前言
在之前寫過的《NLP的遊戲規則從此改寫？從word2vec, ELMo到BERT》一文中，介紹了從word2vec到ELMo再到BERT的發展路徑。而在BERT出現之後的這大半年的時間裡，模型預訓練的方法又被Google、Facebook、微軟、百度、OpenAI等極少數幾個玩得起遊戲的核心玩家反覆迭代了若干版，一次次的重新整理我們這些吃瓜群眾的案板上的瓜。
有沒有感覺出瓜速度太快以至於吃速跟不上？不用擔心，小編幫你們找來了這篇總結的恰到好處的文章，對ELMo以來的15個代表性的預訓練語言模型進行了多維度的對比和分析。尤其是近期找工作的小夥伴們注意啦，這篇文章裡面提出來的一些問題很適合作為面試考點（劃掉，交流點）噢~
Question List
Q1：從不同維度對比各【預訓練語言模型】？ Q2：基於深度學習的NLP特徵抽取機制有哪些？各有哪些優缺點？ Q3：自迴歸和自編碼語言模型各有什麼優缺點？ Q4：單向模型的核心機制是怎樣的？有哪些缺點？ Q5：Transformer內部機制的深入理解： 為什麼是縮放點積，而不是點積模型？ 相較於加性模型，點積模型具備哪些優點？ 多頭機制為什麼有效？
Q6-Q10：BERT核心機制探究 BERT為什麼如此有效？ BERT存在哪些優缺點？ BERT擅長處理哪些下游NLP任務？ BERT基於“字輸入”還是“詞輸入”好？（對於中文任務） BERT為什麼不適用於自然語言生成任務（NLG）？
Q11-Q15：針對BERT原生模型的缺點，後續的BERT系列模型是： 如何改進【生成任務】的？ 如何引入【知識】的？ 如何引入【多工學習機制】的？ 如何改進【mask策略】的？ 如何進行【精細調參】的？
Q16：XLNet提出的背景是怎樣的？ Q17：XLNet為何如此有效： 為什麼PLM可以實現雙向上下文的建模？ 怎麼解決沒有目標(target)位置資訊的問題？
Q18：Transformer-XL怎麼實現對長文字建模？
下面本文將從以下幾個方面來對上述問題一一探討
一. 不同視角下的預訓練語言模型對比
二.預訓練語言模型的基礎：特徵抽取機制+語言模型的分類三.單向模型回顧+核心機制探究
四.BERT的核心機制探究
五.BERT系列模型進展介紹
六.XLNET的核心機制探究
七.預訓練語言模型的未來
一、不同視角下的預訓練語言模型對比
不同的特徵抽取機制 RNNs：ELMO/ULMFiT/SiATL； Transformer：GPT1.0/GPT2.0/BERT系列模型； Transformer-XL：XLNet；
不同的預訓練語言目標 自編碼（AutoEncode）：BERT系列模型； 自迴歸（AutoRegression）：單向模型（ELMO / ULMFiT / SiATL / GPT1.0 / GPT2.0）和XLNet；
BERT系列模型的改進 引入常識：ERNIE1.0 / ERNIE(THU) / ERNIE2.0（簡稱為“ERNIE系列”）； 引入多工學習：MTDNN/ERNIE2.0； 基於生成任務的改進：MASS/UNILM； 不同的mask策略：WWM/ERNIE系列/SpanBERT； 精細調參：RoBERTa；
特徵表示（是否能表示上下文） 單向特徵表示：單向模型（ELMO/ULMFiT/SiATL/GPT1.0/GPT2.0）； 雙向特徵表示：BERT系列模型+XLNet；
二、預訓練語言模型的基礎：特徵抽取機制+語言模型的分類
長距離依賴建模能力：Transformer-XL > Transformer > RNNs > CNNs
MLP：不考慮序列（位置）資訊，不能處理變長序列，如NNLM和word2vec； CNNs：考慮序列（位置）資訊，不能處理長距離依賴，聚焦於n-gram提取，pooling操作會導致序列（位置）資訊丟失； RNNs：天然適合處理序列（位置）資訊，但仍不能處理長距離依賴（由於BPTT導致的梯度消失等問題），故又稱之為“較長的短期記憶單元(LSTM)”； Transformer/Transformer-XL：self-attention解決長距離依賴，無位置偏差；
2）前饋/迴圈網路 or 序列/平行計算
MLP/CNNs/Transformer：前饋/並行 RNNs/ Transformer-XL：迴圈/序列：
3）計算時間複雜度（序列長度n，embedding size為d，filter大小k）
CNNs： RNNs： Self Attention：
優點： 文字序列聯合機率的密度估計，即為傳統的語言模型，天然適合處理自然生成任務；
