关于跨语种语言模型的讨论

最近，一个预先训练的模型被证明可以改善下游问题。Lample和Conneau提出了两个新的培训目标来培训跨语言语言模型(XLM)。这种方法可以实现跨语言自然语言推理(XNLI)的最新成果。另一方面，wada和iwata提出了另一种无需并行数据学习跨语言文本表示的方法。他们将其命名为多语言神经语言模型。

本文将讨论多语言神经语言模型的跨语言模型预训练(Lample and Conneau, 2019)和无监督跨语言单词嵌入(Wada and Iwata, 2018)

文章将包括以下内容:

1.数据

2.跨语言语言模型体系结构

3.多语言神经语言模型体系结构

4.实验

数据

Lample和Conneau对单语数据使用Wikipedia dump，而跨语言数据来自:MultiUN (Ziemski 等人，2016):法语、西班牙语、俄语、阿拉伯语和汉语

印度理工学院孟买语料库(Anoop等人，2018):印地语

OPUS (Tiedemann, 2012):德语、希腊语、保加利亚语、土耳其语、越南语、泰语、乌尔都语、斯瓦希里语和斯瓦希里语

wada和iwata对除芬兰语外的所有语言都使用News抓取2012年单语语料库，而对芬兰语则使用News抓取2014年。

跨语言语言模型体系结构

输入表示法

为了处理词汇表外(OOV)和跨语言的问题，采用字节对编码(BPE)子单词算法将一个单词拆分为多个子单词。不同的语言使用不同的子单词集，而是共享相同的字母表、数字、特殊标记和专有名词，以改进跨语言嵌入空间的对齐。

除了子单词，XLM还将位置嵌入(表示句子的位置)和语言嵌入(表示不同的语言)输入到不同的语言模型(LM)中，以学习文本表示。这些LM:

1.因果语言建模（CLM）

2.蒙面语言建模（MLM）

3.翻译语言建模（TLM）

因果语言模型(CLM)

CLM由一个转换器组成，通过提供一组以前的特性来学习文本表示。给定当前批处理之前的隐藏状态，模型预测下一个单词。

蒙面语言建模(MLM)

Lample和Connea遵循Devlin等人(2018)的方法，随机抽取15%的子单词，80%的时间用保留词([MASK])替换，10%的时间用随机工作，10%的时间保持不变。

Devlin等人(2018)的区别在于:

使用任意数量的句子，但不使用成对的句子

子样本高频子字

MLM体系结构(Lample and Conneau, 2019)

翻译语言建模(TLM)

CLM和MLM针对单语数据而设计，TLM针对跨语言数据。BERT使用片段嵌入在一个输入序列中表示不同的句子，而用语言嵌入替换它来表示不同的语言。

在这两种语言的数据中，子单词都是随机抽取的。这两种语言的子词都可以用来预测任何掩码词。

TLM架构(Lample and Conneau, 2019)

多语言神经语言模型体系结构

Wada 和Iwata注意到并行数据不适合低资源语言。由于模型无法从并行数据中学习文本表示，因此不同语言中的子单词嵌入将不相同。然而，他们共享双向LSTM来学习多语言的单词嵌入。由于体系结构是跨语言共享的，Wada和Iwata认为，如果一个token是同一个语言，模型就能学习类似的嵌入式。

下图展示了该模型的架构，同时:

1.f:正向和反向LSTM网络

2.EBOS:嵌入式的初始输入

3.WEOS:表示下一个单词是句末的可能性

4.El:语言的单词嵌入

4.WI:语言El的线性投影，用来计算下一个单词的概率分布

多语言神经语言模型的体系结构(Wada和Iwata 2018)

实验

基本上，XLM（MLM+TLM）跨语言实现了良好的效果。由于作者注意到CLM在跨语言问题中不具有可伸缩性，所以在接下来的模型比较中没有包含CLM训练对象。

模型间XLM结果(Lample和Conneau, 2019)

由于Wada和Iwata只专注于解决少量的单语数据可用，或者单语语料库的领域在不同的语言场景中有所不同。他们打算使用不同的数据集来查看性能。下图显示了如果数据集大小很小，这个模型比其他模型更好。

多语言神经语言模型的比较结果(Wada and Iwata 2018)

总结一下

1.BERT使用段嵌入(表示不同的句子)，而XLM使用语言嵌入(表示不同的语言)。

2.CLM不能扩展到跨语言场景。

3.如果需要并行数据(TML)来提高性能，XLM可能不适合低资源语言。同时，设计了多语言神经语言模型来克服这一限制。

参考文献

1.Lample和A. Conneau-跨语言模型培训.2019

2.Devlin, M. W. Chang, K. Lee, K. Toutanova-BERT:语言理解深层双向变压器预习.2018

3.Wada 和T. Iwata.-基于多语言神经语言模型的无监督跨语言词嵌入.2018

原文链接：https://medium.com/towards-artificial-intelligence/cross-lingual-language-model-56a65dba9358