，但下游任務(wù)還是要自定義對應(yīng)的模型。
CVT (Cross-View Training)在利用有監(jiān)督數(shù)據(jù)訓(xùn)練特定任務(wù)模型時，同時會使用無監(jiān)督數(shù)據(jù)做自監(jiān)督學(xué)習(xí)。Encoder使用的是2層的CNN-BiLSTM，訓(xùn)練過程使用標(biāo)注數(shù)據(jù)和非標(biāo)注數(shù)據(jù)交替訓(xùn)練。利用標(biāo)注數(shù)據(jù)訓(xùn)練主預(yù)測模塊，同時構(gòu)造多個輔助模塊，輔助模塊利用非標(biāo)注數(shù)據(jù)擬合主模塊的預(yù)測概率。輔助模塊的輸入僅包含所有輸入中的部分信息，這個思想和dropout有點像，可以提高模型的穩(wěn)定性。不同的特定任務(wù)，輔助模塊的構(gòu)造方式不同，如何選輸入中部分信息的方式也不同。
例如，對于序列標(biāo)注任務(wù)，論文中以biLSTM第一層和第二層的狀態(tài)向量拼接后輸入進主預(yù)測模塊。而4個輔助模塊則使用了第一層的各個單向狀態(tài)向量作為輸入。
作者也在多任務(wù)學(xué)習(xí)上驗證了CVT帶來效果提升。CVT使用多個標(biāo)注數(shù)據(jù)和非標(biāo)注數(shù)據(jù)交替訓(xùn)練。使用標(biāo)注數(shù)據(jù)訓(xùn)練時，CVT隨機選擇一個任務(wù)，優(yōu)化對應(yīng)任務(wù)的主模塊目標(biāo)函數(shù)。使用非標(biāo)注數(shù)據(jù)訓(xùn)練時，CVT為所有任務(wù)產(chǎn)生對應(yīng)的輔助模塊。這些輔助模塊同時被訓(xùn)練，相當(dāng)于構(gòu)造了一些所有任務(wù)共用的標(biāo)注數(shù)據(jù)。這種共用的訓(xùn)練數(shù)據(jù)能提升模型收斂速度。作者認為效果提升的主要原因是，同時訓(xùn)練多個任務(wù)能降低模型訓(xùn)練一個任務(wù)時遺忘其他任務(wù)知識的風(fēng)險。
總結(jié)下CVT的特點：
在訓(xùn)練特定任務(wù)模型時加入無監(jiān)督數(shù)據(jù)做自監(jiān)督學(xué)習(xí)，獲得了精度的提升。其中輔助模塊的構(gòu)建是關(guān)鍵。
嗯，需要為不同任務(wù)定制不同的輔助模塊。
應(yīng)用于MTL問題效果比ELMo好。
ELMo (Embedding from Language Models) 的目的是找到一種帶背景的詞向量表示方法，以期在不同的背景下每個詞能夠獲得更準(zhǔn)確的表示向量。
ELMo的使用過程分為以下三個步驟：
第一步是預(yù)訓(xùn)練階段，ELMo利用2層的biLSTM和無監(jiān)督數(shù)據(jù)訓(xùn)練兩個單向的語言模型，它們統(tǒng)稱為biLM。
第二步利用特定任務(wù)的數(shù)據(jù)精調(diào)第一步得到的biLM。作者發(fā)現(xiàn)這步能顯著降低biLM在特定任務(wù)數(shù)據(jù)上的PPL，結(jié)果如下圖。但對特定任務(wù)最終的任務(wù)精度未必有幫助（但也不會降低任務(wù)精度）。作者發(fā)現(xiàn)在SNLI（推斷）任務(wù)上效果有提升，但在SST-5（情感分析）任務(wù)上效果沒變化。
第三步是訓(xùn)練特定的任務(wù)模型。任務(wù)模型的輸入是上面已訓(xùn)練biLM的各層狀態(tài)向量的組合向量。
其中
作者發(fā)現(xiàn)，biLM底層LSTM的輸出狀態(tài)對句法任務(wù)（如POS）更有幫助，而高層LSTM的輸出狀態(tài)對語義任務(wù)（如WSD）更有幫助。ELMo對（標(biāo)注）數(shù)據(jù)量少的有監(jiān)督任務(wù)精度提升較大，對數(shù)據(jù)量多的任務(wù)效果提升就不明顯了。這說明ELMo里存儲的信息比較少，還是它主要功能是幫助有監(jiān)督數(shù)據(jù)更好地提煉出其中的信息？
