AAAI 2019 Gaussian Transformer 一种自然语言推理方法

自然语言推理 (Natural Language Inference, NLI) 是一个活跃的研究领域，许多基于循环神经网络(RNNs)，卷积神经网络(CNNs)，self-attention 网络 (SANs) 的模型为此提出。尽管这些模型取得了不错的表现，但是基于 RNNs 的模型难以并行训练，基于 CNNs 的模型需要耗费大量的参数，基于 self-attention 的模型弱于捕获文本中的局部依赖。为了克服这个问题，我们向 self-attention 机制中引入高斯先验 (Gaussian prior) 来更好的建模句子的局部结构。接着，我们为 NLI 任务提出了一个高效的、不依赖循环或卷积的网络结构，名为 Gaussian Transformer。它由用于建模局部和全局依赖的编码模块，用于收集多步推理的高阶交互模块，以及一个参数轻量的对比模块组成。实验结果表明，我们的模型在SNLI 和 MultiNLI 数据集上取得了当时最高的成绩，同时大大减少了参数数量和训练时间。此外，在 HardNLI 数据集上的实验表明我们的方法较少受到标注的人工痕迹(Annotation artifacts) 影响。

1 引言

1.1 任务简介

自然语言推理 (Natural Language Inference, NLI) ，又叫文本蕴含识别 (Recognizing Textual Entailment, RTE)， 研究的是文本间的语义推理关系， 具体来讲， 就是识别两句话之间的蕴含关系，例如，蕴含、矛盾、中性。形式上是，NLI 是一个本文对分类问题。

1.2 动机

这里简要介绍一下我们提出 Gaussian Self-attention 的动机。我们观察到，在句子中，与当前词的语义关联比较大的词往往出现在这个单词的周围， 但是普通的 Self-attention， 并没有有效地体现这一点。如图1所示，在句子 ”I bought a newbookyesterday with a new friend in New York. ” 中，共出现了三个 ”new”，但对于当前词 book 来说，只有第一个new 才是有意义的。但是普通的 self-attention(在不使用 position-encoding 的情况下)，却给这三个 ”new” 分配了同样大小的权重，如图1(a)所示。我们的想法是，应当鼓励 self-attention 给邻近的词更大的权重，为此，我们 在原始的权重上乘以一个按临近位置分布的高斯先验概率，如图 1(b)，改变 self-attention 的权重分布，如图 1(c)，从而更加有效地建模句子的局部结构。

图 1. Gaussian self-attention 示例

事实上，RNNs 和 CNNs 能够自然而然地赋予临近的单词更大的权重，例如，RNNs 会倾向忘记远处的单词，CNNs 会忽略所有不在当前窗口内的单词。在这篇文章中，我们把 Gaussian self-attention 应用到了 Transformer 网络上， 并在自然语言推理 (Natural language Inference)这一任务上进行了验证，实验表明我们所提出的基于 Gaussian self-attention 的 Gaussian Transformer 效果优于许多较强的基线方法。同时，该方法也保留了原始 Transformer 的并行训练，参数较少的优点。

2 模型简介

在实现上， 我们可以通过一系列化简 (具体细节请参看我们的论文原文)， 把 Gaussian self-attention 转化为 Transformer 中的一次矩阵加法操作， 如图 2 所示， 从而节省了运算量。 此外，我们发现，与使用原始的 Gaussian 分布作为先验概率相比，适当的抑制到单词自身的 attention可以对最终的实验结果有少许的提升，如图 3(b) 所示。

图 2. Attention 示例: (a) 原始的 dot-product attention；(b)&(c) Gaussian self-attention 的两种实现

图 3. 先验概率示例: (a) 原始的 Gaussian prior；(b) 抑制到自身的 Gaussian prior 变种

图 4 展示了我们模型的整体框架。 如图所示， 模型自底向上大致分为四个部分：Embedding模块、编码 (Encoding) 模块、交互 (Interaction) 模块和对比 (Comparison) 模块。

图 4. Gaussian Transformer 整体框架

Embedding 模块的作用是把自然语言文本转化为机器方便处理的向量化表示， 我们使用了单词和字符级别的 Embedding，以及 Positional Encoding。

Encoding 模块与原始的 Transformer 的 Encoder 非常类似，只是我们增加了前文引入的 Gaussian self-attention 以便更好的建模句子的局部结构。 但事实上， 句子中也存在长距离依赖， 仅仅建模句子的局部结构是不够的。为了捕获句子的全局信息，我们堆叠了 M 个 Encoding 模块。这种方式类似于多层的 CNNs 网络，层数较高的卷积层的 receptive field 要大于底层的卷积。

Interaction 模块用于捕获两个句子的交互信息。 这一部分与原始的 Transformer 的 Decoder 部分类似， 区别是我们去掉了 Positional Mask 和解码的部分。 通过堆叠 N 个 Interaction 模块，我们可以捕获高阶交互的信息。

Comparison 模块主要负责对比两个句子，分别从句子的 Encoding 和 Interaction 两个角度对比，这里我们没有使用以前模型中的复杂结构，从而节省了大量的参数。

3 实验与分析

3.1 实验结果

首先，我们验证各个模块的有效性，如图 5 所示，采用多层的 Encoding 模块和多层的 Interaction 模块的效果要优于使用单层的模型，证明了前面所提到的全局信息和高阶交互的有效性。其次，我们想要验证一下 Gaussian prior 的有效性。如表 1 所示，我们发现 Gaussian prior 及其变种的性能要优于其他诸如 Zipf prior 等方法，也要优于原始的 Transformer。最后， 我们在 SNLI、MultiNLI 和 HardNLI 的测试集上与其他前人的方法进行了横向比较。如表 2、 3、4、5 和 6 所示，我们的方法在 Accuracy、模型参数量、训练与预测一轮同样的数据的时间上都优于基线方法。

图 5. MultiNLI 开发集上的 Accuracy 热图。

表1.MultiNLI 开发集上各 Gaussian transformer 变种的 Accuracy

表2.SNLI 测试集上 Gaussian Transformer 与其他模型的横向比较

表3.MultiNLI 测试集上 Gaussian Transformer 与其他模型的横向比较

表4.在 SNLI 数据集上训练或预测一轮所需的时间对比

表5.当引入外部资源时，各个模型的性能比较

表6.HardNLI 上的对比结果

3.2 分析

Q:原始的 Transformer 中已经有了 Positional encoding，已经能够捕获单词的位置信息，为什么还要用 Gaussian Prior ？

A:Positional Encoding 仅仅使模型具有了感知单词位置的能力；而 Gaussian Prior 告诉模型哪些单词更重要，即对于当前单词来说，临近的单词比遥远的单词更重要，这一先验来自于人的观察。

Q:为什么 Gaussian Transformer 在时间和参数量上优于其他的方法？

A:Gaussian Transformer 没有循环和卷积结构，从而能够并行计算，同时我们在设计模型时，尽量保持模型简化，摒弃了以往方法中的复杂结构 (例如，在 Comparison block 中的简化)，使我们的模型更加轻量。

4 结论

针对自然语言推理任务的前人工作的不足，我们提出了基于 Gaussian self-attention 的 Gaussian Transformer 模型。实验表明所提出的模型在若干自然语言推理任务上取得了State-of-the-Art的实验结果。