UniLM：基于bert的Seq2Seq_bert unilm

论文地址：Unified Language Model Pre-training for Natural Language Understanding and Generation

概述：

　　UniLM是微软研究院在Bert的基础上，最新产出的预训练语言模型，被称为统一预训练语言模型。它可以完成单向、序列到序列和双向预测任务，可以说是结合了AR和AE两种语言模型的优点，Unilm在抽象摘要、生成式问题回答和语言生成数据集的抽样领域取得了最优秀的成绩。

一、AR与AE语言模型

AR: Aotoregressive Lanuage Modeling，又叫自回归语言模型。它指的是，依据前面(或后面)出现的tokens来预测当前时刻的token，代表模型有ELMO、GTP等。

AE:Autoencoding Language Modeling，又叫自编码语言。通过上下文信息来预测当前被mask的token，代表有BERT ，Word2Vec(CBOW)。

AR 语言模型：

• 缺点：它只能利用单向语义而不能同时利用上下文信息。ELMO 通过双向都做AR 模型，然后进行拼接，但从结果来看，效果并不是太好。

• 优点： 对自然语言生成任务(NLG)友好，天然符合生成式任务的生成过程。这也是为什么 GPT 能够编故事的原因。

AE 语言模型：

• 缺点： 由于训练中采用了 [MASK] 标记，导致预训练与微调阶段不一致的问题。此外对于生成式问题， AE 模型也显得捉襟见肘，这也是目前 BERT 为数不多实现大的突破的领域。

• 优点： 能够很好的编码上下文语义信息， 在自然语言理解(NLU)相关的下游任务上表现突出。

二、UniLM介绍

 　　预训练语言模型利用大量的无监督数据，结合上下文语境来预测缺失的文字或者单词，进而使模型学习到上下文相关的文本特征表示。当前已经存在多种预训练模型，但它们的预测任务和训练目标不尽相同。

1）ELMO

　　ELMO学习的是两个单向的语言模型，由一个前向(从左到右学习)和一个后向(从右向左学习)语言模型构成，其主干网络是LSTM组成，目标函数就是取这两个方向语言模型的最大似然。

前向LSTM:

后向LSTM:

最大似然函数：

2）GPT

 　　GPT是由Transformer组成的语言模型，采用从左到右一个一个学习word的方式，其实相当于利用了Transformer的解码器，因为解码器是从左到右一个个来的，左边的word看不到右边的信息，右边的word可以看到左边的信息。通过最大化以下似然函数来训练语言模型：

3）BERT

　　BERT也是由Transformer组成的语言模型，采用的是双向的学习的模式。为什么是双向呢？因为BERT利用的是Transformer的编码器，Transformer的编码器可以同时看到左右的信息。bert的双向学习使得其在NLU任务上有非常出色的表现，但是它在NLG任务上的表现就没有那么优越了。

4）UniLM

　　UniLM也是一个多层Transformer网络，跟bert类似，但是UniLM能够同时完成三种预训练目标，如上述表格所示，几乎囊括了上述模型的几种预训练方式，而且新增了sequence-to-sequence训练方式，所以其在NLU和NLG任务上都有很好的表现。UniLM模型基于mask词的语境来完成对mask词的预测，也是完形填空任务。对于不同的训练目标，其语境是不同的。

• 单向训练语言模型，mask词的语境就是其单侧的words，左边或者右边。

• 双向训练语言模型，mask词的语境就是左右两侧的words。

• Seq-to-Seq语言模型，左边的seq我们称source sequence，右边的seq我们称为target sequence，我们要预测的就是target sequence，所以其语境就是所有的source sequence和其左侧已经预测出来的target sequence。

　　三大优势：

1. 三种不同的训练目标，网络参数共享。

2. 正是因为网络参数共享，使得模型避免了过拟合于某单一的语言模型，使得学习出来的模型更加general，更具普适性。

3. 因为采用了Seq-to-Seq语言模型，使得其在能够完成NLU任务的同时，也能够完成NLG任务，例如：抽象文摘，问答生成。

 