總結(jié)下ELMo的特點：
把無監(jiān)督預(yù)訓(xùn)練技術(shù)成功應(yīng)用于多類任務(wù)，獲得了效果提升。
ELMo以特征抽取的形式融入到下游任務(wù)中，所以不同下游任務(wù)依舊需要使用不同的對應(yīng)模型。
ELMo改進的效果依賴于下游任務(wù)和對應(yīng)的模型，且改進效果也不是特別大。
ULMFiT (Universal Language Model Fine-tuning) 使用和ELMo類似的流程：
使用通用數(shù)據(jù)預(yù)訓(xùn)練LM，模型使用了3層的AWD-LSTM。
在特定任務(wù)數(shù)據(jù)上精調(diào)LM，其中使用到差異精調(diào)和傾斜三角lr兩個策略。
以LM作為初始值，精調(diào)特定任務(wù)分類模型，其中使用到逐層解凍、差異精調(diào)和傾斜三角lr三個策略。經(jīng)過AWD-LSTM之后，輸出給分類器的向量為三個向量的拼接：
最后一層最后一個詞對應(yīng)的向量；
最后一層每個詞向量做max pooling；
最后一層每個詞向量做mean pooling。
論文中提出了幾個優(yōu)化策略，能夠提升精調(diào)后模型的最終效果。
論文中的實驗主要針對各種分類任務(wù)，相比于之前最好的結(jié)果，ULMFiT把分類錯誤率降低了18-24%。
論文中也設(shè)計了實驗來說明流程中第二步（在特定任務(wù)數(shù)據(jù)上精調(diào)LM）的作用。結(jié)果表明第二步的加入，能夠讓第三步的分類任務(wù)在很少的數(shù)據(jù)量下獲得好的結(jié)果。只要使用 1%~10%的標(biāo)注數(shù)據(jù)，就能達到不加第二步時的模型效果。
作者也設(shè)計了去除實驗驗證論文中提出的三個策略的效果：差異精調(diào)（discr）、傾斜三角lr（stlr）、逐層解凍（Freez）。結(jié)果表明相比于其他人提出的策略，這幾個策略能獲得更好的結(jié)果。而且，相比于不使用discr和stlr機制的精調(diào)策略（Full），ULMFiT模型更穩(wěn)定，沒出現(xiàn)災(zāi)難性遺忘。
之后的另一篇論文 An Embarrassingly Simple Approach for Transfer Learning from Pretrained Language Models 建議了一些新的策略，解決精調(diào)時的災(zāi)難性遺忘問題。模型稱為 SiATL (Single-step Auxiliary loss Transfer Learning)。SiATL只包含兩個步驟：無監(jiān)督數(shù)據(jù)預(yù)訓(xùn)練LM、精調(diào)分類模型。但在精調(diào)分類模型時，SiATL把LM作為輔助目標(biāo)加入到優(yōu)化目標(biāo)函數(shù)當(dāng)中。SiATL的第二步相當(dāng)于把ULMFiT的第二步和第三步一起做了。所以它們的流程其實是一樣的。
預(yù)訓(xùn)練模型使用的是兩層LSTM+Linear，而分類模型在預(yù)訓(xùn)練模型的上面增加了一層帶self-attention的LSTM和輸出層。SiATL建議的幾個策略：
論文發(fā)現(xiàn)輔助LM目標(biāo)對于小數(shù)據(jù)集更有用，可能是輔助LM減輕了小數(shù)據(jù)集上的過擬合問題。其中的系數(shù)
0.2，然后指數(shù)下降到 0.1效果最好。 另一個發(fā)現(xiàn)是如果預(yù)訓(xùn)練用的無監(jiān)督數(shù)據(jù)和任務(wù)數(shù)據(jù)所在領(lǐng)域不同，序貫解凍帶來的效果更明顯。這也是合理的，領(lǐng)域不同說明災(zāi)難性遺忘問題會更嚴重，所以遷移知識時要更加慎重，遷移過程要更慢。序貫解凍主要就是用途就是減輕災(zāi)難性遺忘問題。
