深度学习进阶篇-国内预训练模型[6]：ERNIE-Doc、THU-ERNIE、K-Encoder交融文本信息和KG常识；原理和模型构造详解。

1.ERNIE-Doc: A Retrospective Long-Document Modeling Transformer

1.1. ERNIE-Doc简介

经典的Transformer在解决数据时，会将文本数据依照固定长度进行截断，这个看起来比拟”果断”的操作会造成上下文碎片化以及无奈建模更长的序列依赖关系。基于此项思考，ERNIE-Doc提出了一种文档层级的预训练语言模型办法：ERNIE-Doc在训练某一个Segment时，容许该segment可能取得整个Doc的信息。

如图1所示，假如一篇残缺的文档被宰割成3个Segment：$S_1, S_2, S_3$，在编码segment $S_2$时，经典的Transformer依赖的只是$S_2$自身：$P(y|S_2)$， Recurrence Transformer (例如 Transformer-XL)依赖的是$S_1, S_2$：$P(y|S_1,S_2)$，这两种办法均没有使Segment $S_2$取得残缺的文档信息$S_1, S_2, S_3$。

图1 ERNIE-Doc的建模形式图

然而ERNIE-Doc在建模过程中，使得每个Segment均能取得残缺的文档信息：$P(y|S_1, S_2,S_3)$，其中建模长序列的关键点如下：

  • Retrospective feed mechanism: 将文本两次传入模型取得文本序列的representation，第一次将取得残缺的文本序列示意，而后该序列的representation持续参加第二次的编码过程，这样该文本序列在第二次编码过程中，每个token地位便能取得序列残缺的双向信息。
  • Enhanced recurrence mechanism: 应用了一种加强的Segment循环机制进行建模。
  • Segment-reordering objective: 对一篇文档中的各个segment随机打乱，取得多个乱序文档，而后要求模型预测这些文档中哪个是失常语序的文档。

1.2. 经典/Recurrence Transformer的计算

在正式介绍正式ERNIE-DOC之前，咱们先来回顾一下经典和Recurrence Transformer模型的计算。假如以后存在一个长文档$D$被划分为这样几个Segment：$D=\{S_1, S_2, ..., S_T\}$，其中每个Segment蕴含$L$个token：$S_\tau = \{x_{\tau,1}, x_{\tau, 2}, ..., x_{\tau,L}\}$。另外约定$h_\tau^{n} \in \mathbb{R}^{L \times d}$为Transformer第$n$层第$\tau$个Segment的编码向量。对于第$\tau+1$个Segment $S_{\tau+1}$，Transformer第$n$层对其相应的编码计算形式为：

$$\begin{split} \begin{align} & \tilde{h}_{\tau+1}^{n-1} = \left\{ \begin{matrix} h_{\tau+1}^{n-1}, \qquad \text{Vanilla Transformers} \\ \left[ \text{SG}(h_{\tau}^{n-1}) \; \circ \;h_{\tau+1}^{n-1} \right], \qquad \text{Recurrence Transformers} \end{matrix} \right. \\ & q_{\tau+1}^{n}, \; k_{\tau+1}^n, \; v_{\tau+1}^n = h_{\tau+1}^{n-1}W_{q}^{\mathrm{ T }}, \; \tilde{h}_{\tau+1}^{n-1}W_{k}^{\mathrm{ T }}, \; \tilde{h}_{\tau+1}^{n-1}W_{v}^{\mathrm{ T }} \\ & h_{\tau+1}^n = \text{Transformer-Layer}(q_{\tau+1}^{n}, \; k_{\tau+1}^n, \; v_{\tau+1}^n) \end{align} \end{split}$$

如上述探讨，这两种形式均不能使得每个Segment取得Doc的残缺信息。

1.3. Retrospective feed mechanism

ERNIE-Doc借鉴了人类浏览的行为习惯，在人类浏览时会分为两个阶段：首先会疾速略读一下文档内容，而后回过头来仔细阅读。ERNIE-Doc基于此设计了Retrospective feed mechanism，该机制同样蕴含两个阶段：Skimming phase 和 Retrospective phase。

