NLP预训练模型1 -- 综述

系列文章，请多关注
NLP预训练模型1 – 综述
NLP预训练模型2 – BERT详解和源码分析
NLP预训练模型3 – 预训练任务优化（ERNIE、SpanBERT）
NLP预训练模型4 – 训练方法优化（RoBERTa、T5）
NLP预训练模型5 – 模型结构优化（XLNet、ALBERT、ELECTRA）
NLP预训练模型6 – 模型轻量化（ALBERT、Q8BERT、DistillBERT、TinyBERT等）
Transformer家族1 – Transformer详解和源码分析

1 为什么需要预训练模型

复旦大学邱锡鹏教授发表了一篇NLP预训练模型综述，“Pre-trained Models for Natural Language Processing: A Survey”，从多个角度分析了当前预训练语言模型。本文基于这篇文章来分析。邱老师认为预训练模型有三大优势

1. 预训练模型从大规模语料中学习知识，对下游任务帮助很大
2. 预训练提供了一种更好的参数初始化方式，使得在目标任务上泛化能力更好，收敛速度更快
3. 预训练可以认为是一种正则化手段，可以防止模型在小数据集上过拟合。

2 预训练简史

预训练语言模型到目前分为两个阶段

1. 预训练word embeddings。这个阶段只训练词向量，而且是静态的，是一种feature-base方式。典型例子为word2vec, glove。利用词向量进行token embedding，然后送入模型中。模型设计百花齐放，但主要以LSTM为主。
2. 预训练上下文编码器。这个阶段基于上下文动态学习embedding和encoding。典型例子为ELMO、GPT、BERT。

3 预训练任务

目前大部分都是基于自监督学习来构建的，又分为基于上下文学习和对比学习两类。

3.1 上下文学习

语言模型LM

语言模型一般指的是自回归语言模型，由上文利用最大似然估计，来预测下文。典型代表就是GPT

掩码语言模型 MLM

类似于完形填空，先在原始语句中mask一部分token，然后predict他们。BERT中采用的就是这种方式。这种方法有两个比较大的问题

1. pretrain阶段人为引入了mask，但fine-tune阶段不存在mask，导致两阶段不一致。为了减缓这个影响，BERT提出了三种mask方式，替换为[mask]、替换为其他token、保持不变，三者比例为80%、10%、10%。
2. 不同于LM，MLM每次只能对mask位置的token进行predict，大大降低了训练效率和模型收敛速度，使得训练更耗时。

在seq2seq结构中，也有人尝试使用了MLM，也就是Seq2Seq MLM。在该结构中，encoder中的语句加入了mask，而在decoder中则需要生成这些mask。Seq2Seq MLM特别适合在生成任务中使用，比如摘要、翻译、问答等。MASS和T5中就是用了这种方法。

针对MLM预训练任务，很多文章进行了不同角度的优化，主要包括

1. SpanBERT以span masking的方式，对连续token进行mask。从而可以学到span级别的信息。
2. Roberta采用了dynamic masking动态掩码，将语料复制为10份，每一份一种随机mask，从而加入了一定的信息增益。
3. ERNIE(baidu)对实体和短语进行mask，从而使模型学到了实体和短语知识，也可以认为是一种引入外部知识的方式。
4. StructBERT在span内打乱了token顺序，然后进行重构。提升了任务难度，并整合了语言结构。
5. XLM构建了两个不同语言的基于机器翻译语料的sequence，在它的基础上进行MLM，从而提升了模型多语言理解能力。

排列语言模型 PLM

针对于BERT预训练和精调两阶段不一致的问题，XLNet提出了排列语言模型，从而将auto-encoder转变为了auto-regression。利用attention-mask和双流自注意力来实现。

去噪自编码器 Denoising Autoencoder (DAE)

MLM就是一种DAE。向原始语料中添加噪声，利用这些包含噪声的语料，来重构不含噪声的输入。添加噪声的方法主要有：mask token、删除token、填充文本、句子排列、文本换位。

3.2 对比学习 Contrastive Learning (CTL)

CTL的思想是 “learning by comparison”, 它假定观测文本比随机采样的文本，语义更加相似。一般CTL任务比MLM简单一些，需要的算力也更少。

Replaced Token Detection (RTD)