缺點： 聯合機率按照文字序列從左至右分解（順序拆解），無法透過上下文資訊進行雙向特徵表徵；
代表模型：ELMO/GPT1.0/GPT2.0； 改進：XLNet將傳統的自迴歸語言模型進行推廣，將順序拆解變為隨機拆解（排列語言模型），產生上下文相關的雙向特徵表示；
2）自編碼語言模型
優點：本質為降噪自編碼特徵表示，透過引入噪聲[MASK]構建MLM，獲取上下文相關的雙向特徵表示； 缺點：引入獨立性假設，為聯合機率的有偏估計，沒有考慮預測[MASK]之間的相關性 不適合直接處理生成任務，MLM預訓練目標的設定造成預訓練過程和生成過程不一致； 預訓練時的[MASK]噪聲在finetune階段不會出現，造成兩階段不匹配問題；
代表模型：BERT系列模型；
三、單向模型回顧+核心機制探究
要點： 引入雙向語言模型，其實是2個單向語言模型（前向和後向）的整合； 透過儲存預訓練好的2層biLSTM，透過特徵整合或finetune應用於下游任務；
缺點： 本質上為自迴歸語言模型，只能獲取單向的特徵表示，不能同時獲取上下文表示； LSTM不能解決長距離依賴。
為什麼不能用biLSTM構建雙向語言模型？ 不能採取2層biLSTM同時進行特徵抽取構建雙向語言模型，否則會出現標籤洩漏的問題；因此ELMO前向和後向的LSTM引數獨立，共享詞向量，獨立構建語言模型；
三階段訓練：LM預訓練+精調特定任務LM+精調特定分類任務； 特徵抽取：3層AWD-LSTM； 精調特定分類任務：逐層解凍；
二階段訓練：LM預訓練+特定任務精調分類任務（引入LM作為輔助目標，輔助目標對於小資料有用，與GPT相反）；
- 特徵抽取：LSTM+self-attention；精調特定分類任務：逐層解凍； 都透過一些技巧解決finetune過程中的災難性遺忘問題：如果預訓練用的無監督資料和任務資料所在領域不同，逐層解凍帶來的效果更明顯[9]；
GPT1.0[10]要點： 採用Transformer進行特徵抽取，首次將Transformer應用於預訓練語言模型； finetune階段引入語言模型輔助目標（輔助目標對於大資料集有用，小資料反而有所下降，與SiATL相反），解決finetune過程中的災難性遺忘； 預訓練和finetune一致，統一二階段框架；
GPT2.0[11]要點： 沒有針對特定模型的精調流程：GPT2.0認為預訓練中已包含很多特定任務所需的資訊。 生成任務取得很好效果，使用覆蓋更廣、質量更高的資料；
缺點： 依然為單向自迴歸語言模型，無法獲取上下文相關的特徵表示；
四、BERT核心機制探究
為什麼是縮放點積，而不是點積模型？ 當輸入資訊的維度 d 比較高，點積模型的值通常有比較大方差，從而導致 softmax 函式的梯度會比較小。因此，縮放點積模型可以較好地解決這一問題。
為什麼是雙線性點積模型（經過線性變換Q K）？
雙線性點積模型，引入非對稱性，更具健壯性（Attention mask對角元素值不一定是最大的，也就是說當前位置對自身的注意力得分不一定最高）。
相較於加性模型，點積模型具備哪些優點？ 常用的Attention機制為加性模型和點積模型，理論上加性模型和點積模型的複雜度差不多，但是點積模型在實現上可以更好地利用矩陣乘積，從而計算效率更高（實際上，隨著維度d的增大，加性模型會明顯好於點積模型）。
多頭機制為什麼有效？ 類似於CNN中透過多通道機制進行特徵選擇； Transformer中先透過切頭（spilt）再分別進行Scaled Dot-Product Attention，可以使進行點積計算的維度d不大（防止梯度消失），同時縮小attention mask矩陣。
FFN 將每個位置的Multi-Head Attention結果對映到一個更大維度的特徵空間，然後使用ReLU引入非線性進行篩選，最後恢復回原始維度。 Transformer在拋棄了 LSTM 結構後，FFN 中的 ReLU成為了一個主要的提供非線性變換的單元。
將Positional Embedding改為Positional Encoding，主要的區別在於Positional Encoding是用公式表達的、不可學習的，而Positional Embedding是可學習的（如BERT），兩種方案的訓練速度和模型精度差異不大；但是Positional Embedding位置編碼範圍是固定的，而Positional Encoding編碼範圍是不受限制的。
為什麼引入 和
建模Positional Encoding？
引入 可以證明：間隔為k的任意兩個位置編碼的歐式空間距離是恆等的，只與k有關。