論文還發(fā)現(xiàn)，和ULMFiT相比，SiATL在大數(shù)據(jù)集上效果差不多，但在小數(shù)據(jù)集要好很多。
總結(jié)下 ULMFiT 和 SiATL：
ULMFiT使用序貫訓(xùn)練的方式組合特定任務(wù)LM和任務(wù)目標(biāo)函數(shù)，而SiATL使用同時訓(xùn)練的方式，也即加入輔助LM目標(biāo)函數(shù)。
它們建議的策略都是在解決災(zāi)難性遺忘問題，也都解決的不錯?？梢钥紤]組合使用這些策略。
它們在小數(shù)據(jù)集上都提升明顯，只要使用 1%~10% 的標(biāo)注數(shù)據(jù)，就能達到之前的效果。
雖然它們只在分類任務(wù)上驗證了各自的效果，但這些策略應(yīng)該可以推廣到其他任務(wù)上。
前面介紹的工作中預(yù)訓(xùn)練模型用的都是多層LSTM，而OpenAI GPT首次使用了Transformer作為LM預(yù)訓(xùn)練模型。GPT使用12層的Transformer Decoder訓(xùn)練單向LM，也即mask掉當(dāng)前和后面的詞。
在做精調(diào)時，使用最高層最后一個詞的向量作為后續(xù)任務(wù)的輸入，類似SiATL也加入了輔助LM目標(biāo)函數(shù)。
GPT的另一個大貢獻是為下游任務(wù)引入了統(tǒng)一的模型框架，也即不再需要為特定任務(wù)定制復(fù)雜的模型結(jié)構(gòu)了。不同的任務(wù)只需把輸入數(shù)據(jù)做簡單的轉(zhuǎn)換即可。
GPT在多種類型的任務(wù)上做了實驗，12個任務(wù)中的9個任務(wù)有提升，最高提升幅度在9%左右，效果相當(dāng)不錯。
針對預(yù)訓(xùn)練、輔助LM和Transformer，論文中做了去除實驗，結(jié)果表明預(yù)訓(xùn)練最重要，去掉會導(dǎo)致指標(biāo)下降14.8%，而Transformer改為LSTM也會導(dǎo)致指標(biāo)下降5.6%。比較詭異的是去掉輔助LM的實驗結(jié)果。去掉輔助LM，只在QQP (Quora Question Pairs)和NLI上導(dǎo)致指標(biāo)下降。在其他任務(wù)上反而提升了指標(biāo)。作者觀察到的趨勢是輔助LM對于大的數(shù)據(jù)集比小的數(shù)據(jù)集更有幫助。。這也跟ULMFiT和SiATL中的結(jié)論相反。
總結(jié)下GPT的主要貢獻：
驗證了Transformer在Unsupervised Pretraining中的有效性。
驗證了更大的模型效果更好：6 --> 12 層。
為下游任務(wù)引入了通用的求解框架，不再為任務(wù)做模型定制。
之后OpenAI又訓(xùn)練一個更大的模型，叫GPT-2。GPT-2把GPT中12層的Transformer提升到48層，參數(shù)數(shù)量是GPT的十幾倍，達到了15億。
GPT-2依舊使用單向LM訓(xùn)練語言模型，但使用數(shù)量更多、質(zhì)量更好、覆蓋面更廣的數(shù)據(jù)進行訓(xùn)練。而且，GPT-2沒有針對特定模型的精調(diào)流程了。作者想強調(diào)的是，預(yù)訓(xùn)練模型中已經(jīng)包含很多特定任務(wù)所需的信息了，只要想辦法把它們?nèi)〕鰜碇苯佑眉纯?，可以不用為特定任?wù)標(biāo)注數(shù)據(jù)，真正達到通用模型的能力。
那，沒有精調(diào)如何做特定任務(wù)呢？一些任務(wù)說明如下：
不做精調(diào)的GPT-2不僅在很多特定任務(wù)上已經(jīng)達到了SOTA，還在生成任務(wù)上達到了嚇人的精度。
和GPT一樣，BERT的基本模型使用了Transformer，只是模型又變大了（12層變成了24層）。
相比于GPT的單向LM，BERT使用了雙向LM。但顯然預(yù)測時不能讓待預(yù)測的詞看到自己，所以需要把待預(yù)測詞mask掉。BERT建議了masked LM機制，即隨機mask輸入中的 k%個詞，然后利用雙向LM預(yù)測這些詞。
但mask時需要把握好度。mask太少的話，訓(xùn)練時每次目標(biāo)函數(shù)中包含的詞太少，訓(xùn)練起來就要迭代很多步。mask太多的話，又會導(dǎo)致背景信息丟失很多，與預(yù)測時的情景不符。而且，簡單的mask會帶來預(yù)訓(xùn)練和精調(diào)訓(xùn)練的不一致性：精調(diào)階段，輸入數(shù)據(jù)里是不mask詞的。
BERT建議了以下的策略，解決這些問題：
BERT的另一大貢獻，是引入了新的預(yù)訓(xùn)練目標(biāo) Next Sentence Prediction (NSP) 。對于兩個句子A和B，NSP預(yù)測B是不是A的下一個句子。訓(xùn)練時NSP的正樣本就是從文檔從隨機選的兩個臨近句子，而負樣本就是B是隨機從文檔中選取的，與A的位置沒關(guān)系。NSP可以學(xué)習(xí)句子與句子間的關(guān)系。
預(yù)訓(xùn)練的目標(biāo)函數(shù)是Masked LM和NSP的加和。
BERT的輸入詞向量是三個向量之和：
Token Embedding：WordPiece tokenization subword詞向量。
Segment Embedding：表明這個詞屬于哪個句子（NSP需要兩個句子）。
Position Embedding：學(xué)習(xí)出來的embedding向量。這與Transformer不同，Transformer中是預(yù)先設(shè)定好的值。
BERT也為下游任務(wù)引入了通用的求解框架，不再為任務(wù)做模型定制。對于分類和匹配任務(wù)，下游任務(wù)只要使用第一個詞 [CLS]對應(yīng)的最上層輸出詞向量作為分類器的輸入向量即可。對于抽取式QA和序列標(biāo)注問題，使用每個詞對應(yīng)的最上層輸出詞向量作為下游任務(wù)的輸入即可。
BERT的驚艷結(jié)果，引爆了NLP行業(yè)。BERT在11個任務(wù)上獲得了最好效果，GLUE上達到了80.4%，提升了整整7.6個點，把SQuAD v1.1 F1又往上提升了1.5個點，達到了93.2 。
BERT的去除實驗表明，雙向LM和NSP帶了的提升最大。
另一個結(jié)論是，增加模型參數(shù)數(shù)量可以提升模型效果。
BERT預(yù)訓(xùn)練模型的輸出結(jié)果，無非就是一個或多個向量。下游任務(wù)可以通過精調(diào)（改變預(yù)訓(xùn)練模型參數(shù)）或者特征抽?。ú桓淖冾A(yù)訓(xùn)練模型參數(shù)，只是把預(yù)訓(xùn)練模型的輸出作為特征輸入到下游任務(wù)）兩種方式進行使用。BERT原論文使用了精調(diào)方式，但也嘗試了特征抽取方式的效果，比如在NER任務(wù)上，最好的特征抽取方式只比精調(diào)差一點點。但特征抽取方式的好處可以預(yù)先計算好所需的向量，存下來就可重復(fù)使用，極大提升下游任務(wù)模型訓(xùn)練的速度。
后來也有其他人針對ELMo和BERT比較了這兩種使用方式的精度差異。下面列出基本結(jié)論：
總結(jié)下BERT的主要貢獻：
引入了Masked LM，使用雙向LM做模型預(yù)訓(xùn)練。
為預(yù)訓(xùn)練引入了新目標(biāo)NSP，它可以學(xué)習(xí)句子與句子間的關(guān)系。
進一步驗證了更大的模型效果更好：12 --> 24 層。
為下游任務(wù)引入了很通用的求解框架，不再為任務(wù)做模型定制。
刷新了多項NLP任務(wù)的記錄，引爆了NLP無監(jiān)督預(yù)訓(xùn)練技術(shù)。
