Transformer-XL: Attentive Language Models Beyond a Fixed-Length Context_学习笔记

Transformer-XL学习笔记

一、Transformer-XL出现的原因

首先说明Transformer的变形版本Transformer-XL出现的原因：
transformer作为一种特提取器，在NLP中有广泛的应用，但是transformer需要对输入的序列设置固定的长度，例如在Bert中，默认设置长度为512，若文本序列长度小于固定长度，可以通过填充0的方式补充序列；若文本序列长度大于固定长度，则会采用不同的处理方式。一种是：在处理时将文本划分为多个segments，训练模型时将对每个segment单独处理，segment之间没有联系（如图1a）。
这样导致的问题是：(1) segment之间独立训练，不同的token之间，最长的依赖关系取决于segment的长度；(2) 由于考虑到效率，在划分segments时，不考虑句子的自然边界，而是根据固定的长度来划分序列，导致分割出来的segments在语义上不是完整的。

如图1(a) 所示，对于所有的文本序列，我们都可以将其以4作为长度划分成无数的segments，对于每一个segments都可以独立做attention。那么导致的问题是，若x₄与x₅在文本序列中，语义是连贯的，在划分过后，就会导致训练时连贯的语义被切割。
对此提出的稍微改进是图1(b)部分，在模型预测时，会对固定长度的segment做计算，一般取最后一个位置的隐向量作为输出，为了充分利用上下文关系，在每做完一次预测之后，就对整个序列向右移动一个位置，在做一次计算。每一次的移动步长为1，滑动窗口大小为4，每一步学习的过程中都可以将前三步的信息考虑在内。但缺点是：并没有从根本上改变连贯语义被分割的问题；同时模型计算量巨大。

二、Segment-Level Recurrence（片段级递归机制）

为了解决上面提到的问题，在Transformer的基础上，Transformer-XL提出了一个改进是在对当前segment进行处理时，缓存并利用上一个segment中所有的layer的隐向量序列，而且上一个segment的所有隐向量序列只参与前向计算，不再进行反向传播，这就是所谓的Segment-Level Recurrence

在上面的描述中只保存了一个segment，实际操作过程中，可以保存尽可能多的segments，只要内存或者显存放得下，在论文中作者训练时只缓存了一个segment，在进行预测时，会缓存多个segments。

Transformer本身可以设置multi-heads，将两个连续的segments表示为s_τ=[x_τ,1，x_τ,2，……，x_τ,L]，s_τ+1=[x_τ+1,1，x_τ+1,2，……，x_τ+1,L]，L表示序列长度。在整个模型中，包含N层Transformer，那么每一个segment中就有N组长度为L的隐向量序列，将第τ个segment的第n层隐向量序列表示为h_τⁿ∈R^L×d，d是隐向量的维度。那么第τ+1个segment的第n层隐向量序列可以通过上述的计算公式得出，SG表示Stop-gradient，不再对s_τ的隐向量做反向传播。

三、Relative Positional Encodings（相对位置编码）

在实现片段级递归时遇到一个问题：如果采用绝对位置编码，不同片段的位置编码是一样的，这很显然是不对的。公式如下：

E_Sτ表示片段S_τ的词向量，U_1:L表示绝对位置向量，可以看出两个片段之间所用到的位置向量是一样的，如果一个词出现在两个片段中x_τ,j、x_τ+1,j，按照绝对位置编码方式，他们的表示向量是一样的，难以区分。论文引入相对位置编码机制，计算self-attention公式如下：

1. 引入相对位置编码，用的是Transformer中的sinusoid encoding matrix，不需要模型自己学习；
2. μ和ν是需要学习的参数，计算self-attention时，由于query所有位置对应的query向量是一样的，因此不管query的位置如何，对不同单词的attention偏差应保持相同。
3. W_k,E、W_k,R也是需要学习的参数，分别产生基于内容的key向量和基于位置的key向量

最后经过Masked-Softmax、Layer-Normalization、Positionwise-Feed-Forward得最终的预测结果。

四、结论

Transformer-XL从提高语言模型的长距离依赖建模能力出发，提出了片段级递归机制，设计了更好的相对位置编码机制，对长文本的编码更有效。不仅如此，在评估阶段速度更快，很巧妙。在此基础上，XLNet从无监督预训练方法出发，对比自回归语言模型和自编码语言模型的优缺点，设计出了排队语言模型，在自然语言处理下游任务中大放异彩。预训练语言模型属于自监督学习的范畴，这两篇论文从语言模型的根本问题出发（建模长距离依赖/更好地编码上下文），提出一个主要方法（片段级递归机制/排列语言模型），在实现过程中发现需要重新设计子模块（相对位置编码/双流注意力机制），最后完成significant work，使得设计的任务很有说服力，理论性强。