來自：NLPCAB

句子表示在很多任務中都是重要的一環(huán)。尤其是在大數據量的場景下，很多場景都需要召回+排序兩個步驟，如果第一個環(huán)節(jié)沒有召回候選結果，那最后的排序模型再怎么優(yōu)秀也沒法給出正確答案。

今天就給大家介紹一個微軟在EMNLP2020上發(fā)表的最新工作，利用transformer生成更高質量的句子編碼。

雖然BERT式模型的出現解決了很多判別問題，但直接用無監(jiān)督語料訓練出的BERT做句子表示并不理想：

如果只取CLS，這個表示是針對NSP進行優(yōu)化的，表示的信息有限

如果取平均或最大池化，可能會把無用信息計算進來，增加噪聲

所以作者的改進目的是設計一個下游任務，直接優(yōu)化得到的句子embedding。

那怎么設計目標才能充分利用無監(jiān)督數據呢？

作者給出了一個巧妙的方法，就是用周邊其他句子的表示預測當前句子的token。

具體的做法是：先利用Transformer抽取句子表示，再對句子表示進行attention，選取相關的句子預測當前token。有點Hierarchical Attention的意思。

比如在預測上圖中最后一句的黃藍兩個token時，明顯第一句的信息就夠用了，那目標函數的設置會讓第一句的權重變大，也會讓抽取出的句子表示去包含這些信息。

接下來詳細介紹一下預訓練和精調的步驟，以及作者加入的其他tricks。

Cross-Thought模型

預訓練

下圖是預訓練的模型結構，計算的步驟是：

將段落按順序拆成獨立短句，通過12層Transformer（藍色半透明的矩形）分別進行編碼。在實際的預訓練中，每個sample包含500個長度為64的短句，batch size是128（16張V100）

取出 ... 等special token的輸出（大紅點）作為句子表示

把每列句子表示作為一個序列輸入到cross-sequence transformer（藍色弧線，每一列的cross-sequence transformer參數都不同），輸出attention分數加權后的新表示

將新的句子表示與第一步的token表示進行拼接，經過一層transformer，預測被mask的15%個token（每個句子都這么處理，圖中只畫了第一個句子的）

整體流程理解起來比較簡單，作者還用了一些額外的tricks提升效果：

為了抽取更多的信息，在句子開頭加入了多個占位token（之前BERT只有一個[CLS]），在實驗結論中發(fā)現5個占位的表現較好（但占位token的增加會加大計算量）

占位token的位置表示是固定的，而真實token是隨機從0-564中抽取連續(xù)的64個，這樣可以訓練更多的位置表示，方便之后對更長的序列進行編碼

精調

精調主要是考慮和下游任務的銜接。作者選擇了問答和句子對分類來驗證模型的表現。

對于問答任務，假設答案句子的表示都已經編碼好了：

輸入問題，經過12層Transformer得到問題表示

利用cross-sequence transformers，對問題表示與答案表示進行計算，得到各個答案的權重 （每列都會得到一個，作者對所有列取了平均）

根據gold answer的index m，計算Ranking loss（代表第0個答案的權重）

對于句子對分類任務比較簡潔，輸入兩個句子A和B：

分別對A和B進行編碼，取出句子表示，輸入cross-sequence transformers得到融合后的句子表示

將兩個句子的所有表示拼接起來，得到2Nxd的矩陣（N是占位token的個數，d是表示的維度）

把第二步得到的表示flatten，得到一個長度 2Nd 的一維向量，輸入到分類層

實驗效果

作者在不少數據集上都驗證了效果，單純從輸出句子表示的效果來看，不僅是句間關系還是問答的候選召回上都有不小的提升，尤其是召回：

除了指標對比外，作者還展示了兩個無監(jiān)督預訓練模型的打分結果：

總結

近兩年句子表示的研究越來越少了，因為句子表示經常用于句間關系判斷的任務，而交互式的判別顯然比雙塔效果要好。所以研究者們要不在研究更輕量的句間匹配模型（比如RE2、Deformer），要不就是繼續(xù)用BERT類模型做出更好的效果。但對于業(yè)界來說，句子表示在召回上的速度還是最快的，效果也比單純的字面匹配要好。

為了充分利用無監(jiān)督數據、得到更高質量的句子表示，Cross-Thought提供了一個新的預訓練思路：用句子表示預測token。同時也給我們展現出了它在候選召回上的巨大潛力，添加的額外cross-sequence transformer對速度的影響也不會太大。另外，作者只使用了wiki語料進行預訓練，如果有更多語料相信效果會更好。

目前源碼還未放出，希望開源社區(qū)的富有大佬們早日訓一個中文的Cross-Thought～

原文標題：【EMNLP2020】超越MLM，微軟打造全新預訓練任務

文章出處：【微信公眾號：深度學習自然語言處理】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq