最通俗易懂的XLNET详解

简介

18年底谷歌爸爸推出了bert，该模型一经问世就占据了nlp界的统治地位，如今CMU和google brain联手推出了bert的改进版xlnet。在这之前也有很多公司对bert进行了优化，包括百度、清华的知识图谱融合，微软在预训练阶段的多任务学习等等，但是这些优化并没有把bert致命缺点进行改进。xlnet作为bert的升级模型，主要在以下三个方面进行了优化

• 采用AR模型替代AE模型，解决mask带来的负面影响
• 双流注意力机制
• 引入transformer-xl

在下文中，我将会为大家详细介绍这三个优化点

AR与AE语言模型

目前主流的nlp预训练模型包括两类 autoregressive (AR) language model 与autoencoding (AE) language model，AR模型的主要任务在于评估语料的概率分布，例如，给定一个序列$X=(x_1,...,x_T)$，AR模型就是在计算其极大似然估计$p(X)={\prod }_{t=1}^{T}p(x_t|x_{<t})$即已知$x_t$之前的序列，预测$x_t$的值，当然也可以反着来$p(X)={\prod }_{t=1}^{T}p(x_t|x_{>t})$即已知$x_t$之后的序列，预测$x_t$的值，看完之后相信你也能发现AR模型的缺点，没错该模型是单向的，我们更希望的是根据上下文来预测目标，而不单是上文或者下文，之前open AI提出的GPT就是采用的AR模式，包括GPT2.0也是该模式，那么为什么open ai头要这么铁坚持采用单向模型呢，看完下文你就知道了。

AE模型采用的就是以上下文的方式，最典型的成功案例就是bert。我们简单回顾下bert的预训练阶段，预训练包括了两个任务，Masked Language Model与Next Sentence Prediction，Next Sentence Prediction即判断两个序列的推断关系，Masked Language Model采用了一个标志位[MASK]来随机替换一些词，再用[MASK]的上下文来预测[MASK]的真实值，bert的最大问题也是处在这个MASK的点，因为在微调阶段，没有MASK这就导致预训练和微调数据的不统一，从而引入了一些人为误差，我觉得这应该就是为什么GPT坚持采用AR模型的原因。

在xlnet中，最终还是采用了AR模型，但是怎么解决这个上下文的问题呢，这就是本文的一个重点。

排列语言模型

为了解决上文提到的问题，作者提出了排列语言模型，该模型不再对传统的AR模型的序列的值按顺序进行建模，而是最大化所有可能的序列的因式分解顺序的期望对数似然，这句话可能有点不好理解，我们以一个例子来详细说明，假如我们有一个序列[1,2,3,4]，如果我们的预测目标是3，对于传统的AR模型来说，结果是$p(3)={\prod }_{t=1}^{3}p(3|x_{<t})$，如果采用本文的方法，先对该序列进行因式分解，最终会有24种排列方式，下图是其中可能的四种情况，对于第一种情况因为3的左边没有其他的值，所以该情况无需做对应的计算，第二种情况3的左边还包括了2与4，所以得到的结果是$p(3)=p(3|2)\ast p(3|2,4)$，后续的情况类似，聪明的你一定发现了，这样处理过后不但保留了序列的上下文信息，也避免了采用mask标记位，巧妙的改进了bert与传统AR模型的缺点。

基于目标感知表征的双流自注意力

虽然排列语言模型能满足目前的目标，但是对于普通的transformer结构来说是存在一定的问题的，为什么这么说呢，看个例子，假设我们要求这样的一个对数似然，$p_{\theta }(X_{z_t}|x_{z_{<t}})$，如果采用标准的softmax的话，那么

$$p_{\theta }(X_{z_t}|x_{z_{<t}})=\frac{exp(e(x{)}^T{h}_{\theta }(x_{z_{<t}}))}{{\sum }_{x^{\prime }}exp(e(x^{\prime }{)}^T{h}_{\theta }(x_{z_{<t}}))}$$

其中$h_{\theta }(x_{z_{<t}})$表示的是添加了mask后的transformer的输出值，可以发现$h_{\theta }(x_{z_{<t}})$并不依赖于其要预测的内容的位置信息，因为无论预测目标的位置在哪里，因式分解后得到的所有情况都是一样的，并且transformer的权重对于不同的情况是一样的，因此无论目标位置怎么变都能得到相同的分布结果，如下图所示，假如我们的序列index表示为[1,2,3]，对于目标2与3来说，其因式分解后的结果是一样的，那么经过transformer之后得到的结果肯定也是一样的。

这就导致模型没法得到正确的表述，为了解决这个问题，论文中提出来新的分布计算方法，来实现目标位置感知

$$p_{\theta }(X_{z_t}=x|x_{z_{<t}})=\frac{exp(e(x{)}^T{g}_{\theta }(x_{z_{<t}}，z_t))}{{\sum }_{x^{\prime }}exp(e(x^{\prime }{)}^T{g}_{\theta }(x_{z_{<t}}，z_t))}$$