BERT只能做NLU類型的任務(wù)，無法直接用于文本產(chǎn)生式（NLG）類型的任務(wù)，如摘要、翻譯、對話生成。NLG的基本框架是encoder2decoder，微軟的MASS (MAsked Sequence to Sequence pre-training)把BERT推廣到NLG任務(wù)。MASS的結(jié)構(gòu)如下，它的訓(xùn)練數(shù)據(jù)依舊是單句話，但是會隨機mask這句話中連續(xù)的 k個詞，然后把這些詞放入decoder模塊的相同位置，而encoder中只保留未被mask的詞。MASS期望decoder利用encoder的信息和decoder前面的詞，預(yù)測這些被mask的詞。
比較有意思的是，BERT和GPT都是MASS的特例。當(dāng) k=1時，也即隨機mask單個詞時，MASS就退化成BERT；當(dāng) k=句子長度 時，也即mask所有詞時，MASS就退化成GPT，或者標(biāo)準(zhǔn)的單向LM。
論文中使用了4層的Transformer作為encoder和decoder，跟encoder使用BERT，decoder
使用標(biāo)準(zhǔn)單向LM的框架BERT+LM做了效果對比，PPL上降低了不少。而且作者也對比了 k 取不同值時的效果變化，結(jié)果發(fā)現(xiàn)在多個任務(wù)上它取50%句子長度都是最優(yōu)的。
為什么MASS能取得比較好的效果？作者給出了以下解釋：
Encoder中mask部分tokens，迫使它理解unmasked tokens。
Decoder中需要預(yù)測masked的連續(xù)tokens，讓decoder能獲取更多的語言信息。
Decoder中只保留了masked的tokens，而不是所有的tokens，迫使decoder也會盡量從encoder中抽取信息。
作者也做了兩個去除實驗驗證上面的后兩條解釋。
總結(jié)下MASS的特點：
把BERT推廣到NLG類型任務(wù)，并且統(tǒng)一了BERT和傳統(tǒng)單向LM框架。
實驗表明MASS效果比BERT+LM好，但實驗使用的模型太小，不確定這種優(yōu)勢在模型變大后是否還會存在。
UNILM (UNIfied pretrained Language Model)是微軟另一波人最近放出的論文。UNILM同時訓(xùn)練BERT中的雙向LM、GPT中的單向LM和seq2seq中的LM。用的方法也很自然，核心思想在Transformer那篇論文中其實就已經(jīng)在用了。
UNILM中的核心框架還是Transformer，只是用無監(jiān)督數(shù)據(jù)預(yù)訓(xùn)練模型時，同時以雙向LM、單向LM和seq2seq LM為目標(biāo)函數(shù)。這些目標(biāo)函數(shù)共享一個Transformer結(jié)構(gòu)，訓(xùn)練也都使用了類似BERT中的 [MASK]機制。
和BERT的雙向LM不同的是，單向LM在做self-attention時不能使用這個詞后面的詞。seq2seq LM在做decoder 預(yù)測時也有類似的約束，做self-attention時能使用encoder中的所有詞，以及decoder中當(dāng)前詞（替換為 [MASK]了）和前面的詞，而不能使用decoder中這個詞后面的詞。UNILM在做self-attention時通過mask機制來滿足這些約束，也即在softmax函數(shù)中把后面詞對應(yīng)的向量元素值改為 -∞。
seq2seq LM是把兩個句子拼起來（和BERT相同）直接輸入一個Transformer（只是預(yù)測encoder和decoder中被mask的詞時，對self-attention使用了不同的約束條件），所以encoder和decoder使用的是同一個Transformer。seq2seq LM的訓(xùn)練樣本，和NSP任務(wù)類似，為連續(xù)的兩個句子，然后隨機mask掉兩個句子中的詞讓模型進行預(yù)測。
對詞隨機mask的機制和BERT類似，只是會以一定概率mask臨近的兩個或三個詞，具體說明如下：
