复述（paraphrasing）：一种简单暴力的预训练方式

论文标题：

Pre-training via Paraphrasing

论文作者：

Mike Lewis, Marjan Ghazvininejad, Gargi Ghosh, Armen Aghajanyan, Sida Wang, Luke Zettlemoyer

论文链接：

https://arxiv.org/pdf/2006.15020.pdf

---

简介

回顾过去两年的自然语言处理发展史，不难发现，自监督预训练是最闪耀的那颗明星。

预训练就是不使用标注文本，只使用原始的文本语料，通过掩码预测（Masked Prediction）的方式，让模型在给定上下文的条件下，预测文本中空缺的词。

这种预训练方式也是使用最为广泛、研究最多的一类。

但是，掩码预测也有其固有缺陷。总的来说有两点：

（1）掩码预测不适用序列到序列的文本生成任务，这是预训练阶段和微调阶段的训练目标不同导致的；

（2）掩码预测难以直接扩展到多语语料中。

基于以上掩码预测的不足，许多工作都着力于设计专有的预训练方式，针对不同的使用场景，如文本生成如何预训练、多语如何预训练等等。

本文基于上述背景，提出一种简单暴力但十分有效的多语、文档级的通用预训练模型——MARGE（Multilingual Autoencoder that Retrieves and GEnerates）。MARGE的核心是“复述”。

所谓复述，就是一句话用另外一句话表达出相同的意思。MARGE的核心思想在于：不设计复杂的预训练目标，只通过简单的序列到序列的生成让模型自动学习文本信息，并且可以直接作用于文本生成和多语任务。

下图是本文所提出模型MARGE的训练示意图。总的来说，MARGE的训练过程很简单，第一步是对目前文档x，使用一个提取模型从语料库中提取若干相关文档z，每个相关文档和目标文档都有一个相关性得分。

第二步是基于所有提取的相关文档和它们的相关性得分，使用一个重构模型，恢复目标文档x。整个流程简单粗暴，但又行之有效。

总的来说，本文贡献如下：

• 提出MARGE——一个多语、文档级的通用预训练模型，避免设计繁琐的预训练目标；

• 表明文档级别的预训练可行且有很大的发展空间；

• 在复述、翻译、文档摘要、信息抽取等任务上MARGE取得显著的效果提升。

MARGE：通过复述实现多语文档预训练

MARGE仍然分为预训练和微调两个阶段，微调即是在预训练的模型上直接按照下游任务的要求进行训练。下面来介绍预训练的做法。

文档相关性得分

由于MARGE涉及到两个文档之间的相关性，所以先来介绍如何计算文档相关性得分。本文使用一个共享的编码器g计算两篇文档的余弦，把余弦值作为它们的相关性，即：

需要注意的是，这里的g是重构模型的一部分，是取的重构模型编码器的前四层。

重构模型

假设现在我们已经有M个相关文档z1,z2,...,zM，和它们与目标文档x之间的相关性得分了，重构模型做的就是基于相关文档和相关性得分，重构目标文档，即优化下式：

注意到前面对i的求和，这是因为模型的训练是以批量进行的。假设一个batch内有N个目标文档，有M个相关文档，那么对每个目标文档x，它们的相关文档都是这M个，并不是说不同的目标文档有不同的相关文档。这一点将在下面阐述。

由于相关性得分是一个标量，如何引入到Transformer中是一个问题。本文提出把它加到自注意力计算中，即：

笔者的理解是，对于重构模型，首先取它的编码器的前4层，分别编码每个相关文档，得到M个特征，然后把这M个特征拼接起来，和目标文档的特征做余弦操作，就得到一个M维向量，之后通过上式，在对应的位置做广播加上对应的相关性得分即可。

提取模型

前面说到，模型的训练是以批量为单位进行的，每一个batch内有N个目标文档和M个相关文档，每个目标文档的相关文档都是一样的。那么，如何构造batch就是一个很关键的问题。