其中$g_{\theta }(x_{z_{<t}}，z_t)$是新的表示形式，并且把位置信息$z_t$作为了其输入。

接下来我们就详细来讲解下这个新的表示形式，论文把该方法称为Two-Stream Self-Attention，双流自注意力，该机制需要解决了两个问题

• 如果目标是预测$x_{z_t}，g_{\theta }(x_{z_{<t}}，z_t)$那么只能有其位置信息$z_t$而不能包含内容信息$x_{z_t}$
• 如果目标是预测其他tokens即 $x_{z_j}，j>t$，那么应该包含$x_{z_t}$的内容信息这样才有完整的上下文信息

很显然传统的transformer并不满足这样的需求，因此作者采用了两种表述来代替原来的表述，这也是为什么称为双流的原因，我们看下这两种不同的表述

• content representation内容表述，即$h_{\theta }(x_{z_{\le t}})$，下文用$h_{z_t}$表示，该表述和传统的transformer一样，同时编码了上下文和$x_{z_t}$自身

$$h_{z_t}^{(m)}=Attention(Q=h_{z_t}^{(m-1)},KV=h_{z\le t}^{(m-1)};\theta )$$

• query representation查询表述，即$g_{\theta }(x_{z_{<t}}，z_t)$，下文用$g_{z_t}$表示，该表述包含上下文的内容信息$x_{z_{<t}}$和目标的位置信息$z_t$，但是不包括目标的内容信息$x_{z_t}$，从图中可以看到，K与V的计算并没有包括Q，自然也就无法获取到目标的内容信息，但是目标的位置信息在计算Q的时候保留了下来，

$$g_{z_t}^{(m)}=Attention(Q=g_{z_t}^{(m-1)},KV=h_{z<t}^{(m-1)};\theta )$$

最后我们看下总的计算过程，首先，第一层的查询流是随机初始化了一个向量即$g_i^{(0)}=w$，内容流是采用的词向量即$h_i^{(0)}=e(x_i)$，self-attention的计算过程中两个流的网络权重是共享的，最后在微调阶段，只需要简单的把query stream移除，只采用content stream即可。

集成Transformer-XL

除了上文提到的优化点，作者还将transformer-xl的两个最重要的技术点应用了进来，即相对位置编码与片段循环机制。我们先看下片段循环机制。

片段循环机制

transformer-xl的提出主要是为了解决超长序列的依赖问题，对于普通的transformer由于有一个最长序列的超参数控制其长度，对于特别长的序列就会导致丢失一些信息，transformer-xl就能解决这个问题。我们看个例子，假设我们有一个长度为1000的序列，如果我们设置transformer的最大序列长度是100，那么这个1000长度的序列需要计算十次，并且每一次的计算都没法考虑到每一个段之间的关系，如果采用transformer-xl，首先取第一个段进行计算，然后把得到的结果的隐藏层的值进行缓存，第二个段计算的过程中，把缓存的值拼接起来再进行计算。该机制不但能保留长依赖关系还能加快训练，因为每一个前置片段都保留了下来，不需要再重新计算，在transformer-xl的论文中，经过试验其速度比transformer快了1800倍。

在xlnet中引入片段循环机制其实也很简单，只需要在计算KV的时候做简单的修改，其中${\tilde{h}}^{(m-1)}$表示的是缓存值。

$$h_{z_t}^{(m)}=Attention(Q=h_{z_t}^{(m-1)},KV=[{\tilde{h}}^{(m-1)},h_{z\le t}^{(m-1)}];\theta )$$

相对位置编码

bert的position embedding采用的是绝对位置编码，但是绝对位置编码在transformer-xl中有一个致命的问题，因为没法区分到底是哪一个片段里的，这就导致了一些位置信息的损失，这里被替换为了transformer-xl中的相对位置编码。假设给定一对位置$i$与$j$，如果$i$和$j$是同一个片段里的那么我们令这个片段编码$s_{ij}=s_{+}$，如果不在一个片段里则令这个片段编码为$s_{ij}=s_{-}$，这个值是在训练的过程中得到的，也是用来计算attention weight时候用到的，在传统的transformer中attention weight = $softmax(\frac{Q\cdot K}{d}V)$，在引入相对位置编码后，首先要计算出$a_{ij}=(q_i+b{)}^T{s}_{sj}$，其中$b$也是一个需要训练得到的偏执量，最后把得到的$a_{ij}$与传统的transformer的weight相加从而得到最终的attention weight。

预训练

预训练阶段和bert差不多，不过去除了Next Sentence Prediction，作者发现该任务对结果的提升并没有太大的影响。输入的值还是 [A, SEP, B, SEP, CLS]的模式，A与B代表的是两个不同的片段。

总结

在作者的实验中发现，xlnet更多还是在长文本的阅读理解类的任务上提升更明显一些，这也很符合上文中介绍的这些优化点，在实际工业场景中，机器翻译、本文摘要类的任务应该会有更好的效果，当然在其他的文本分类、自然语言推理等任务上xlnet也有一定的效果提升。

nlp领域的模型目前已经完全采用了pretrain+fine tuning的模式，GPT2.0的单向模式在增大训练语料的情况下效果就已经超越了bert，可想而知该领域的研究还有很大的上升空间，未来nlp模型到底还会有哪些突破呢，那就让我们拭目以待吧。

最后给一下官方的源码，目前仅有英文的预训练模型，中文版本作者表示正在考虑，希望能尽快提供出来，我只想做个白嫖怪啊~~~~

参考文献

XLNet: Generalized Autoregressive Pretraining for Language Understanding