訓(xùn)練時目標(biāo)函數(shù)的設(shè)定也參照BERT，只是要同時兼顧雙向LM、單向LM和seq2seq LM。作者使用的模型大小同
精調(diào)階段，對于NLU類型的任務(wù)UNILM和BERT相同。對于NLG類型的任務(wù)，UNILM隨機mask decoder中的一些詞，然后再預(yù)測它們。以下是UNILM應(yīng)用于生成式QA任務(wù)的做法，效果提升很明顯。
對于GLUE的所有任務(wù)，UNILM據(jù)說是首次不添加外部數(shù)據(jù)打贏BERT的模型！
總結(jié)下UNILM的特點：
預(yù)訓(xùn)練同時訓(xùn)練雙向LM、單向LM和seq2seq LM，使用 mask機制解決self-attention中的約束問題。
可以處理NLU和NLG類型的各種任務(wù)。
在GLUE上首次不加外部數(shù)據(jù)打贏了BERT。
MT-DNN (Multi-Task Deep Neural Network)是去年年底微軟的一篇工作，思路很簡單，就是在MTL中把BERT引入進來作為底層共享的特征抽取模塊。
預(yù)訓(xùn)練就是BERT，精調(diào)時每個batch隨機選一個任務(wù)進行優(yōu)化。整體算法步驟如下：
MT-DNN在GLUE上效果比BERT好不少，當(dāng)然主要原因可能是加入了額外的數(shù)據(jù)了。作者也對比了多任務(wù)與單任務(wù)的結(jié)果，多任務(wù)確實能給每個任務(wù)都帶來效果提升。
總結(jié)下MT-DNN的特點：
框架簡單明了：MT-DNN = BERT + MTL。
雖然前面介紹的很多模型都能找到實現(xiàn)代碼。但從可用性來說，對于NLU類型的問題，基本只需考慮ELMo，ULMFiT和BERT。而前兩個沒有中文的預(yù)訓(xùn)練模型，需要自己找數(shù)據(jù)做預(yù)訓(xùn)練。BERT有官方發(fā)布的中文預(yù)訓(xùn)練模型，很多深度學(xué)習(xí)框架也都有BERT的對應(yīng)實現(xiàn)，而且BERT的效果一般是最好的。但BERT的問題是速度有點慢，使用12層的模型，對單個句子（30個字以內(nèi)）的預(yù)測大概需要100~200毫秒。如果這個性能對你的應(yīng)用沒問題的話，建議直接用BERT。
對于分類問題，如果特定任務(wù)的標(biāo)注數(shù)據(jù)量在幾千到一兩萬，可以直接精調(diào)BERT，就算在CPU上跑幾十個epoches也就一兩天能完事，GPU上要快10倍以上。如果標(biāo)注數(shù)據(jù)量過大或者覺得訓(xùn)練時間太長，可以使用特征抽取方式。先用BERT抽取出句子向量表達，后續(xù)的分類器只要讀入這些向量即可。
我們目前在很多分類問題上測試了BERT的效果，確實比之前的模型都有提升，有些問題上提升很明顯。下圖給出了一些結(jié)果示例。
愛因互動作為企業(yè)對話機器人服務(wù)提供商，我們會處理很多的QA (Query Answer)和QQ (Query Question)匹配任務(wù)。比如在常用的檢索機器人FAQBot中，用戶的一個query來了，F(xiàn)AQBot首先從標(biāo)準(zhǔn)問答庫中檢索出一些候選問題/答案，然后排序或匹配模塊再計算query跟每個候選問題/答案的匹配度，再按這些匹配度從高到低排序，top1的結(jié)果返回給用戶。上圖中給出了一個QQ 匹配的結(jié)果，原始模型的準(zhǔn)確度為83.5%，BERT精調(diào)后的模型準(zhǔn)確度提升到88.3%。
BERT當(dāng)然可以直接用來計算兩個句子的匹配度，只要把query和每個候選句子拼起來，然后走一遍BERT就能算出匹配度。這樣做的問題是，如果有100個候選結(jié)果，就要算100次，就算把它們打包一起算，CPU上的時間開銷在線上場景也是扛不住的。但如果使用Siamese結(jié)構(gòu)，我們就可以把候選句子的BERT向量表達預(yù)先算好，然后線上只需要計算query的BERT向量表達，然后再計算query和候選句子向量的匹配度即可，這樣時間消耗就可以控制在200ms以內(nèi)了。