引入Masked Language Model(MLM)預訓練目標，能夠獲取上下文相關的雙向特徵表示； 引入Next Sentence Prediction(NSP)預訓練目標，擅長處理句子或段落的匹配任務； 引入強大的特徵抽取機制Transformer(多種機制並存)： Multi-Head self attention：多頭機制類似於“多通道”特徵抽取，self attention透過attention mask動態編碼變長序列，解決長距離依賴（無位置偏差）、可平行計算； Feed-forward ：在位置維度計算非線性層級特徵； Layer Norm & Residuals：加速訓練，使“深度”網路更加健壯；
引入大規模、高質量的文字資料；
Q7：BERT存在哪些優缺點？
優點：能夠獲取上下文相關的雙向特徵表示； 缺點： 生成任務表現不佳：預訓練過程和生成過程的不一致，導致在生成任務上效果不佳； 採取獨立性假設：沒有考慮預測[MASK]之間的相關性，是對語言模型聯合機率的有偏估計（不是密度估計）； - 輸入噪聲[MASK]，造成預訓練-精調兩階段之間的差異；
無法文件級別的NLP任務，只適合於句子和段落級別的任務；
1. 適合句子和段落級別的任務，不適用於文件級別的任務；
Q9：BERT基於“字輸入”還是“詞輸入”好？（對於中文任務）
五、BERT系列模型進展介紹
這一部分介紹一些模型，它們均是對BERT原生模型在一些方向的改進。
統一預訓練框架:透過類似的Seq2Seq框架，在預訓練階段統一了BERT和LM模型； Encoder中理解unmasked tokens；Decoder中需要預測連續的[mask]tokens，獲取更多的語言資訊；Decoder從Encoder中抽取更多資訊； 當k=1或者n時，MASS的機率形式分別和BERT中的MLM以及GPT中標準的LM一致（k為mask的連續片段長度））
統一預訓練框架:和直接從mask矩陣的角度統一BERT和LM； 3個Attention Mask矩陣：LM、MLM、Seq2Seq LM； 注意：UNILM中的LM並不是傳統的LM模型，仍然是透過引入[MASK]實現的；
Q12：針對BERT原生模型，後續的BERT系列模型是如何引入【知識】的？
在預訓練階段引入知識（實際是預先識別出的實體），引入3種[MASK]策略預測： Basic-Level Masking：跟BERT一樣，對subword進行mask，無法獲取高層次語義； Phrase-Level Masking：mask連續短語； Entity-Level Masking：mask實體；
基於BERT預訓練原生模型，將文字中的實體對齊到外部的知識圖譜，並透過知識嵌入得到實體向量作為ERNIE的輸入； 由於語言表徵的預訓練過程和知識表徵過程有很大的不同，會產生兩個獨立的向量空間。為解決上述問題，在有實體輸入的位置，將實體向量和文字表示透過非線性變換進行融合，以融合詞彙、句法和知識資訊； - 引入改進的預訓練目標 Denoising entity auto-encoder (DEA)：要求模型能夠根據給定的實體序列和文字序列來預測對應的實體；
Q13：針對BERT原生模型，後續的BERT系列模型是如何引入【多工學習機制】的？
1）MTDNN(微軟)[20]：在下游任務中引入多工學習機制
MTDNN是在下游任務引入多工機制的，而ERNIE 2.0 是在預訓練引入多工學習（與先驗知識庫進行互動），使模型能夠從不同的任務中學到更多的語言知識。 主要包含3個方面的任務： word-aware 任務：捕捉詞彙層面的資訊； structure-aware 任務：捕捉句法層面的資訊； semantic-aware 任務：捕捉語義方面的資訊；
主要的方式是構建增量學習（後續可以不斷引入更多的任務）模型，透過多工學習持續更新預訓練模型，這種連續交替的學習正規化不會使模型忘記之前學到的語言知識。 - 將3大類任務的若干個子任務一起用於訓練，引入新的任務時會將繼續引入之前的任務，防止忘記之前已經學到的知識，具體是一個逐漸增加任務數量的過程[22]：
(task1)->(task1,task2)->(task1,task2,task3)->…->(task1，task2,…,taskN)，
- 將3大類任務的若干個子任務一起用於訓練，引入新的任務時會將繼續引入之前的任務，防止忘記之前已經學到的知識，具體是一個逐漸增加任務數量的過程[22]：
Q14：針對BERT原生模型，後續的BERT系列模型是如何改進【mask策略】的？
