XLNet原理探究

1. 前言

XLNet原文链接是CMU与谷歌大脑提出的全新NLP模型，在20个任务上超过了BERT的表现，并在18个任务上取得了当前最佳效果，包括机器问答、自然语言推断、情感分析和文档排序。

这篇新论文中，作者从自回归（autoregressive）和自编码（autoencoding）两大范式分析了当前的预训练语言模型，并发现它们虽然各自都有优势，但也都有难以解决的困难。为此，研究者提出XLNet，并希望结合大阵营的优秀属性。

XLNet主要在以下三个方面进行了优化

采用AR模型替代AE模型，解决mask带来的负面影响。
双流注意力机制。
引入transformer-xl。

2. AR与AE的原理

2.1 AR原理

AR是自回归的模型（AutoRegressive LM），是一种使用上下文词来预测下一个词的模型。但是在这里，上下文单词被限制在两个方向，前向或后向。

AR的代表有：

传统的语言模型，根据上文预测下一个词。
ELMo扩展了语言模型，增加了双向词的预测，上文预测下一个词和下文预测上一个词，但是本质上还是AR的原理。
再到GPT是把AR发挥到极致的做法，在AR的基础上，提升预料的质量，加大训练的资源，最终训练出相当不错的效果。

AR的优点和缺点:

缺点是只能利用上文或者下文的信息，不能同时利用上文和下文的信息。当然，貌似ELMO这种双向都做，然后拼接看上去能够解决这个问题，因为融合模式过于简单，所以效果其实并不是太好。
优点是符合下游NLP任务语言环境，比如生成类NLP任务，比如文本摘要，机器翻译等，在实际生成内容的时候，就是从左向右的，自回归语言模型天然匹配这个过程。而Bert这种DAE模式，在生成类NLP任务中，就面临训练过程和应用过程不一致的问题，导致生成类的NLP任务到目前为止都做不太好。

2.2 AE原理

AE是自编码语言模型（AutoEncoder LM），它能比较自然地融入双向语言模型，同时看到被预测单词的上文和下文。

Bert通过在输入X中随机Mask掉一部分单词，然后预训练过程的主要任务之一是根据上下文单词来预测这些被Mask掉的单词，如果你对Denoising Autoencoder比较熟悉的话，会看出，这确实是典型的DAE的思路。那些被Mask掉的单词就是在输入侧加入的所谓噪音。类似Bert这种预训练模式，被称为DAE LM。

AE的优点和缺点：

优点是能比较自然地融入双向语言模型，同时看到被预测单词的上文和下文。
缺点是在训练的输入端引入[Mask]标记，导致预训练阶段和Fine-tuning阶段不一致的问题。

3. XLNet初见

XLNet的作者通过把之前的优秀的模型分为AR和AE两类，并且清楚了各自的优势和缺点。在XLNet中，想要结合两边的优势，来提升XLNet的整体的模型的效果。那我们通过上文知道了，AR的优势是预训练和Fine-tuning的数据形式一致，而AE的优势是在预测词的时候，能够很好的融入上下文。

乍一看很难强行把这两点一起在一个模型里面实现。

我们换个思路能不能在AR里面加入上下文的信息。这不就是ELMo的思路吗，通过双向的LSTM的思路来看上下文内容，这个简单的叠加效果还不是太好。
在AE里面克服[Mask]的不一致性，既保留了上下文信息，也保持预训练和下游任务的输入一致性。

其实XLNet就是沿着第二个思路的角度出发，更改了Bert中的[Mask]的方式，并且保留了上下文信息。

3.1 排列语言建模（Permutation Language Modeling）

XLNet仍然遵循两阶段的过程，第一个阶段是语言模型预训练阶段；第二阶段是任务数据Fine-tuning阶段。它主要希望改动第一个阶段，就是说不像Bert那种带Mask符号的Denoising-autoencoder的模式，而是采用自回归LM的模式。就是说，看上去输入句子X仍然是自左向右的输入，看到(T_i)单词的上文Context_before，来预测(T_i)这个单词。但是又希望在Context_before里，不仅仅看到上文单词，也能看到(T_i)单词后面的下文Context_after里的下文单词，这样的话，Bert里面预训练阶段引入的Mask符号就不需要了，于是在预训练阶段，看上去是个标准的从左向右过程，Fine-tuning当然也是这个过程，于是两个环节就统一起来。当然，这是目标。剩下是怎么做到这一点的问题。

