微軟在ICML 2019上提出了一個全新的通用預訓練方法MASS

微軟亞洲研究院的研究員在 ICML 2019 上提出了一個全新的通用預訓練方法 MASS，在序列到序列的自然語言生成任務中全面超越 BERT 和 GPT。本文帶來論文作者的技術解讀。

從 2018 年開始，預訓練（pre-train） 毫無疑問成為 NLP 領域最熱的研究方向。

借助于 BERT 和 GPT 等預訓練模型，人類在多個自然語言理解任務中取得了重大突破。然而，在序列到序列的自然語言生成任務中，目前主流預訓練模型并沒有取得顯著效果。

為此，微軟亞洲研究院的研究員在 ICML 2019 上提出了一個全新的通用預訓練方法 MASS，在序列到序列的自然語言生成任務中全面超越 BERT 和 GPT。在微軟參加的 WMT19 機器翻譯比賽中，MASS 幫助中 - 英、英 - 立陶宛兩個語言對取得了第一名的成績。

BERT 在自然語言理解（比如情感分類、自然語言推理、命名實體識別、SQuAD 閱讀理解等）任務中取得了很好的結果，受到了越來越多的關注。然而，在自然語言處理領域，除了自然語言理解任務，還有很多序列到序列的自然語言生成任務，比如機器翻譯、文本摘要生成、對話生成、問答、文本風格轉換等。在這類任務中，目前主流的方法是編碼器 - 注意力 - 解碼器框架，如下圖所示。

編碼器 - 注意力 - 解碼器框架

編碼器（Encoder）將源序列文本 X 編碼成隱藏向量序列，然后解碼器（Decoder）通過注意力機制（Attention）抽取編碼的隱藏向量序列信息，自回歸地生成目標序列文本 Y。

BERT 通常只訓練一個編碼器用于自然語言理解，而 GPT 的語言模型通常是訓練一個解碼器。如果要將 BERT 或者 GPT 用于序列到序列的自然語言生成任務，通常只有分開預訓練編碼器和解碼器，因此編碼器 - 注意力 - 解碼器結構沒有被聯(lián)合訓練，記憶力機制也不會被預訓練，而解碼器對編碼器的注意力機制在這類任務中非常重要，因此 BERT 和 GPT 在這類任務中只能達到次優(yōu)效果。

新的預訓練方法 ——MASS

專門針對序列到序列的自然語言生成任務，微軟亞洲研究院提出了新的預訓練方法：屏蔽序列到序列預訓練（MASS: Masked Sequence to Sequence Pre-training）。MASS 對句子隨機屏蔽一個長度為 k 的連續(xù)片段，然后通過編碼器 - 注意力 - 解碼器模型預測生成該片段。

屏蔽序列到序列預訓練 MASS 模型框架

如上圖所示，編碼器端的第 3-6 個詞被屏蔽掉，然后解碼器端只預測這幾個連續(xù)的詞，而屏蔽掉其它詞，圖中 “_” 代表被屏蔽的詞。

MASS 預訓練有以下幾大優(yōu)勢：

（1）解碼器端其它詞（在編碼器端未被屏蔽掉的詞）都被屏蔽掉，以鼓勵解碼器從編碼器端提取信息來幫助連續(xù)片段的預測，這樣能促進編碼器 - 注意力 - 解碼器結構的聯(lián)合訓練；

（2）為了給解碼器提供更有用的信息，編碼器被強制去抽取未被屏蔽掉詞的語義，以提升編碼器理解源序列文本的能力；

（3）讓解碼器預測連續(xù)的序列片段，以提升解碼器的語言建模能力。

統(tǒng)一的預訓練框架

MASS 有一個重要的超參數(shù) k（屏蔽的連續(xù)片段長度），通過調整 k 的大小，MASS 能包含 BERT 中的屏蔽語言模型訓練方法以及 GPT 中標準的語言模型預訓練方法，使 MASS 成為一個通用的預訓練框架。

當 k=1 時，根據(jù) MASS 的設定，編碼器端屏蔽一個單詞，解碼器端預測一個單詞，如下圖所示。解碼器端沒有任何輸入信息，這時 MASS 和 BERT 中的屏蔽語言模型的預訓練方法等價。

