NLP中的范式迁移

作者：小小林熬夜学编程 | 2024-03-31 01:19:09

踩

nlp范式变化

作者 | 孙天祥

整理 | NewBeeNLP

随着预训练模型的发展，NLP领域从各自任务的单打独斗，逐渐转变为几个主流范式的中原逐鹿，近期风头正盛的prompt learning更是隐隐有一统江湖之势。

这些范式经历了哪些兴衰和转移？大模型时代，得大模型者得天下，哪些范式随预训练模型而来，哪些范式又将随预训练模型而去？

在本文中，我们希望通过梳理过去NLP中的范式迁移现象和趋势，分析当前有潜力统一所有NLP任务的通用范式，对上述问题做一些回答。

论文链接：https://arxiv.org/abs/2109.12575
项目网站：https://txsun1997.github.io/nlp-paradigm-shift/
Slides：https://txsun1997.github.io/slides/nlp-paradigm-shift.pdf

什么是范式？

在科学和哲学中，范式通常指解决一个领域中问题的一类概念或思维方式。在本文中，我们定义范式为解决一类NLP任务所使用的机器学习框架，这个框架由输入、输出、模型的结构共同定义。例如，对于NER任务，通常采用SeqLab范式：输入为一段文本，输出为文本中每个单词的标签，模型采用序列标注架构。

一类NLP任务通常有一个或多个较为常用的范式，一个范式也可以解决一个或多个NLP任务，一个范式可以实例化为多个深度学习模型。

什么是范式迁移？

范式迁移就是使用一类任务的范式去解决另一类任务，例如使用MRC范式去解决NER任务。

目前有哪些范式？

在本文中我们总结了七个主流范式：Class、Matching、SeqLab、MRC、Seq2Seq、Seq2ASeq、(M)LM. 下图给出了这些范式的示意图：

目前已经发生了哪些范式迁移？

我们梳理了近年来发生在文本分类（TC）、自然语言推理（NLI）、命名实体识别（NER）、细粒度情感分析（ABSA）、关系抽取（RE）、文本摘要（Summ）、语法/语义解析（Parsing）等任务中的范式迁移工作，他们通常将原任务的输入输出转换为某个目标任务，再使用目标任务的模型来解决该任务。下表给出了使用不同范式解决这些NLP任务的输入输出格式和实例：

根据这些范式迁移工作提出的年份，我们可以绘制一幅范式迁移的趋势图：

可见，在2017年出现了一波Seq2Seq的小高潮；在预训练语言模型出现后（2019-2020年），范式迁移愈发频繁，BERT所涵盖的(M)LM范式（MLM head）和Matching范式（NSP head）都在很多原本属于其他范式的任务中取得了不错的成绩，同年，MRC范式也开始异军突起；在2021年，(M)LM开始在更多任务中攻城略地，而随着BART、T5等Seq2Seq预训练模型的出现，Seq2Seq范式也开始在多个任务中大放光彩。

通用范式的曙光 -- One Model for All Tasks

一个模型做所有任务是很多NLPer长久以来的梦想，随着预训练模型的发展，这个梦想正在接近。以超大规模预训练语言模型为基础，部署一个通用模型有很多好处，比如

不再需要大量标注数据：由于通用模型一般采用了预训练和多任务训练，对标注数据的需求减小了很多；
泛化能力强：相较于训练一个任务特定模型，直接将目标任务转化为通用范式，可以直接将模型应用于未见过的任务；
便捷部署：通用模型的推理作为商用黑箱API，只需改变输入和输出即可完成用户需求。

那么，哪个范式有望成为这样的通用范式呢？我们认为，(M)LM、Matching、Seq2Seq、MRC都有希望。

(M)LM	优势：可无需监督数据，MLM head开箱即用；NLU和NLG兼顾的全能选手劣势：prompt和verbalizer都需要一定工程设计
Matching	优势：只需设计标签描述，工程量较小；可以使用对比学习劣势：需要大量NLI数据进一步训练，领域迁移受限；无法做生成任务
Seq2Seq	优势：形式灵活，非常适用于复杂任务，只需设计目标序列即可使用；可以利用预训练模型劣势：自回归生成导致推理速度慢
MRC	优势：非常通用，只需将输入转换为(context, question, answer)即可使用劣势：难以完全发挥已有预训练模型的能力

如今，以prompt learning为代表的(M)LM范式进展迅速，其他范式或许也应当受到更多的重视。