使用Siamese這種結(jié)構(gòu)理論上會降低最終的匹配效果，之前也有相關(guān)工作驗證過在一些問題上確實如此。我們目前在自己的三個數(shù)據(jù)上做了對比實驗（見下圖），發(fā)現(xiàn)在兩個問題上效果確實略有下降，而在另一個問題上效果基本保持不變。我估計只要后續(xù)交互層設(shè)計的合理，Siamese結(jié)構(gòu)不會比原始BERT精調(diào)差很多。
按理ELMo的想法很簡單，也沒什么模型創(chuàng)新，為什么之前就沒人做出來然后引爆無監(jiān)督模型預(yù)訓(xùn)練方向？BERT的一作Jacob Devlin認為主要原因是之前使用的數(shù)據(jù)不夠多，模型不夠大。無監(jiān)督預(yù)訓(xùn)練要獲得好效果，付出的代價需要比有監(jiān)督訓(xùn)練大到1000到10w倍才能獲得好的效果。之前沒人想到要把數(shù)據(jù)和模型規(guī)模提高這么多。
為了讓預(yù)訓(xùn)練的模型能對多種下游任務(wù)都有幫助，也即預(yù)訓(xùn)練模型要足夠通用，模型就不能僅僅只學(xué)到帶背景的詞表示這個信息，還需要學(xué)到很多其他信息。而預(yù)測被mask的詞，就可能要求模型學(xué)到很多信息，句法的，語義的等等。所以，相對于只解決某個下游特定任務(wù)，預(yù)訓(xùn)練模型要通用的話，就要大很多。目前發(fā)現(xiàn)只要使用更多（數(shù)量更多、質(zhì)量更好、覆蓋面更廣）的無監(jiān)督數(shù)據(jù)訓(xùn)練更大的模型，最終效果就會更優(yōu)。目前還不知道這個趨勢的極限在什么量級。
BERT雖然對NLU的各類任務(wù)都提升很大，但目前依舊存在很多待驗證的問題。比如如何更高效地進行預(yù)訓(xùn)練和線上預(yù)測使用，如何融合更長的背景和結(jié)構(gòu)化知識，如何在多模態(tài)場景下使用，在BERT之后追加各種任務(wù)相關(guān)的模塊是否能帶來額外收益等等。這些機會我在第一部分已經(jīng)講到，就不再贅述了。
最后，簡單總結(jié)一下。
無監(jiān)督預(yù)訓(xùn)練技術(shù)已經(jīng)在NLP中得到了廣泛驗證。BERT成功應(yīng)用于各種NLU類型的任務(wù)，但無法直接用于NLG類型的任務(wù)。微軟最近的工作MASS把BERT推廣到NLG類型任務(wù)，而UNILM既適用于NLU也適用于NLG任務(wù)，效果還比BERT好一點點。
相信未來NLP的很多工作都會圍繞以下這個流程的優(yōu)化展開：
在這個過程中，我們還收獲了諸多副產(chǎn)品：
相對于biLSTM，Transformers在知識抽取和存儲上效果更好，潛力還可發(fā)掘。它們之間的具體比較，推薦俊林老師的“放棄幻想，全面擁抱Transformer：自然語言處理三大特征抽取器（CNN/RNN/TF）比較”，里面介紹的很清楚。
目前無監(jiān)督模型預(yù)訓(xùn)練常用以下幾種目標(biāo)函數(shù)：
一般的LM?；趖oken的交叉熵。
Masked LM。相比于一般的LM，masked LM能夠使用雙向tokens，且在模型訓(xùn)練和預(yù)測時的數(shù)據(jù)使用方式更接近，降低了它們之間的gap。
Consecutive masked LM。Mask時不僅隨機mask部分離散的token，還隨機mask一些連續(xù)的tokens，如bi-grams、tri-grams等。這種consecutive mask機制是否能帶來普遍效果提升，還待驗證。
Next Sentence Prediction。預(yù)測連續(xù)的兩個句子是否有前后關(guān)系。
