微软统一预训练语言模型UniLM 2.0解读

微软研究院在2月底发布的UniLM 2.0（Unified Language Model \ 统一语言模型）文章，相比于19年上半年发布的UniLM 1.0，更加有效地整合了自然语言理解（NLU）与自然语言生成（NLG）这两种不同目标下的训练任务。无论是两种训练目标结合的统一性，还是在测评数据集上表现的性能，UniLM 2.0都在前一代的基础上有较大的改进。 本文将就近年来基于Transformer的预训练语言模型在NLU与NLG两种不同训练目标上的分化做简单介绍，再研究UniLM 1.0如何有机地结合这两种训练目标，进而介绍UniLM 2.0在1.0的基础上的变化和进步

1 预训练语言模型的分化

预训练语言模型（Pre-trained Language Model）的应用，使得原本无法针对各种语境变化的静态词向量表征，向着真正基于语境的语义特征表示（Contextual Word Representation）演进。而Transformer[1]的出现，无疑让这次演进焕发出了勃勃生机。

Transformer的提出，最早是为了解决循环神经网络RNN在神经机器翻译（Neural Machine Translation \ NMT）中无法有效地并行计算的效率问题。而Transformer的结构，也天然地有着NMT任务中典型的Encoder-Decoder结构。编码器encoder用于生成原始文本的语义表征，而解码器decoder则利用原始文本的语义表征，转写得到目标语言的翻译文本。

图1 Transformer有着典型的NMT任务中的Encoder-Decoder结构

Transformer encoder有将文本序列转为特征表示的天然能力，且编码高效，语义信息的编码不因序列长度而衰减，成为了后续问世的pre-trained LM的标配，比如来自OpenAI的GPT语言模型[2]和Google的BERT语言模型[3]，都是基于Transformer encoder名噪一时的语言模型。不过两者在预训练的实现逻辑和原理的差别，也分化出了预训练语言模型的两种典型目标：

• 适用于NLG任务的自回归（AutoRegressive \ AR）语言模型
• 适用于NLU任务的自编码（AutoEncoding \ AE）语言模型

1.1 自回归（AR）语言模型

自回归AR语言模型是一种有着先后解码顺序的语言模型。比如从左往右，根据前文预测当前token（字符）的概率。这一点非常契合按照时间步对序列进行编码的RNN网络，基于2个单向LSTM的语言模型ELMo也属于这类。GPT沿袭AR语言模型的做法，从左往右编码，不过使用的是Transformer encoder作为编码器。值得注意的是，Transformer利用self-attention的机制，使得每个位置的token，都有机会attend（注意）到任意位置的token。那么GPT又是如何做到避免下文信息泄露的呢？答案在于attention mask。

Attention mask矩阵经过配置，可以让屏蔽来自的注意力，只需要把矩阵对应位置元素设置为。注意力权重加上后经过softmax规整后对应权重为0，从而避免指向的信息泄露。下面的公式[4]中，M代表attention mask，Q/K/V分别代表了self-attention中的输入序列在l层的query/key/value特征向量：

下图中，attention mask矩阵是一个右上角均为的矩阵，表示任意位置token，都无法接收来自下文的信息。GPT采用的attention mask矩阵就是如此。

图2 attention mask图示Attention mask并非GPT首创，在Transformer decoder中就有提出，是为了避免在翻译解码的过程中看到后文的翻译结果。有些地方称GPT采用的是Transformer decoder，其实并不严谨。准确来说，GPT是有着decoder特征的encoder，自然地也更适用于NLG类型任务，包括翻译、摘要生成和对话生成等等。

1.2 自编码（AE）语言模型

自编码AE语言模型没有顺序和次序约束，可以一次性获取到序列中的所有信息。可以简单理解AR模型是有顺序的，而AE模型是无序的。BERT就是一个利用Transformer encoder实现的AE模型，它没有去预测「下一个」token，而是预测缺失的token。原始输入序列带有被掩盖（mask）的token，根据上下文的信息去预测masked token，类似于英语考试中的完形填空（cloze task）。BERT的出现使得很多NLU任务的最好成绩都有不小的提升，比如实体识别、答案抽取和文本分类等等。

AE语言模型有着解决NLU任务的天然属性，却也是处理NLG任务的先天不足。而微软提出UniLM统一语言模型，目的就是为了整合这2种不同的语言模型训练目标。

2 UniLM 1.0

UniLM 1.0是微软发表于2019年的文章[4]中提出的模型，从它的名字「统一」(unified) 看出文章实现的是NLU与NLG的统一预训练模型。文章引入了4种不同的训练目标：

• Left-to-Right LM \ 从左往右单向LM
• Right-to-Left LM \ 从右往左单向LM
• Bidirectional LM \ 双向LM
• Sequence-to-sequence LM \ 序列到序列LM

上述目标的统一训练实现，依靠的就是attention mask。

图3 UniLM 1.0的实现原理

上图中3路不同走向的具体解释：

• Bidirectional LM的attention mask矩阵全是白色方格，表示任何位置的token可以相互attend，与BERT训练目标一致
• Left-to-Right LM的attention mask矩阵右上角为灰（对应为），表示每个token只能attend到该token左侧的token，与GPT训练目标一致
• Seq-to-Seq LM是上述2种目标的组合，参考下图4
  • 左上角蓝框内矩阵为全白格，与双向的情况一致，表示Segment1 (S1) 内的token可以相互attend
  • 右下角粉框内矩阵为上三角阵，与从左往右的单向情况一致，表示Segment2 (S2) 的token只能attend到其自身左侧的token信息

