XLNet震惊了NLP领域，这种语言建模的新方法在20个NLP任务上的表现优于强大的BERT，并且在18个任务中获得了最先进的结果。
XLNet可能会改变语言建模，这就是为什么它是任何NLP从业者的重要补充。在本文中，我们将讨论XLNet背后的原理，它使它比BERT更好。为了更好地理解它，我们还将研究它之前的相关技术。
语言建模简介
在2018年，随着语言建模任务处于研究的中心，NLP领域取得了重大的进步。
语言建模是在给定所有先前的单词的情况下，预测句子中的下一个单词的任务。语言模型现在已经成为NLP管道的重要组成部分，因为它们为各种下游任务提供了支撑。语言模型捕获几乎普遍有用的输入文本的一些特性。
早期的语言模型ULMFiT和ELMo，两者都是基于LSTM的语言模型。事实上，ULMFiT和ELMo都取得了巨大的成功，在众多任务中取得了最先进的成果。但我们将看到XLNet如何实现前所未有的成果。
用于语言建模的自回归模型(AR)
XLNet是一种通用的自回归预训练模型。自回归模型仅仅是一种前馈模型，它根据给定上下文的一组单词预测下一个词。但是在这里，上下文单词被限制在两个方向，前向或后向。
可以按顺序运行自回归模型以生成新序列！从x1，x2，…，xk开始，预测xk+1。然后使用x2，x3，…，xk+1来预测xk+2，依此类推。GPT和GPT-2都是自回归语言模型。所以，它们在文本生成中变现不错。
自回归语言模型的问题在于它只能使用前向上下文或后向上下文，这意味着它不能同时使用前向和后向上下文，从而限制其对上下文和预测的理解。
自动编码器(AE)语言建模
与AR语言模型不同，BERT使用自动编码器(AE)语言模型。AE语言模型旨在从损坏的输入重建原始数据。
在BERT中，通过添加[MASK]来破坏预训练输入数据。例如，"Goa has the most beautiful beaches in India"将成为‘Goa has the most beautiful [MASK] in India’，该模型的目标是根据上下文词预测[MASK]词。自动编码器语言模型的优点是，它可以看到前向和后向的上下文。但是，由于在输入数据中添加[MASK]引入了微调模型的差异。
BERT有什么问题？
虽然通过使用AE语言建模BERT几乎在所有NLP任务中都实现了SOTA，但它的实现仍然存在一些漏洞。BERT模型有两个主要缺点：
1.由于掩蔽导致的微调差异
训练BERT以预测用特殊[MASK]标记替换的标记。问题是在下游任务中微调BERT时，[MASK]标记永远不会出现。在大多数情况下，BERT只是将非掩码标记复制到输出中。
那么，它真的会学会为非掩码标记生成有意义的表示吗？它也不清楚如果输入句中没有[MASK]标记会发生什么。
2.预测的标记彼此独立
BERT假设在给定未掩蔽的的标记的情况下，预测的(掩蔽的)标记彼此独立。为了理解这一点，我们来看一个例子。
Whenever she goes to the [MASK][MASK]she buys a lot of [MASK].
这可以填写为:
Whenever she goes to the shopping center, she buys a lot of clothes.
或者
Whenever she goes to the cinema hallshe buys a lot of popcorn.
而句子：
Whenever she goes to the cinema hallshe buys a lot of clothes.
是无效的。BERT并行预测所有掩蔽的的位置，这意味着在训练期间，它没有学会处理同时预测的掩蔽的标记之间的依赖关系。换句话说，它不会学习到预测之间的依赖关系。它预测标记彼此之间互相独立。这可能是一个问题的原因是这减少了BERT一次学习的依赖关系的数量，使得学习信号比它原本可能的更弱。
XLNet：排列语言建模
BERT在所有传统语言模型中脱颖而出的原因在于它能够捕获双向上下文。同样，它的主要缺陷是在预训练引入[MASK]标记和并行独立预测。
如果我们以某种方式构建一个包含双向上下文的模型，同时避免[MASK]标记和并行独立预测，那么该模型肯定会胜过BERT并取得最先进的结果。
这基本上就是XLNet所实现的目标。
XLNet通过使用称为“排列语言建模”的语言建模变体来实现这一点。训练排列语言模型以预测在给定上下文后的一个标记，就像传统语言模型一样，但是不是以连续顺序预测标记，而是以某种随机顺序预测标记。为清楚起见，我们以下面的句子为例：
“Sometimes you have to be your own hero.”
传统的语言模型按照下面的顺序预测标记：
“Sometimes”, “you”, “have”, “to”, “be”, “your”, “own”, “hero”
其中每个标记使用所有前面的标记作为上下文。
在排列语言建模中，预测的顺序不一定是从左到右。例如，它可能是：
“own”, “Sometimes”, “to”, “be”, “your”, “hero”, “you”, “have”
其中“Sometimes”会以看到“own为条件，而“to” 则以看到“own”和“Sometimes”等为条件。
注意如何使用排列语言建模强制模型建模双向依赖关系。期望上，模型应该学习建模所有输入组合之间的依赖关系，而传统语言模型只能在一个方向上学习依赖关系。
XLNet使用Transformer XL
除了使用排列语言建模之外，XLNet还使用了Transformer XL，它可以进一步改善其结果。
Transformer XL模型背后的主要思想：
相对位置嵌入循环机制在对当前段进行排列语言建模时，缓存并冻结来自前一段的隐藏状态。由于来自前一段的所有单词都用作输入，因此不需要知道前一段的排列顺序。
双流自注意力(Two-Stream Self-Attention)
对于使用Transformer模型的语言模型，当预测位置i处的标记时，该词的整个嵌入被掩蔽，包括位置嵌入。这意味着模型与它所预测的标记位置有关的知识隔绝。
这可能是有问题的，特别是对于句子开头的位置，其与句子中的其他位置具有显着不同的分布。为了解决这个问题，作者引入了第二组表示，其中包含位置信息，但仅为了预训练而屏蔽了实际的标记。第二组表示称为query stream。训练该模型以使用来自query stream的信息来预测句子中的每个标记。
包括位置嵌入和词嵌入的原始表示集称为content stream。这组表示用于在预训练期间合并与特定单词相关的所有信息。content stream用作query stream的输入。这个模式称为“双流自注意力”。
对于每个单词，query stream使用ontent stream，该ontent stream对直到当前单词的单词的所有可用上下文信息进行编码。例如，我们在下面的句子中预测 “calm” 一词：
“Keep calm and read papers”
其中位于排列前面的词是 “and”和“papers”。content stream将编码单词“and”和“papers”的信息，query stream将编码 “calm”的位置信息，以及结合来自content stream的信息，用于预测单词 “calm”。
总结
XLNet必将成为研究中讨论的话题。这表明NLP中的语言建模和迁移学习还有很多需要探索的地方。
