论文地址：https://arxiv.org/pdf/1906.08237.pdf
简介
XLNet是一个类似BERT的模型，但是它采用了通用的自回归预训练方法(AR模型)，而基于DAE的Bert模型采用的则是降噪自动编码方法(AE模型)，bert和AR模型的区别主要是在以下三方面：
1、独立假设：bert中一个序列中会被mask掉不超过15%的单词，但是在预训练时的目标函数是基于mask值彼此独立、互不干扰的假设下进行计算的，而AR模型中不需要设置mask值，预训练时的目标函数也不必设立独立假设。同时，mask的设置会导致预训练-微调的数据上的不统一，这也是Bert的一个缺陷。
2、输入噪声：Bert在预训练时对输入序列进行随机mask，这是一种输入噪声设定，但是在下游任务进行微调时却并没有对输入序列设置输入噪声，即随机mask，这引起了预训练-微调间的差异。与之相反，AR模型不设置输入噪声，因而不会有这种问题。
3、上下文依赖：AR模型只考虑前向信息或者后向信息，而bert要考虑双向信息，结果就是，bert的目标函数允许模型被训练为能够更好地抓取双向信息。
XLNet(AR模型)总体思路
XLNet提出了一种让AR语言模型(单向的输入和预测模式)能够从双向上下文中学习的新方法。这也是XLNet的主要贡献。
XLNet仍然采用两阶段模型训练过程，第一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。它主要改动了第一阶段，即不使用bert那种带mask符号的Denoising-autoencoder的模式，而是采用自回归语言模型。就是说，一个输入序列X依然是从左向右输入，在预测单词T时，既知道它的上文信息context_before，也知道它的下文信息contenx_after，但是，这里不采用bert使用mask符号的方式。于是在预训练阶段，这是一个标准的从左向右过程，在微调阶段也是如此，因此两个过程就统一起来，不会造成两阶段的数据不一致问题[3]。而这里具体的实现方法，就是论文提出的排列语言模型。
训练目标：排列语言模型(Permutation Language Modeling)[3]
PLM的中心思想就是重新排列组合输入序列X。具体的说，假设输入序列X = [x1,x2,x3,x4]，我们想要预测x3，
1、使用AR模型的常规操作：按照AR模型自左向右的输入X，我们只能看到x3的上文context_before（即x1,x2），而不能看到x3的下文context_after（即x4）。
2、使用PLM的方法：我们需将待预测单词x3固定在它本来的位置上（即Position 3），然后将输入序列X中的元素进行随机排列组合（此例中共会产生24种组合方式），在这24种组合中，抽取一部分（如：x4,x2,x3,x1）作为模型的输入X，则待预测单词x3既能看到上文x1,x2,也能看到下文x4，达到了获取上下文信息的目的，但是在形式上依然是从左向右在预测后一个单词。具体如下图所示：
这里解释一下右上图，即Factorization order:2 -> 4 -> 3 -> 1这张图，可以看出在计算h3(1)时，它只获取了x2,x4和mem(0)的信息，即获取了x3的下文信息x4。
注1：由图中可以看出，它并没有更改输入顺序，输入顺序仍然为x1,x2,x3,x4，但是Transformer在获取输入信息时，它只获取了x4和x2，这是因为attention将x1 mask掉了，这一过程是在Transformer中实现的，具体描述在下一节中讲述。
PLM的优势如下：
1、保证预训练-微调两个阶段的一致性，规避了bert模型的劣势（预训练-微调数据不一致以及多个mask之间的独立假设）
2、获取双向信息（AR模型只能获取单向信息）
结构:双流自注意力(Architecture: Two-Stream Self-Attention for Target-Aware Representations )
双流主要是指内容流和查询流，具体介绍如下：
内容流(content stream)：指标准的Transformer过程
查询流(query stream)[3]：只保留位置信息，忽略内容信息。具体的说，对于待预测单词x3来说，已知其上文信息x1,x2，因为x3是需要被预测的单词，因此在Transformer的输入端不能输入x3的单词内容，需要将其遮挡掉，bert采用的方法是将x3 mask掉，即使用[MASK]标记符号作为x3的输入内容，但是这引起了预训练-微调数据不一致问题，xlnet既想看不到x3单词的内容，又不想像bert一样引入新的问题，它采取的方式就是使用query流，直接忽略掉x3的单词内容，而只使用x3的位置信息，使用参数w来代表位置的embedding编码。具体的实现过程如下所述：
输入序列依然是x1,x2,x3,x4，但是在Transformer内部，则是针对内容流和查询流分别有遮掩矩阵。就本文例子来说，需要遮掩的是x3，则在下图c中，由于使用的新的排列组合是x3,x2,x4,x1，因此，Query steam对应的遮掩矩阵中第三行中是空，因为没有其他的单词需要被输入。
同理，对于Content stream来说，由于Transformer的输入顺序是x3,x2,x4,x1，因此对于第一行x1来说，它可以将所有的单词都读入，因此矩阵第一行中所有圆点都被标为红色(表示x1,x2,x3,x4的信息都获取)；对于第二行x2来说，它只能获取x3的信息以及自己的信息，因此第二个和第三个圆点标为红色(表示x2,x3的信息都获取)；对于第三行x3来说，因为它只能读取自己的信息，因此只有第三个圆点标为红色(表示x3的信息被获取)；对于第四行x4来说，由于它能获取x2、x3以及自己的的信息，因此其第二、三、四个圆点被标为红色(表示x2,x3,x4的信息都获取)。
由于Content Stream 和 Query Stream的区别仅在于自己的信息是否能获取，而Query Stream不能获取自己的信息，因此Query Stream的遮掩矩阵中对角线的圆点都为白色，表示不能获取自己的内容信息。
如上图所示，图a表示内容流(content stream)，图b表示查询流(query stream)，图c是使用了双流自注意力机制的排列语言模型。
Transformer-XL（Incorporating Ideas from Transformer-XL）
针对Transformer不能很好地处理长文本的问题，论文在预训练架构中使用了Transformer-XL，相比Transformer而言，主要有两点改进：片段循环机制(segment recurrence mechanism)和相对位置编码(relative positional encoding)。具体内容可以查看网址：https://www.cnblogs.com/mj-selina/p/12373636.html
Transformer 和 Transformer-XL的区别主要如下图所示：
如上图[4]所示，在计算第l层的表征时，使用的第l-1层的表征同时来源于片段st和st-1(也可以设置成来源于前n个片段),所以每增加一层，模型建模的依赖关系长度就能增加2（不知道理解的是否正确，待修改）。在上图中，Transformer-XL建模的最长依赖关系为3*2=6.
总结
论文中的实验显示，XLNet在长文本的阅读理解类的任务上提升较为明显，因而在机器翻译、文本摘要类的任务中应该具有较好的效果。
参考资料：
[1] https://www.jianshu.com/p/dfc5a77a4f3f
[2] https://blog.csdn.net/u012526436/article/details/93196139
[3] https://zhuanlan.zhihu.com/p/70257427
[4] https://blog.csdn.net/weixin_37947156/article/details/93035607