Press "Enter" to skip to content

XLM: 跨语言的Bert

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

动机

 

Bert在预训练语言模型上被广泛应用,但是现在主要的研究都集中在英文上,在跨语言的场景下,Bert的训练能不能带来提升呢?答案几乎是肯定的,就看怎幺做了。

 

论文[1]提出了两种方法来训练跨语言的语言模型:

 

无监督学习,仅依赖于单语言数据。

 

有监督学习,依赖于双语平行语料。

 

共享sub-word词表

 

不管是有监督还是无监督的方法,都需要让多语言共享一个词表,如果是词语直接混合的话,那幺随着语言数目的增多,词表的增长会很大。不过好在Bert模型的词表本身就是sub-word的,通过Byte Pair Encoding(BPE)方法进行学习可以得到一个较为合适且合理的词表。

 

BPE需要迭代多次获得最后的词表结果。所以会有两个缺点:

 

如果语料过大,会导致BPE的运行较为耗时。

 

稀有语言往往语料较少,可能导致BPE最后的结果中无法有足够的该语言的sub-word。

 

因此,采用了一种采样的方式来生成一个子数据集,然后在这个子数据集上去运行BPE算法。采样的概率公式如下,p是每种语言在总语料中的概率,q则是采样概率,从公式中可以看出,q是p经过指数归一化之后的结果,一般情况下,会将alpha设为0.5。

 

 

alpha越低,越倾向于出现频次较低的语言。

 

训练语言模型的目标

 

论文中使用的训练语言模型的目标有三种:

 

CLM, Casual Language Modeling。自回归式的,即GPT式的学习方式,使用Transformer的Decoder部分。

 

MLM, Masked Language Modeling。Bert式的学习方式,把其中15%的token遮挡住,作为预测目标。区别就是Bert中因为有Next Sentence Prediction,所以是两个句子拼起来。而在论文[1]中使用的则是连续的一整个句子,按照长度256截断。

 

TLM, Translated Language Modeling。和MLM类似,只不过输入是两个语言的句子拼接起来。另外,position embedding要重置,即目标语言和源语言的位置embedding应该都是从头开始。

 

MLM和TLM的输入输出如下图:

 

 

在训练的时候,依然会使用类似于学习词表时的采样方法,只不过alpha设为0.7。

 

模型预训练

 

首先,模型在一个预先处理好的Wiki数据上进行了预训练,使用的设置包括:

 

MLM, 在单语言训练数据

 

MLM + TLM,除了单语言训练数据外,还有平行语料来训练TLM。

 

实验效果

 

XNLI分类实验

 

在XNLI数据集上进行了实验,XNLI是十五个语言的文本分类数据集。预训练好的模型在XNLI的英文语料上进行fine-tune,然后在15个语言上进行评测。为了和之前的论文可以比较,还做了两个baseline:

 

TRANSLATE-TRAIN: 将XNLI中的英文语料翻译到XNLI上某个的语言,然后在翻译后的语料上进行微调和测试。

 

TRANSLATE-TEST: 仍然将模型在英文上进行问题,然后将XNLI的某个语言翻译到英文,然后再测试。

 

 

可以看到,MLM + TLM的方式会比MLM要好很多,另外,在翻译后的语言上进行微调还可以达到更好的效果。

 

无监督机器翻译

 

用预训练好的模型来初始化翻译模型,可以达到更好的效果。EMB是只用预训练好的embedding来初始化翻译模型的embedding。另外,翻译模型的Encoder-Decoder都可以使用XLM来初始化,这样就有了九种组合设计,即Encoder和Decoder可以分别使用随机初始化,CLM预训练、MLM预训练三种方式初始化。

 

 

有监督机器翻译

 

类似于无监督的实验,Encoder和Decoder都使用MLM预训练的模型来做初始化。

 

 

Low-Resource语言模型

 

XLM还有助于语料较少的语言上的语言模型构建,如下图所示,用Nepali + English + Hindi的语料训练得到的语言模型比Nepali自己得到的要好很多。

 

 

总结与思考

 

从上面的实验可知,XLM可以在三个方面带来提升:

 

跨语言文本分类问题上所使用的sentence-encoder的更好的初始化方法。

 

机器翻译问题的更好的初始化方法

 

低资源语言上构建语言模型的更好的方法。

 

另外,从实验上看,对于机器翻译问题,模型的初始化是非常重要的一个方面。

 

参考

 

[1]. Lample, Guillaume, and Alexis Conneau. “Cross-lingual language model pretraining.” arXiv preprint arXiv:1901.07291 (2019).

Be First to Comment

发表评论

电子邮件地址不会被公开。 必填项已用*标注