BERT生成式之MASS解读

距离上篇文章又一个月了。。。时光飞逝。。。再次立下一周一篇的flag

最近读了一篇专栏文章BERT时代与后时代的NLP，收获颇丰。算是作者的同行，最近也在做类似的东西，但是作者都给总结了起来，让我又重新串了一遍那些思想，查漏补缺。另外最近没怎么追踪前沿，看到作者又列举了两篇我一直关注的transformer系文章，赶紧打出来看了，顺便写篇文章记录下收获。

1. MASS模型

MASS的主要贡献是提出一种新的Pre-train seq2seq任务的方法。

BERT的成功把nlp带向了pretrain+finetune时代，而对于文本生成任务（机器翻译、文本摘要、生成问答），由于语料对较少，更需要使用pretrain的模型来减少标注代价。

看到这里的读者可以先自己想一下如何pretrain seq2seq的任务。大家首先能想到的估计就是BERT+LM，因为BERT的编码能力比其他BiLM的能力强一些。但这样pretrain的问题就是，如果我们的语料是unsupervised，就要分开预训练encoder和decoder，可能会导致两者的分布不一致。

于是MASS的作者就借鉴了Masked LM的思想，只用一句话就让encoder和decoder同时训练。具体做法是mask掉句子的一部分x，再用decoder去预测x，如下图：

注意，在经典的seq2seq结构中，decoder的输入都是完整的，而这里只输入应该被预测的token，作者的解释是这样可以让decoder依赖于encoder的编码，让两者更好地共同训练。

之后，作者更进一步，居然把BERT和GPT统一了起来：

图a): 可能会有同学觉得decoder不是双向的，没法把encoder和decoder看成BERT，但其实只把encoder看成BERT就可以，decoder看作classifier层。

图b): 单向LM(GPT)，从左到右进行预测，encoder没有给decoder任何信息。

2. 实验细节

1. 语言：因为要应用到机器翻译任务，所以预训练模型采用4种语言，作者把四种语言同时进行Byte-Pair Encoding，生成一个60k的词表。在预训练的时候也是同时用四种语言的语料，即一个batch是32*4个句子。
2. Mask策略：从随机一个位置开始，连续mask掉句子长度50%的tokens（经过实验验证较优）。且参考BERT的策略，80%的时间用[M]，10%用随机的token，10%保留原token。
3. Decoder优化：因为预测的token都是连续的，在训练decoder时可以直接把padding去掉，但要注意保留positional encoding，这样可以节省50%的时间。
4. 预训练LR=1e-4，NMT的精调LR=1e-4。（感觉精调的LR应该小一些吧）

3. 结论

1. MASS达到了机器翻译的新SOTA
2. MASS > BERT+LM式的预训练
3. mask掉连续的token，可以得到更好的语言建模能力（已实验验证）
4. 只让decoder从encoder侧获取信息，得到的模型效果更好（已实验验证）

总体来讲，MASS还是给我开阔了新的思路（毕竟我没什么思路），其实仔细想这个想法也是不难想出来的，关键还是要动手去验证，并且花心思去提升效果，细节见英雄。