3.2 Attention Mask

XLNet把Bert的[Mask]的过程搬到Attention Mask来完成。这样从输入端看去预训练和Fine-tuning是一致的。Attention Mask的原理是，假设输入的词是(x_1->x_2->x_3->x_4)，我们在Attention Mask中改成随机排列组合的另外一个顺序(x_3->x_2->x_4->x_1)了，然后预测(x_3)的时候上文为空，预测(x_2)的时候上文是(x_3)，预测(x_4)的时候上文是(x_3,x_2)，预测(x_1)的时候上文是(x_3,x_2,x_4)，这样就达到了预测一个词使用到了上下文的内容。

在Attention Mask中实现的原理路下图：其实真是的词的顺序没有变，只是通过mask的操作达到了类似随机排序的效果。

3.3 双流自注意力机制

内容流自注意力，其实就是标准的Transformer的计算过程。是上图中的上面的那个Attention，可以看到预测词本身的一个self Attention。
Query流自注意力，代替Bert的那个[Mask]标记的，是模拟Mask的效果。是上图中的下面的那个Attention，不可以看到预测词本身的一个self Attention。

差别就是能否看到预测词本身，但是他们的作用是不太一样的。

3.4 Transformer-XL

由于Transformer-XL的内容比较丰富，在这里就不展开了，
Transformer-XL的介绍请看我另一篇博文。

3.5 XLNet与Bert比较

Bert是直接在输入端显示地通过引入Mask标记，在输入侧隐藏掉一部分单词，让这些单词在预测的时候不发挥作用，要求利用上下文中其它单词去预测某个被Mask掉的单词。
XLNet则抛弃掉输入侧的Mask标记，通过Attention Mask机制，在Transformer内部随机Mask掉一部分单词（这个被Mask掉的单词比例跟当前单词在句子中的位置有关系，位置越靠前，被Mask掉的比例越高，位置越靠后，被Mask掉的比例越低），让这些被Mask掉的单词在预测某个单词的时候不发生作用。
Bert隐藏了15%的词，用85%去预测15%的词。缺少了15%的词中的关联性。
XLNet是通过整个上下文去预测某个词，这样的词的利用率更高，理论上效果更好。

4. 总结

文章最后的分析很好地证明了乱序语言模型和Transformer-XL主干网络带来的提升。这部分实验采用和BERT一致的训练数据。以BERT为基础，将BERT的主干网络从Transformer换成Transformer-XL后，在需要建模较长上下文的阅读理解任务RACE和SQuAD2.0均有比较明显地提升(对比1&2行)。而在此基础上加上乱序语言模型后，在所有任务上都有不同程度的提升 (对比 2&3 行)。

自词向量到如今以XLNet为代表的预训练语言模型，他们的主要区别在于对语境的不同粒度的建模：

XLNet成功的因素：

与Bert采取De-noising Autoencoder方式不同的新的预训练目标：Permutation Language Model(简称PLM)；这个可以理解为在自回归LM模式下，如何采取具体手段，来融入双向语言模型。这个是XLNet在模型角度比较大的贡献，确实也打开了NLP中两阶段模式潮流的一个新思路。
引入了Transformer-XL的主要思路：相对位置编码以及分段RNN机制。实践已经证明这两点对于长文档任务是很有帮助的。
加大增加了预训练阶段使用的数据规模；Bert使用的预训练数据是BooksCorpus和英文Wiki数据，大小13G。XLNet除了使用这些数据外，另外引入了Giga5，ClueWeb以及Common Crawl数据，并排掉了其中的一些低质量数据，大小分别是16G,19G和78G。可以看出，在预训练阶段极大扩充了数据规模，并对质量进行了筛选过滤。这个明显走的是GPT2.0的路线。