原生BERT模型：按照subword維度進行mask，然後進行預測； BERT WWM(Google)：按照whole word維度進行mask，然後進行預測； ERNIE等系列：引入外部知識，按照entity維度進行mask，然後進行預測； SpanBert：不需要按照先驗的詞/實體/短語等邊界資訊進行mask，而是採取隨機mask： 採用Span Masking：根據幾何分佈，隨機選擇一段空間長度，之後再根據均勻分佈隨機選擇起始位置，最後按照長度mask；透過取樣，平均被遮蓋長度是3.8 個詞的長度； 引入Span Boundary Objective：新的預訓練目標旨在使被mask的Span 邊界的詞向量能學習到 Span中被mask的部分；新的預訓練目標和MLM一起使用；
注意：BERT WWM、ERNIE等系列、SpanBERT旨在隱式地學習預測詞（mask部分本身的強相關性）之間的關係[23]，而在 XLNet 中，是透過 PLM 加上自迴歸方式來顯式地學習預測詞之間關係；
Q15：針對BERT原生模型，後續的BERT系列模型是如何進行【精細調參】的？
RoBERTa(FaceBook)[24]
丟棄NSP，效果更好； 動態改變mask策略，把資料複製10份，然後統一進行隨機mask； 對學習率的峰值和warm-up更新步數作出調整； 在更長的序列上訓練：不對序列進行截短，使用全長度序列；
六、XLNet的核心機制探究
在BERT系列模型後，Google釋出的XLNet在問答、文字分類、自然語言理解等任務上都大幅超越BERT；XLNet的提出是對標準語言模型（自迴歸）的一個復興[25]，提出一個框架來連線語言建模方法和預訓練方法。
Q16：XLNet[26]提出的背景是怎樣的？
對於ELMO、GPT等預訓練模型都是基於傳統的語言模型（自迴歸語言模型AR），自迴歸語言模型天然適合處理生成任務，但是無法對雙向上下文進行表徵，因此人們反而轉向自編碼思想的研究（如BERT系列模型）； 自編碼語言模型（AE）雖然可以實現雙向上下文進行表徵，但是： BERT系列模型引入獨立性假設，沒有考慮預測[MASK]之間的相關性； MLM預訓練目標的設定造成預訓練過程和生成過程不一致； 預訓練時的[MASK]噪聲在finetune階段不會出現，造成兩階段不匹配問題；
有什麼辦法能構建一個模型使得同時具有AR和AE的優點並且沒有它們缺點呢？
Q17：XLNet為何如此有效：核心機制分析
1）排列語言模型（Permutation LM，PLM）
- 為什麼PLM可以實現雙向上下文的建模？
PLM的本質就是LM聯合機率的多種分解機制的體現； 將LM的順序拆解推廣到隨機拆解，但是需要保留每個詞的原始位置資訊（PLM只是語言模型建模方式的因式分解/排列，並不是詞的位置資訊的重新排列！） 如果遍歷 ?! 種分解方法，並且模型引數是共享的，PLM就一定可以學習到各種雙向上下文；換句話說，當我們把所有可能的?! 排列都考慮到的時候，對於預測詞的所有上下文就都可以學習到了！ 由於遍歷 ?! 種路徑計算量非常大（對於10個詞的句子，10!=3628800）。因此實際只能隨機的取樣?!裡的部分排列，並求期望；
2）Two-Stream Self-Attention
怎麼解決沒有目標(target)位置資訊的問題？
對於沒有目標位置資訊的問題，XLNet 引入了Two-Stream Self-Attention：
Query 流就為了預測當前詞，只包含位置資訊，不包含詞的內容資訊； Content 流主要為 Query 流提供其它詞的內容向量，包含位置資訊和內容資訊；
3） 融入Transformer-XL的優點（具體見Q18）
Q18：Transformer-XL[28]怎麼實現對長文字建模？
BERT(Transformer)的最大輸入長度為512，那麼怎麼對文件級別的文字建模？ vanilla model進行Segment，但是會存在上下文碎片化的問題（無法對連續文件的語義資訊進行建模），同時推斷時需要重複計算，因此推斷速度會很慢；
Transformer-XL改進 對於每一個segment都應該具有不同的位置編碼，因此Transformer-XL採取了相對位置編碼； 前一個segment計算的representation被修復並快取，以便在模型處理下一個新的segment時作為擴充套件上下文resume； 最大可能依賴關係長度增加了N倍，其中N表示網路的深度； 解決了上下文碎片問題，為新段前面的token提供了必要的上下文； 由於不需要重複計算，Transformer-XL在語言建模任務的評估期間比vanilla Transformer快1800+倍； 引入recurrence mechanism(不採用BPTT方式求導)： 引入相對位置編碼方案：