具体来讲，一篇文档会传入模型两次，第一次被称为Skimming phase，在该阶段将会取得改文档的残缺序列示意。第二次被称为 Retrospective phase，在该阶段将会融入Skimming phase取得的残缺文档示意，开始进一步的编码计算，从而保障在第二次计算每个Segment编码时可能取得残缺的文档信息。Retrospective phase的计算形式如下：

$$\begin{split} \begin{align} \hat{H} &= \left[ \hat{H}_{1:T}^{1} \circ \hat{H}_{1:T}^{2} \cdot \cdot \cdot \circ \; \hat{H}_{1:T}^N \right], \quad \text{(skimming phase)} \\ \hat{H}_{1:T}^{i} &= \left[ \hat{h}_1^i \circ \hat{h}_2^i \cdot \cdot \cdot \circ \;\hat{h}_T^i \right] , \quad \text{(skimming phase)} \\ \tilde{h}_{\tau+1}^{n-1} &= \left[{SG}(\hat{H }\circ h_{\tau}^{n-1}) \circ h_{\tau+1}^{n-1} \right], \quad \text{(retrospective phase)} \end{align} \end{split}$$

其中以上公式各个参数解释如下：

  • $T$：一篇文档的Segment数量； $N$：Transformer模型层的数量；$L$：每个Segment中的最大token数量。
  • $\hat{H} \in \mathbb{R}^{(L \times T \times N) \times d}$：一篇文档在所有层中输入的编码向量。
  • $\hat{H}_{1:T}^i \in \mathbb{R}^{(L \times T) \times d}$ : 一篇文档在第$i$层产生的编码向量。
  • $\hat{h}_\tau^i$：第$\tau$个Segment在第$i$层产生的编码向量。

从以上公式能够看到，在retrospective 阶段，当计算每个Segment时，会引入残缺文档的示意$\hat{H}$，这样就保障了编码时，每个token可能取得残缺文档的信息。

1.4. Enhanced Recurrence Mechanism

ERNIE-Doc通过应用Retrospective feed mechanism和Enhanced Recurrence Mechanism两种形式，增大了计算每个segment时的无效上下文长度。然而第3节引入的公式计算复杂度是很高，因而 Enhanced Recurrence Mechanism冀望前一个Segment便能取得残缺的文档信息，而后间接融入前一个Segment便能使得以后Segment计算融入残缺的文档信息。

如图2所示，ERNIE-Doc通过将前一个Segment的同层编码表示，引入了以后Segment的计算中，这个做法同时也有利于下层信息反补上层的编码表示，具体公式为：

$$\tilde{h}_{\tau+1}^{n-1} = \left[{SG}(h_\tau^n) \circ h_{\tau+1}^{n-1} \right]$$

图2 ERNIE的Segment连贯形式

1.5. Segment-Reordering Objective

在预训练阶段，ERNIE-Doc应用了两个预训练任务：MLM和Segment-Reordering Objective。咱们先来探讨Segment-Reordering Objective，其旨在帮忙模型显式地建模Segment之间的关系，其会将一篇长文档进行划分为若干局部，而后将这些局部进行随机打乱，最初让模型进行预测原始的语序，这是一个$K$分类问题：$K=\sum_{i=1}^m i!$，其中$m$是最大的划分数量。

如图3所示，假如存在一篇文档$D$被划分为3局部：$D=\{C_1, C_2, C_3\}$，ERNIE-Doc通过打乱这些局部失去$\hat{D}=\{C_2, C_3, C_1\}$，而后在最初一个Segment $S_\tau$的地位进行预测原始的文档程序$C_1, C_2, C_3$。