ELECTRA提出了这个任务，判断sequence中每个token是否和原始token一致。它是一个二分类任务，label为replaced和original。通过这种方式，使得每个token都可以参与到prediction中，大大加快了模型收敛速度。

Next Sentence Prediction (NSP)

BERT提出了这个任务，正样本为来自同一文档的两个连续语句，负样本为不同文档的两个语句。NSP的初衷是让模型学习到sentence level的信息，对NLI等句子关系判断的任务有帮助。但目前基本认为NSP反而会有副作用，主要原因为

1. NSP的负样本来自不同文档，差异过大，任务过于简单，导致模型参数训练不充分。
2. NSP将两句话构成一个pair，会减小单个语句的长度。而越长的语句，信息量越大，可以提升模型效果
3. NSP的负样本来自不同文档，利用不同文档的语句来预测MLM，容易给MLM带来较大的噪声。

Sentence Order Prediction (SOP)

ALBERT提出了这个任务，语句顺序预测。一个pair的两个文本，不论正负样本，都来自同一文档。正样本为AB，负样本为BA。模型需要预测语句顺序。这个方法克服了MLM噪声引入问题，也使得模型从基于NSP的主题预测变为了基于SOP的语句关系预测，大大增加了任务难度，从而使模型参数训练更充分。

4 预训练模型分类

根据是否基于上下文、模型架构、预训练任务、扩展方法分为四大类。如上所示。

1. 是否基于上下文：第一代不基于上下文，是静态的word embedding。如word2vec、glove。第二代之后的基本就都是基于上下文的了
2. 模型架构：分为LSTM、Transformer encoder、Transformer decoder、Transformer。
3. 预训练任务：上文详细分析了
4. 扩展方法。比如知识增强、多语言、特定语言、多模态、特定领域、模型轻量化等。

比较有代表性的一些模型如下表

5 总结

本系列针对预训练语言模型和优化方法进行深入分析，并介绍一些有代表性的模型，以加深理解。主要如下

1. NLP预训练模型1 – 综述 。以邱锡鹏老师的文章，分析为什么使用预训练模型，预训练模型如何分类等。
2. NLP预训练模型2 – BERT详解和源码分析。最重要的一个预训练模型，没有之一。我们从模型架构、源码解析、实验结果三个维度详细的分析。BERT也是我们理解其他模型的重中之重，其他基本都是围绕它来进行优化的。对BERT的源码也要有深入的研究，这样才能对细节体会更深。
3. NLP预训练模型3 – 预训练任务优化（ERNIE、SpanBERT）。预训练任务的优化可以带来模型效果的极大提升，这一块集结了众多优化模型和论文，所以我们最先分析。
4. NLP预训练模型4 – 训练方法优化（RoBERTa、T5）。增加数据语料，优化模型超参，也能带来较大的效果提升。这一块的玩家基本都是不缺钱的大金主，因为要做很多对比实验，都是需要极大算力支持的。我们也带来了两个大力出奇迹的模型，RoBERTa和T5
5. NLP预训练模型5 – 模型结构优化（XLNet、ALBERT、ELECTRA）。优化模型结构相对来说比较fancy和有创新性，也比较容易发文章，也能带来极大的performance提升和算力需求降低。我们带来了三个创造力十足的模型，XLNet、ALBERT、ELECTRA
6. NLP预训练模型6 – 模型轻量化（ALBERT、Q8BERT、DistillBERT、TinyBERT等）。模型压缩和加速，始终是工业界落地中的关键话题。我们从结构优化、量化、剪枝、蒸馏四个角度来分析，如何对BERT进行轻量化。带来了四个经典模型，ALBERT、Q8BERT、DistillBERT、TinyBERT

系列文章，请多关注
NLP预训练模型1 – 综述
NLP预训练模型2 – BERT详解和源码分析
NLP预训练模型3 – 预训练任务优化（ERNIE、SpanBERT）
NLP预训练模型4 – 训练方法优化（RoBERTa、T5）
NLP预训练模型5 – 模型结构优化（XLNet、ALBERT、ELECTRA）
NLP预训练模型6 – 模型轻量化（ALBERT、Q8BERT、DistillBERT、TinyBERT等）
Transformer家族1 – Transformer详解和源码分析