三、模型架构与实验设置

网络设置：24层Transformer，1024个hidden size，16个attention heads。

参数大小：340M

初始化：直接采用Bert-Large的参数初始化。

激活函数：GELU，与bert一样

dropout比例：0.1

权重衰减因子：0.01

batch size：330

混合训练方式：对于一个batch，1/3时间采用双向(bidirectional)语言模型的目标，1/3的时间采用seq-to-seq语言模型目标，最后1/3平均分配给两种单向学习的语言模型，也就是left-to-right和right-to-left方式各占1/6时间。

masking 方式：总体比例15%，其中80%的情况下直接用[MASK]替代，10%的情况下随机选择一个词替代，最后10%的情况用真实值。还有就是80%的情况是每次只mask一个词，另外20%的情况是mask掉bigram或者trigram。

 Attention 控制：不同的训练方式，其关注的语境是不一样的，上面也有介绍，如上图所示，灰色的方格就是不能看到的信息，白色的就是需要attention的信息。如何实现这种控制呢?不让当前预测词看掉的信息就采用掩码隐藏掉，只留下能让当前词可看的信息，换句话说，论文使用了掩码来控制在计算基于上下文的表征时 token 应该关注的上下文的量。下面有详细实现方式。

 

四、模型输入与骨干网络

　　模型输入X是一串word序列，该序列要么是用于单向语言模型的一段文本片段，要么是一对文本片段，主要用于双向或者seq-to-seq语言模型 。在输入的起始处会添加一个[SOS]标记，结尾处添加[EOS]标记。[EOS]一方面可以作为NLU任务中的边界标识，另一方面还能在NLG任务中让模型学到何时终止解码过程。其输入表征方式与 BERT 的一样，包括token embedding，position embedding，segment embedding，同时segment embedding还可以作为模型采取何种训练方式(单向，双向，序列到序列)的一种标识。

 　　骨干网络由24层Transformer组成，输入向量 {xi}首先会被转换成H0=[x1,...,x|x|] ，然后送入该24层Transformer网络，每一层编码输出如下：

在每一层通过掩码矩阵M来控制每个词的注意力范围，0表示可以关注，负无穷表示不能关注，会被掩码掉。对于第 l个 Transformer 层，自注意头 AI 的输出的计算方式为：

 

 

五、预训练的目标

 　　针对不同语言模型的训练目标，文章设计了四种完形填空任务。在某个完形填空任务中，会随机选择一些WordPiece替换为[MASK]，然后通过Transformer网络计算得到相应的输出向量，再把输出向量喂到softmax分类器中，预测被[MASK]的word。UniLM参数优化的目标就是最小化被[MASK] token的预测值和真实值之间的交叉熵。值得注意的是，由于使用的是完形填空任务，所以可以为所有语言模型（无论是单向还是双向）都使用同样的训练流程。

单向语言模型：

　　单向语言模型，分别采取从左到右和从右到左的训练目标。以从左到右为例子，例如去预测序列"X1X2[MASK]X4"中的掩码，仅仅只有X1,X2和它自己的信息可用，X4的信息是不可用的。这通过上文提到的掩码M矩阵来控制，结合结构图可以看出，主要是上三角的信息不可见，所以在掩码矩阵M中将上三角矩阵的值置为-∞。

双向语言模型：

　　　双向语言模型，还以"X1X2[MASK]X4"为例子，其中X1,X2,X4及自己的信息都可用，所以相比单向语言模型，能够生成更好的与上下文相关token表征。这也是通过掩码矩阵M来控制，都可见，将M的值都置为0即可。

序列到序列语言模型：

　　左侧的序列其实就是我们的已知序列，叫source sequence，右侧的序列就是我们想要的序列，叫target sequence。左侧的序列属于编码阶段，所以相互的上下文信息都能看到；右侧的序列属于解码阶段，能看到source sequence的信息、target sequence中其左侧的信息及自己的信息。以T1T2->T3T4T5举例说明,我们的输入就变成[SOS]T1T2[EOS]T3T4T5[EOS]，T1和T2相互都能看到，并能看到两边的[SOS]和[EOS]；而T4能看到[SOS]、T1、T2、[EOS]、T3及自己的信息。

