超越 BERT 和 GPT，微软亚洲研究院开源新模型 MASS

BERT和XLNet在自然语言理解任务（例如：情感分类、自然语言推理和SQuAD阅读理解）方面取得了巨大成功。然而，NLP领域除了自然语言理解任务之外，还存在很多序列到序列的语言生成任务，例如机器翻译、文本摘要生成、对话生成、问答、文本风格转换等。对于这些任务，使用编码器-注意力-解码器框架是主流方法。

图1编码器-注意力-解码器框架

如图1所示，编码器将源序列X作为输入并将其转换为隐藏表示的序列，然后解码器通过注意力机制从编码器中抽象出隐藏表示的序列信息，并自动生成目标序列文本Y。

BERT和XLnet通常是对一个编码器进行自然语言理解的预训练；而GPT则是对一个解码器进行语言建模的预训练。当利用BERT和GPT进行序列到序列的语言生成任务时，我们通常需要对编码器和解码器分别进行预训练。在这种情况下，编码器-注意力-解码器框架和注意力机制并没有得到联合训练。然而，注意力机制在这类任务中极为重要，一旦缺失便会导致BERT和GPT无法达到最佳性能。

针对序列到序列的自然语言生成任务，微软亚洲研究院的机器学习小组提出了一种新的预训练方法，即掩蔽的序列到序列预训练（MASS：MaskedSequencetoSequencePre-Training）。MASS随机掩蔽一个长度为k的句子片段，并通过编码器-注意力-解码器框架预测这一被掩蔽的片段。

图2MASS框架

如图2所示，编码器端的第3-6个标记被掩蔽，而在解码器端，仅有被掩蔽的标记被预测出来，而其他标记则被掩蔽。

MASS预训练具有以下优势：

解码器端的其他标记（在编码器端未被掩蔽的标记）被掩蔽，从而推动解码器提取更多信息以帮助预测连续句子片段，促进编码器-注意力-解码器结构的联合训练；

为了给解码器提供更多有用的信息，编码器被强制提取未被掩蔽的标记的含义，这可以提高编码器理解源序列文本的能力；

解码器被设计用以预测连续的标记（句子片段），这可以提升解码器的语言建模能力。

MASS有一个重要的超参数k（被掩蔽的片段的长度）。通过调整k值，MASS可以将BERT中掩蔽的语言建模和GPT中的标准语言建模结合起来，从而将MASS扩展成一个通用的预训练框架。

当k=1时，根据MASS的设计，编码器端的一个标记被掩蔽，而解码器端则会预测出该掩蔽的标记，如图3所示。解码器端没有输入信息，因而MASS等同于BERT中掩蔽的语言模型。

图3k=1时，编码器端一个标记被掩蔽，而解码器端则会预测出该掩蔽的标记

当k=m（m是序列的长度）时，在MASS中，编码器端的所有标记都被掩蔽，而解码器端会预测所有的标记，如图4所示。解码器端无法从编码器端提取任何信息，MASS等同于GPT中的标准语言模型。

图4k=m时，编码器端的所有词都被掩蔽，而解码器端会预测所有的标记，等同于GPT中的标准语言模型

不同k值下MASS的概率公式如表1所示，其中m是序列的长度，u和v分别是掩蔽片段的起始和终止位置，

代表从位置u到v的标记都被掩蔽的序列。可以看出，当k=1或m时，MASS的概率公式等同于BERT中的被掩蔽的语言模型和GPT中的标准语言模型。

表1在不同k值下MASS的概率公式

研究人员通过实验来分析了在不同k值下的MASS性能，如图5所示：

图5在训练前和微调阶段的各种掩蔽长度k下MASS的表现，其中包括a)英语句子预训练模型的PPLb)WMT13英语-法语翻译的法语句子c)WMT13无监督英语-法语翻译的BLEU值d)文本摘要生成的ROUGE值e)对话生成的PPL

当k等于句子长度的一半时，下游任务可以达到其最佳性能。掩蔽句子中一半的词可以很好地平衡编码器和解码器的预训练部分。如果预训练更偏向编码器端（k=1，即BERT）或更偏向解码器端（k=m，LM/GPT），则无法实现最优的性能，这也表现出了MASS在序列到序列的语言生成任务中的优势。

预训练

值得注意的是，MASS仅需要无监督的单语数据进行预训练（例如WMTNewsCrawlData、WikipediaData等）。MASS支持跨语言任务（例如机器翻译）和单语任务（例如文本摘要生成、对话生成）。在对英语-法语翻译等跨语言任务进行预训练时，研究人员可以在一个模型中同时进行英语-英语和法语-法语的预训练，并使用附加的语言嵌入向量来区分语言。在无监督的机器翻译、低资源机器翻译、文本摘要生成和对话生成四个领域，研究人员对MASS进行了微调，以验证其有效性。

无监督机器翻译

关于无监督机器翻译任务，研究人员将MASS与之前的方法进行了比较，包括以前最先进的方法FacebookXLM。XLM使用了由BERT创建的掩蔽预训练语言模型，以及标准语言模型来分别预训练编码器和解码器。

结果如表2所示，MASS在WMT14英语-法语、WMT16英语-德语和英语-罗马尼亚语的六个翻译方向上的表现都优于XLM，并取得了最新的最优结果。

表2MASS与之前关于无监督机器翻译方法之间的比较；英语-法语翻译报道在newstest2014上，其它的在newstest2016可以找到；由于XLM在编码器和解码器中使用MLM和CLM的不同组合，因此报告上显示的是每个语言对上XLM的最高BLEU值

低资源机器翻译

低资源机器翻译是指使用有限的双语训练数据来进行机器翻译。研究人员模拟了WMT14英语-法语，WMT16英语-德语和英语-罗马尼亚语翻译（分别为10K，100K和1M双语数据）的低资源情景。

图6MASS与低资源机器翻译方法之间的比较

图6显示MASS在不同数据规模上的表现，均比不用预训练的基线模型有不同程度的提升，并随着监督数据越少，提升效果越显著。

文本摘要生成

研究人员将MASS与BERT+LM（编码器用BERT预训练，解码器用标准语言模型LM预训练）、DAE（去噪自编码器）进行了比较。从表3中可以看出，MASS的表现都优于BERT+LM和DAE。

表3文本摘要生成任务中，MASS和两种预训练方法之间的比较

对话生成

研究人员将MASS和BERT+LM进行了比较。表4显示MASS实现了比BERT+LM更低的PPL。

表4MASS与BERT+LM之间的比较数据

原文地址

MASS论文

GitHub开源地址