讲讲我理解的XLNet
Bert、GPT-2在怀里都还没捂热乎，XLNet又出来了，最近NLP界真的是风（gen）生（bu）水（shang）起（le），在看过各牛人（ @张俊林@Towser）对XLNet的解读之后，小菜鸟也想说说自己的理解（毕竟讲出来比留在脑子里印象深刻）。
1. XLNet和Bert
首先讲讲我对XLNet和Bert比，有什么异同？有什么模型方面的改进？的理解（该部分主要拜读了@张俊林博士的解读）
1.1 自回归语言模型
第一次听到自回归语言模型（Autoregressive LM）这个词。我们知道一般的语言模型都是从左到右计算某个词出现的概率，但是当我们做完型填空或者阅读理解这一类NLP任务的时候词的上下文信息都是需要考虑的，而这个时候只考虑了该词的上文信息而没有考虑到下文信息。所以，反向的语言模型出现了，就是从右到左计算某个词出现的概率，这一类语言模型称之为自回归语言模型。像坚持只用单向Transformer的GPT就是典型的自回归语言模型，也有像ELMo那种拼接两个上文和下文LSTM的变形自回归语言模型。
1.2 自编码语言模型
自编码语言模型（Autoencoder LM）这个名词毫无疑问也是第一次听到。区别于上一节所述，自回归语言模型是根据上文或者下文来预测后一个单词。那不妨换个思路，我把句子中随机一个单词用[mask]替换掉，是不是就能同时根据该单词的上下文来预测该单词。我们都知道Bert在预训练阶段使用[mask]标记对句子中15%的单词进行随机屏蔽，然后根据被mask单词的上下文来预测该单词，这就是自编码语言模型的典型应用。
1.3 两种模型的优缺点对比
自回归语言模型没能自然的同时获取单词的上下文信息（ELMo把两个方向的LSTM做concat是一个很好的尝试，但是效果并不是太好），而自编码语言模型能很自然的把上下文信息融合到模型中（Bert中的每个Transformer都能看到整句话的所有单词，等价于双向语言模型），但自编码语言模型也有其缺点，就是在Fine-tune阶段，模型是看不到[mask]标记的，所以这就会带来一定的误差。XLNet将二者的上述优缺点做了一个完美的结合，在自回归语言模型中自然地引入上下文信息，并且解决自编码语言模型两阶段保持一致的问题。
2. XLNet是怎么做的
XLNet的思路采用的是自回归语言模型，根据上文来预测下一个单词，但是在上文中添加了下文信息，这样就既解决了[mask]带来的两阶段不一致问题和无法同时引入上下文信息的问题。改进之后，取了个新名字：Permutation Language Model。举个例子：输入句子为x1->x2->x3->x4，假设我们要预测的单词是x3，那我们需要在x3的上文x1和x2的位置看到x4的信息，这样才能解决同时引入上下文的问题。那就可以这么做了：随机排列组合x1、x2、x3、x4的顺序，并从中随机选择一部分作为新的句子输入。比如选择了x2->x4->x3->x1，那这个时候预测x3的时候是不是就能看到上文x2和下文x4的信息了呢，这就是XLNet的基本思路。就是通过排列组合的方式将一部分下文单词放到上文单词的位置，但实际形式还是一个从左到右预测的自回归语言模型。
但是我们在Fine-tune的时候总不能也随机组合输入的句子吧，那这和加了[mask]有啥区别呢？别急，继续往下看。XLNet在输入阶段并没有改变输入顺序，随机打乱输入句子的顺序这个过程是在Transformer中通过Attention mask实现的，就是随机掩盖掉序列中的一些单词，并将未掩盖掉的单词作为预测单词的上文。拿原文中的一个图举例：
右图的红色矩阵就是Attention Mask矩阵，1->2->3->4的输入序列在Attention Mask的作用下变成了3->2->4->1，Attention Mask也分为两种，一种是能看见自身的Content stream和Query stream。对于1来说3，2，4就是1的上文，所以第一行全是红色；对于2来说上文就只有3，所以对应位置为红色；对于3来说没有上文，所以全为白色...以此类推。那这样就实现了在输入侧不改变单词顺序，在Transformer内部实现了输入的随机排列了。
XLNet在长文本上的表现也比Bert强，Transformer-XL这篇文章还没看过，待我看过文章之后再继续写。以上我的理解都是源自两位大牛的解读，理解的比较浅，有兴趣的小伙伴建议阅读原文章：
https://www.zhihu.com/question/330307904/answer/721986216
https://zhuanlan.zhihu.com/p/70257427