　　在训练的时候，source sequence和target sequence中的token都会被随机替换为[MASK]，以达到模型学习训练的目的。在预测[MASK]的同时，因为这两个语句对被打包在一起了，其实模型也无形中学到了两个语句之间存在的紧密关系。这在NLG任务中，比如抽象文摘，非常有用。

 

六、下游任务NLU和NLG的Fine-tuning方法

 　　对于NLU任务而言，做fine-tuning的时候，直接微调为双向的transformer编码器，跟bert一样。以文本分类为例子，使用 [SOS] 的编码向量作为输入的编码，表示为，也就是将UniLM骨干网络的最后一层的[SOS]编码位置输出，作为分类器的初始输入，然后将其输入一个随机初始化的 softmax 分类器（即特定于任务的输出层），其中类别概率的计算方式为 ，其中 是参数矩阵，C 是类别数量。后面微调的时候，可以同时调整UniLM模型参数及分类器的Wc参数即可。

　　对于 NLG 任务，以seq-to-seq任务为例，微调过程类似于使用自注意掩码进行预训练。令 S1 和 S2 分别表示源序列和目标序列，构建出输入[SOS] S1 [EOS] S2 [EOS]。该模型的微调是通过随机掩盖target序列中一定比例的 token，让模型学习恢复被掩盖的词，其训练目标是基于上下文最大化被掩盖 token 的似然度。这点与预训练中略有不同，预训练的时候是随机掩盖掉source序列和target序列的token，也就是两端都参与了训练，而微调的时候只有target参与，因为微调更多关注的是target端。值得注意的是，fine-tuning的时候，target端的结束标识[EOS]也可以被掩盖掉，让模型学习预测，这样模型就可以学习出来自动结束NLG任务了。

 

七、结合实例具体分析下游Fine-tuning任务

　　NLU的任务有抽取式问答，NLG的任务主要有抽象文摘、问题生成、生成问题答案和对话响应生成。

1、抽象式文摘(abstractive summarization)

　　抽象文摘就是根据机器的理解自动生成文摘内容。本实验利用UniLM的sequence-to-sequence模型来完成，在 CNN/DailyMail 数据集上完成摘要任务，在训练集上fine-tuning 30个epochs，微调的超参数与预训练的时候一致，target token被mask的比例为0.7，batch size设置为32，最大长度768，标签平滑设置为0.1。

　　标签平滑：假设多分类的原label=[0,1,0]，经过骨干网络+softmax之后输出预测值=[0.15,0.7,0.15]，根据交叉熵公式会得到一个loss，其实这个时候从预测标签中就能看出哪个类别概率大了，但是基于loss函数的导向，会继续减少损失，让中间的0.7越来越靠近1，这样再学习就容易过拟合了，所以引入了标签平滑。标签平滑就是把原label修正一下，相互之间差别不要那么大，例如修改为[0.1,0.8,0.1]，这样模型就不至于过分学习了。

　　解码的时候，采用集束搜索策略，束宽设置为5。

2、生成式问答(Generative QA)

　　该实验是给一段文本和一个问题，生成形式自由的答案，这也是一个NLG任务，我们这里也是利用sequence-to-sequence模型来完成。soure序列就是一段文本和问题，target序列就是答案。在CoQA数据集上完成实验，共进行10个epochs。target token被mask的比例为0.5，batch size设置为32，最大长度为512，标签平滑设置为0.1。解码的时候束宽设置为3。对于文本特别长的情况下，会利用一个滑动窗口，将文本分成几段，最后把与问答重合度最高的片段送入模型。

3、问题生成(Question Generation)

　　该任务是给定一个输入段落和一个答案范围，目标是生成一个询问该答案的问题。该任务同样可以转化为一个sequence-to-sequence问题来解决。oure序列就是一段文本和答案，target序列就是问题。target token被mask的比例为0.7，batch size设置为32。

4、多轮对话响应生成(Response Generation)

　　给定一段多轮对话历史，并将网络文档作为知识源，系统需要生成适合对话并且能反映网络文档内容的自然语言响应。该任务依然采用sequence-to-sequence语言模型来解决。源序列S1=对话历史+知识源，目标序列S2=响应的对话。在DSTC7数据集上进行实验，进行20个epochs，batch size=64，target token被mask的比例为0.5。