精調(diào)階段，除了任務(wù)相關(guān)的目標(biāo)函數(shù)，還可以考慮把LM作為輔助目標(biāo)加到目標(biāo)函數(shù)中。加入LM輔助目標(biāo)能降低模型對已學(xué)到知識的遺忘速度，提升模型收斂速度，有些時候還能提升模型的精度。精調(diào)階段，學(xué)習(xí)率建議使用linear warmup and linear decay機制，降低模型對已學(xué)到知識的遺忘速度。如果要精調(diào)效果，可以考慮ULMFiT中引入的gradual unfreezing和discriminative fine-tuning:機制。
使用數(shù)量更多、質(zhì)量更好、覆蓋面更廣的無監(jiān)督數(shù)據(jù)訓(xùn)練更大的模型，最終效果就會更優(yōu)。目前還不知道這個趨勢的極限在什么地方。
最后說一點自己的感想。
NLP中有一部分工作是在做人類知識或人類常識的結(jié)構(gòu)化表示。有了結(jié)構(gòu)化表示后，使用時再想辦法把這些表示注入到特定的使用場景中。比如知識圖譜的目標(biāo)就是用結(jié)構(gòu)化的語義網(wǎng)絡(luò)來表達人類的所有知識。這種結(jié)構(gòu)化表示理論上真的靠譜嗎？人類的知識真的能完全用結(jié)構(gòu)化信息清晰表示出來嗎？顯然是不能，我想這點其實很多人都知道，只是在之前的技術(shù)水平下，也沒有其他的方法能做的更好。所以這是個折中的臨時方案。
無監(jiān)督預(yù)訓(xùn)練技術(shù)的成功，說明語言的很多知識其實是可以以非結(jié)構(gòu)化的方式被模型學(xué)習(xí)到并存儲在模型中的，只是目前整個過程我們并不理解，還是黑盒。相信以后很多其他方面的知識也能找到類似的非結(jié)構(gòu)化方案。所以我估計知識圖譜這類折中方案會逐漸被替代掉。當(dāng)然，這只是我個人的理解或者疑惑，僅供他人參考。
張俊林，【知乎專欄】深度學(xué)習(xí)前沿筆記
Lilian Weng,Generalized Language Models
McCann et al.2017,Learned in Translation: Contextualized Word Vectors
ELMo: Deep Contextual Word Embeddings, AI2 & University of Washington, 2018
The Illustrated Transformer
The Annotated Transformer
Ashish Vaswani, et al. “Attention is all you need.” NIPS 2017
Jacob Devlin, BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding
自然語言處理中的語言模型預(yù)訓(xùn)練方法（ELMo、GPT和BERT）
To Tune or Not to Tune? Adapting Pretrained Representations to Diverse Tasks
Kevin Clark et al. “Semi-Supervised Sequence Modeling with Cross-View Training.” EMNLP 2018
Matthew E. Peters, et al. “Deep contextualized word representations.” NAACL-HLT 2017
Jeremy Howard and Sebastian Ruder. “Universal language model fine-tuning for text classification.” ACL 2018
Alec Radford et al. “Improving Language Understanding by Generative Pre-Training”. OpenAI Blog, June 11, 2018
聯(lián)系客服