七、預訓練語言模型的未來
上述的【預訓練語言模型】主要從2大方面進行介紹：一是總的對比；二是分別介紹單向語言模型、BERT系列模型、XLNet模型。
復興語言模型：進一步改進語言模型目標，不斷突破模型的上界； 大資料、大算力：將大資料、大算力推到極致； 更快的推斷：輕量級模型是否有可能達到SOTA效果？ 引入更豐富的知識資訊，更精細的調參，更有價值的MASK策略； 統一條件生成任務框架，如基於XLNet統一編碼和解碼任務，同時可考慮更快的解碼方式；
參考文獻
[1] NLP將迎來黃金十年 https://www.msra.cn/zh-cn/news/executivebylines/tech-bylines-nlp
[2] a review of the recent history of nlp
[3] AIS：ACL2019進展報告
[4] ACL 主席周明：一起擁抱 ACL 和 NLP 的光明未來
[5] 自然語言處理中的語言模型預訓練方法 https://www.jiqizhixin.com/articles/2018-10-22-3
[6] ELMO:Deep contextualized word representations
[7] ULMFiT：Universal Language Model Fine-tuning)
[8] SiATL：An Embarrassingly Simple Approach for Transfer Learning from Pretrained Language Models
[9] BERT時代與後時代的NLP https://zhuanlan.zhihu.com/p/66676144
[10] GPT:Improving Language Understanding by Generative Pre-Training
[11] GPT2.0:Language Models are Unsupervised Multitask Learners
[12] Transformer:Attention is all you need
[13] BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding
[14] Bert時代的創新（應用篇）：Bert在NLP各領域的應用進展 https://zhuanlan.zhihu.com/p/68446772
[15] MASS: Masked Sequence to Sequence Pre-training for Language Generation
[16] UNILM：Unified Language Model Pre-training for Natural Language Understanding and Generation
[17] ERNIE: Enhanced Representation through Knowledge Integration
[18] ERNIE: Enhanced Language Representation with Information Entities
[19] nndl：神經網路與深度學習
[20] MT-DNN：Multi-Task Deep Neural Net for NLU
[21] ERNIE 2.0: A CONTINUAL PRE-TRAINING FRAMEWORK FOR LANGUAGE UNDERSTANDING
[22] 陳凱：https://www.zhihu.com/question/337827682/answer/768908184
[23] SpanBert：對 Bert 預訓練的一次深度探索
[24] RoBERTa: A Robustly Optimized BERT Pretraining Approach
[25] ab他們創造了橫掃NLP的XLNet：專訪CMU博士楊植麟
[26] XLnet: Generalized Autoregressive Pretraining for Language Understanding
[27] Neural autoregressive distribution estimation
[28] Transformer-XL: Attentive Language Models Beyond a Fixed-Length Context
原文連結
https://zhuanlan.zhihu.com/p/76912493