总的来说，处理流程是：（1）把所有数据分成若干片段（shard）；（2）在每个片段内使用相关性得分模型计算任意一对文档之间的得分，取其中大于一个阈值的文档对，即认为它们之间存在较强的关联，反复进行上述操作；（3）最后的batch需要最大化目标文档和相关文档之间的关联。

具体来说，步骤如下：

• 片段切分：对不同的数据使用不同的切分方法。比如对新闻数据，如果新闻发布在同一日期，那么它们在同一个片段。对维基百科，一共分为1000个片段，同一篇文档的不同版本语言属于同一个片段，否则随机划入片段。

• 文档相似度：对同一个片段内的所有文档，计算它们的相似度得分。

• 索引：在模型训练的每10k步，随机采样若干片段，然后计算它们的文档相似度。

• 阈值：阈值决定了目标文档和哪些相关文档相关，这通过选取片段内的top-K个最相关的文档对决定。

• 批量化：在有上述定义之后，现在可以进行批量化处理。注意到阈值处理后，我们实际上得到了一个二部图，分别代表目标文档和相关文档以及它们之间的连线，而一个batch就是它的一个子图：使用最小局部搜索找到图中的权值和的最大值。

总结一下，得到batch的过程如下：原始数据——片段切分——索引——文档相似度——阈值——批量化。

实验

实验设置

重构模型的编码器是12层的Transformer，解码器和编码器相似，只是前向层的维度是16536，从而得到了一个参数量为960M的模型。编码器的前4层用于计算相似度。

预训练数据有CC-NEWS和Wikipedia，合计206G，一共有26种语言。在微调的时候，直接根据下游任务进行。

下表是MARGE和若干基线模型在模型大小、语言数、预训练任务和数据量的比较。

第一个任务是跨语言句子抽取，该任务需要模型从若干语言的句子中选取正确的翻译句子。测评数据集是BUCC2018和Tatoeba，直接测评预训练模型，没有进行微调。结果如下表3。可以看到，MARGE大幅度超过基线模型。

第二个任务是文档级机器翻译，这要求模型能够在文档级别的句子上完成自动翻译。这是一个有监督任务，即模型在平行语料上进一步微调。上表4是结果。可以看到，MARGE和mBART表现差不多，都好于其他模型。

第三个任务是无监督文档机器翻译，该任务直接在预训练模型上测评而不进行微调。下表是结果。可以看到，不同语言的结果差别很大，这是由语言之间的数据量差异和语言特性导致的。

第四个任务是文本摘要，模型需要对给定的文本进行摘要。数据集是MLSum，同样测试无监督和有监督两个任务。下表是结果。可以看到，有监督效果比无监督效果好，而仅在新闻语料上预训练的模型（MARGE-NEWS）比在所有语料上预训练的模型（MARGE）表现好，它们都显著好于mBART，体现了MARGE在文本生成上的优势。

第五个任务和第六个任务分别是问答和复述，二者都采用跨语言，即微调的语言是英语，测评的语言为非英语。下表是二者的结果。在MLQA和PAWS-X上，MARGE和最佳模型XLM-R效果差不多，而用了更少的预训练语料（XLM-R用了2394G，MARGE用了206G）。

以上的实验表明，MARGE在机器翻译、文本摘要、句子抽取等任务上表现很好，尤其是在无监督、跨语言的设置下效果更佳显著，这体现了MARGE预训练方法是有效的。

小结

本文提出MARGE——一个简单粗暴有效的多语言、文档级的通用预训练模型。MARGE采用抽取-重构式预训练，直接使用一个序列到序列模型完成“复述”。在文本摘要、机器翻译、句子抽取等任务上，MARGE可以取得显著的效果提升，尤其是在多语言、无监督场景下，MARGE的优势尤其显著，这表明序列到序列的预训练模式是值得关注的。

MARGE的重构部分没有问题，但在抽取部分，即形成batch的时候会引入不少噪声（想一想，为什么？），如何减少噪声，甚至形成完全的端到端模型，读者可以自行思考给出可能的解决方案。

????

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。