當 k=m（m 為序列長度）時，根據(jù) MASS 的設定，編碼器屏蔽所有的單詞，解碼器預測所有單詞，如下圖所示，由于編碼器端所有詞都被屏蔽掉，解碼器的注意力機制相當于沒有獲取到信息，在這種情況下 MASS 等價于 GPT 中的標準語言模型。

MASS 在不同 K 下的概率形式如下表所示，其中 m 為序列長度，u 和 v 為屏蔽序列的開始和結束位置，x^u:v 表示從位置 u 到 v 的序列片段，x^\u:v 表示該序列從位置 u 到 v 被屏蔽掉?？梢钥吹?，當K=1 或者 m 時，MASS 的概率形式分別和 BERT 中的屏蔽語言模型以及 GPT 中的標準語言模型一致。

我們通過實驗分析了屏蔽 MASS 模型中不同的片段長度（k）進行預訓練的效果，如下圖所示。

當 k 取大約句子長度一半時（50% m），下游任務能達到最優(yōu)性能。屏蔽句子中一半的詞可以很好地平衡編碼器和解碼器的預訓練，過度偏向編碼器（k=1，即 BERT）或者過度偏向解碼器（k=m，即 LM/GPT）都不能在該任務中取得最優(yōu)的效果，由此可以看出 MASS 在序列到序列的自然語言生成任務中的優(yōu)勢。

序列到序列自然語言生成任務實驗

預訓練流程

MASS 只需要無監(jiān)督的單語數(shù)據(jù)（比如 WMT News Crawl Data、Wikipedia Data 等）進行預訓練。MASS 支持跨語言的序列到序列生成（比如機器翻譯），也支持單語言的序列到序列生成（比如文本摘要生成、對話生成）。當預訓練 MASS 支持跨語言任務時（比如英語 - 法語機器翻譯），我們在一個模型里同時進行英語到英語以及法語到法語的預訓練。需要單獨給每個語言加上相應的語言嵌入向量，用來區(qū)分不同的語言。我們選取了無監(jiān)督機器翻譯、低資源機器翻譯、文本摘要生成以及對話生成四個任務，將 MASS 預訓練模型針對各個任務進行精調，以驗證 MASS 的效果。

無監(jiān)督機器翻譯

在無監(jiān)督翻譯任務上，我們和當前最強的 Facebook XLM 作比較（XLM 用 BERT 中的屏蔽預訓練模型，以及標準語言模型來分別預訓練編碼器和解碼器），對比結果如下表所示。

可以看到，MASS 的預訓練方法在 WMT14 英語 - 法語、WMT16 英語 - 德語一共 4 個翻譯方向上的表現(xiàn)都優(yōu)于 XLM。MASS 在英語 - 法語無監(jiān)督翻譯上的效果已經遠超早期有監(jiān)督的編碼器 - 注意力 - 解碼器模型，同時極大縮小了和當前最好的有監(jiān)督模型之間的差距。

低資源機器翻譯

低資源機器翻譯指的是監(jiān)督數(shù)據(jù)有限情況下的機器翻譯。我們在 WMT14 英語 - 法語、WMT16 英語 - 德語上的不同低資源場景上（分別只有 10K、100K、1M 的監(jiān)督數(shù)據(jù)）驗證我們方法的有效性，結果如下所示。

在不同的數(shù)據(jù)規(guī)模下，我們的預訓練方法的表現(xiàn)均比不用預訓練的基線模型有不同程度的提升，監(jiān)督數(shù)據(jù)越少，提升效果越顯著。

文本摘要生成

在文本摘要生成（Gigaword Corpus）任務上，我們將 MASS 同 BERT+LM（編碼器用 BERT 預訓練，解碼器用標準語言模型 LM 預訓練）以及 DAE（去噪自編碼器）進行了比較。從下表可以看到，MASS 的效果明顯優(yōu)于 BERT+LM 以及 DAE。

對話生成

在對話生成（Cornell Movie Dialog Corpus）任務上，我們將 MASS 同 BERT+LM 進行了比較，結果如下表所示。MASS 的 PPL 低于 BERT+LM。

在不同的序列到序列自然語言生成任務中，MASS 均取得了非常不錯的效果。接下來，我們還將測試 MASS 在自然語言理解任務上的性能，并為該模型增加支持監(jiān)督數(shù)據(jù)預訓練的功能，以期望在更多自然語言任務中取得提升。未來，我們還希望將 MASS 的應用領域擴展到包含語音、視頻等其它序列到序列的生成任務中。