图4 Seq-to-Seq情况下的attention mask

Seq-to-Seq LM的设计，是将S1看作source，S2看作target，其中target与source可能是引申、推导等关系。因此在S1上做NLU式的双向完整的理解，S2则是NLG式的单向的生成，符合Seq-to-Seq的应用需求。

4种目标的训练可以在一套模型参数上同时进行，只需要调整不同的attention mask即可。文章总结了Unified 1.0的3点优势：

• 一个Transformer模型结构和参数可以适用于不同的训练目标
• 不同的训练目标下的参数共享，可以得到更具普适性的文本表征
• Seq-to-Seq目标的训练，可以很好地适用于NLG的任务

在Unified 1.0中，Seq-to-Seq LM展示了该团队用统一的encoder来同时编码AE和AR模型的尝试。而2019年语言模型领域的更新变化，也让微软的这支团队看到了更优的解决方案的可能性。

3 UniLM 2.0

在微软发表UniLM 1.0之后没多久，由Google Brain和CMU联合研制的XLNet[5]发布。XLNet利用不同的factorization order，使目标token下文的token得以先被编码，从而实现了一种能够attend到全序列信息的自回归AR语言模型。具体的实现也是通过设计包含次序信息的attention mask来达到的。

图5 XLNet中，factorization order（3-2-4-1）可能和输入的sequence order（1-2-3-4）完全不同，前者代表的是预测顺序，通过attention mask可以表示顺序变化

Factorization order直译为因式分解顺序，此处译为解析顺序或者预测顺序更为贴切。它描述的是序列中token被预测的先后顺序，这个顺序可以和序列本身的sequence order完全不同。虽然常见的NLG任务遵循从左往右的序列顺序依次解码，但这并不意味着训练编码的顺序也要求从左往右。XLNet就成功实现了下文token提前编码的自回归预训练，且达到了不错的效果。这里要介绍的UniLM 2.0[6]也利用了这一点。

UniLM 2.0相比于1.0的主要改进，在于它支持更多样的factorization order且无需重复构建训练实体。这一目标的实现，主要是借助文章提出的伪掩码语言模型（Pseudo-Masked Language Models \ PMLM），参考下图。

图6 原始输入序列为 ，其中均被掩盖，图中展示2种不同的流程用来预测这3个掩码的内容

图中的例子是一个factorization order为{4,5 -> 2}的输入序列：

将上述流程按2个阶段展开：

AE \ AutoEncoding \ 自编码

• 图中左半部分，仅使用前一半输入序列
• 序列的任意token间可以互相attend，[M]代表mask掩码，训练目标是一次给出序列中所有[M]的预测概率，与BERT训练一致
• 具体的预测流程：

PAR \ Partially AutoRegressive \ 部分自回归

• 图中右半部分，使用全部输入序列
• 使用[P]代表pseudo mask，直译为伪掩码，目的是为了与前一步骤中的[M]区别开。先同时预测和，再在已有, 的基础上预测
• 具体的预测流程：

说明

• partially AR之所以是「部分」，是因为模型支持一次预测出连续的掩码。之前需要{4->5->2}，现在支持{4,5->2}，由token级别改进为span级别，是AR模型的一种拓展；
• 选用{4,5 -> 2}这样的预测顺序只是其中一种factorization order，亦可选用{2 -> 4,5}这样的顺序；
• 引入伪掩码[P]是为了避免重复构建训练实体，否则上面PAR步骤中的2步流程需要2次构建不同的样本才能分别实现；
• 一个token在输入序列中的真实位置并不重要，只要2个token有着相同的position embedding，模型会认为它们在文本中的位置一样。

这里再解释一下引入[P]伪掩码的作用。

[P]其实和[M]的作用一致，只是作用的阶段不同。AE阶段预测[M]的内容，PAR阶段预测[P]的内容，这是文章为了让2个不同的训练目标可以在一次输入的情况下完成而设计的一种策略。如果这里还是按照UniLM 1.0，AR阶段的训练是从左往右单向的，那么只用[M]就足够。UniLM 2.0为了实现不同的factorization order，允许下文的token先被预测，且不需要每步预测后再重新构建输入序列，故引入[P]掩码。

在构建好输入序列之后，为了避免信息泄露，这里也是通过独特设计的attention mask矩阵来保证的。文章的例子{4,5->2}所用的attention mask如下图，大家可自行对照，这里不做展开。

图7 Factorization order为{4,5->2}的attention mask矩阵。注意：这里的灰色块代表允许attend，白色块代表不允许attend，与UniLM 1.0的表示正好相反。

虽然UniLM 2.0以一种不太直观的形式准备了预训练的输入序列，但它却向我们展示了在不同的factorization order的条件下，AR和AE训练目标在一个单一encoder中的统一实现。而与此同时，又有一些预训练LM开始回归最初的Encoder-Decoder的结构，比如谷歌的T5和微软的MASS，也让我们看到了预训练语言模型的更多的可能性。新的预训练语言模型不断涌现，我们也会持续跟进，为大家带来更多新颖模型的解读。

参考资料

[1]

Transformer \ Attention Is All You Need (2017)

[2]

GPT \ Improving Language Understanding by Generative Pre-Training (2018)

[3]

BERT \ BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding (2018)

[4]

UniLM 1.0 \ Unified Language Model Pre-training for Natural Language Understanding and Generation (2019)

[5]

XLNet \ Generalized Autoregressive Pretraining for Language Understanding (2019)

[6]

UniLM 2.0 \ UNILMv2: Pseudo-Masked Language Models for Unified Language Model Pre-Training (2020)