微软在EMNLP2020上发表最新工作

来自：NLPCAB

句子表示在很多任务中都是重要的一环。尤其是在大数据量的场景下，很多场景都需要召回+排序两个步骤，如果第一个环节没有召回候选结果，那最后的排序模型再怎么优秀也没法给出正确答案。

今天就给大家介绍一个微软在EMNLP2020上发表的最新工作，利用transformer生成更高质量的句子编码。

虽然BERT式模型的出现解决了很多判别问题，但直接用无监督语料训练出的BERT做句子表示并不理想：

如果只取CLS，这个表示是针对NSP进行优化的，表示的信息有限

如果取平均或最大池化，可能会把无用信息计算进来，增加噪声

所以作者的改进目的是设计一个下游任务，直接优化得到的句子embedding。

那怎么设计目标才能充分利用无监督数据呢？

作者给出了一个巧妙的方法，就是用周边其他句子的表示预测当前句子的token。

具体的做法是：先利用Transformer抽取句子表示，再对句子表示进行attention，选取相关的句子预测当前token。有点Hierarchical Attention的意思。

比如在预测上图中最后一句的黄蓝两个token时，明显第一句的信息就够用了，那目标函数的设置会让第一句的权重变大，也会让抽取出的句子表示去包含这些信息。

接下来详细介绍一下预训练和精调的步骤，以及作者加入的其他tricks。

Cross-Thought模型

预训练

下图是预训练的模型结构，计算的步骤是：

将段落按顺序拆成独立短句，通过12层Transformer（蓝色半透明的矩形）分别进行编码。在实际的预训练中，每个sample包含500个长度为64的短句，batch size是128（16张V100）

取出 ... 等special token的输出（大红点）作为句子表示

把每列句子表示作为一个序列输入到cross-sequence transformer（蓝色弧线，每一列的cross-sequence transformer参数都不同），输出attention分数加权后的新表示

将新的句子表示与第一步的token表示进行拼接，经过一层transformer，预测被mask的15%个token（每个句子都这么处理，图中只画了第一个句子的）

整体流程理解起来比较简单，作者还用了一些额外的tricks提升效果：

为了抽取更多的信息，在句子开头加入了多个占位token（之前BERT只有一个[CLS]），在实验结论中发现5个占位的表现较好（但占位token的增加会加大计算量）

占位token的位置表示是固定的，而真实token是随机从0-564中抽取连续的64个，这样可以训练更多的位置表示，方便之后对更长的序列进行编码

精调

精调主要是考虑和下游任务的衔接。作者选择了问答和句子对分类来验证模型的表现。

对于问答任务，假设答案句子的表示都已经编码好了：

输入问题，经过12层Transformer得到问题表示

利用cross-sequence transformers，对问题表示与答案表示进行计算，得到各个答案的权重 （每列都会得到一个，作者对所有列取了平均）

根据gold answer的index m，计算Ranking loss（代表第0个答案的权重）

对于句子对分类任务比较简洁，输入两个句子A和B：

分别对A和B进行编码，取出句子表示，输入cross-sequence transformers得到融合后的句子表示

将两个句子的所有表示拼接起来，得到2Nxd的矩阵（N是占位token的个数，d是表示的维度）

把第二步得到的表示flatten，得到一个长度 2Nd 的一维向量，输入到分类层

实验效果

作者在不少数据集上都验证了效果，单纯从输出句子表示的效果来看，不仅是句间关系还是问答的候选召回上都有不小的提升，尤其是召回：

除了指标对比外，作者还展示了两个无监督预训练模型的打分结果：

总结

近两年句子表示的研究越来越少了，因为句子表示经常用于句间关系判断的任务，而交互式的判别显然比双塔效果要好。所以研究者们要不在研究更轻量的句间匹配模型（比如RE2、Deformer），要不就是继续用BERT类模型做出更好的效果。但对于业界来说，句子表示在召回上的速度还是最快的，效果也比单纯的字面匹配要好。

为了充分利用无监督数据、得到更高质量的句子表示，Cross-Thought提供了一个新的预训练思路：用句子表示预测token。同时也给我们展现出了它在候选召回上的巨大潜力，添加的额外cross-sequence transformer对速度的影响也不会太大。另外，作者只使用了wiki语料进行预训练，如果有更多语料相信效果会更好。

目前源码还未放出，希望开源社区的富有大佬们早日训一个中文的Cross-Thought～

原文标题：【EMNLP2020】超越MLM，微软打造全新预训练任务

文章出处：【微信公众号：深度学习自然语言处理】欢迎添加关注！文章转载请注明出处。

责任编辑：haq