图3 预训练任务Segment-Reordering Objective

另外，在取得$\hat{D}=\{C_2, C_3, C_1\}$后，ERNIE-Doc会对$\hat{D}$进行划分Segment：$\hat{D} = \{S_1,S_2,...,S_T \}$，并且会对这些Segment中的某些Token 进行Mask，从而结构MLM工作，要求模型依据毁坏的Segment $\hat{S}_\tau$复原成原始的$S_\tau$。联合MLM和Segment-Reordering Objective总的预训练指标为：

$$\underset {\theta}{\text{max}} \; \text{log} \; p_\theta(S_\tau|\hat{S}_\tau) + \mathbb{1}_{\tau=T}\; \text{log}\;p_\theta(D|\hat{D})$$

其中，$\mathbb{1}_{\tau=T}$示意Segment-Reordering Objective仅仅在最初一个Semgnet $S_T$地位被执行，以优化模型。

  • 相干材料
  1. ERNIE-Doc: A Retrospective Long-Document Modeling Transformer
  2. ERNIE-Doc Github

2.ERNIE：Enhanced Language Representation with Informative Entities

2.1. THU-ERNIE简介

以后的预训练模型（比方BERT、GPT等）往往在大规模的语料上进行预训练，学习丰盛的语言常识，而后在上游的特定工作上进行微调。但这些模型根本都没有应用常识图谱（KG）这种结构化的常识，而KG自身能提供大量精确的常识信息，通过向预训练语言模型中引入这些内部常识能够帮忙模型了解语言常识。基于这样的思考，作者提出了一种交融常识图谱的语言模型ERNIE，因为该模型是由清华大学提供的，为区别百度的ERNIE，故本文后续将此模型标记为THU-ERNIE。

这个想法很好，但将常识图谱的常识引入到语言模型存在两个挑战：

  • Structured Knowledge Encoding：如何为预训练模型提取和编码常识图谱的信息？
  • Heterogeneous Information Fusion：语言模型和常识图谱对单词的示意（representation）是齐全不同的两个向量空间，这种状况下如何将两者进行交融？

对于第一个问题，THU-ERNIE应用TAGME提取文本中的实体，并将这些实体链指到KG中的对应实体对象，而后找出这些实体对象对应的embedding，这些embedding是由一些常识示意办法，例如TransE训练失去的。

对于第二个问题，THU-ERNIE在BERT模型的根底上进行改良，除了MLM、NSP工作外，从新增加了一个和KG相干的预训练指标：Mask掉token和entity (实体) 的对齐关系，并要求模型从图谱的实体中抉择适合的entity实现这个对齐。

2.2. THU-ERNIE的模型构造

图1 THU-ERNIE的模型架构

THU-ERNIE在预训练阶段就开始了与KG的交融，如图1a所示，THU-ERNIE是由两种类型的Encoder重叠而成：T-Encoder和K-Encoder。其中T-Encoder在下边重叠了$N$层，K-Encoder在上边重叠了$M$层，所以整个模型共有$N+M$层，T-Encoder的输入和相应的KG实体常识作为K-Encoder的输出。

从性能上来讲，T-Encoder负责从输出序列中捕捉词法和句法信息；K-Encoder负责将KG常识和从T-Encoder中提取的文本信息进行交融，其中KG常识在这里次要是实体，这些实体是通过TransE模型训练进去的。

THU-ERNIE中的T-Encoder的构造和BERT构造是统一的，K-Encoder则做了一些扭转，K-Encoder对T-Encoder的输入序列和实体输出序列别离进行Multi-Head Self-Attention操作，之后将两者通过Fusion层进行交融。

2.3. K-Encoder交融文本信息和KG常识

本节将具体探讨K-Encoder的内部结构以及K-Encoder是如何交融预训练文本信息和KG常识的。图1b展现了K-Encoder的外部细节信息。

咱们能够看到，其对文本序列 (token Input) 和KG常识(Entity Input)别离进行Multi-Head Self-Attention(MH-ATT)操作，假如在第$i$层中，token Input对应的embedding是$\{w_{1}^{(i-1)},w_{2}^{(i-1)},...,w_{n}^{(i-1)}\}$，Entity Input对应的embedding是$\{ e_1^{(i-1)},e_2^{(i-1)},...,e_n^{(i-1)}\}$，则Multi-Head Self-Attention操作的公式能够示意为：

$$\begin{split} \{\tilde{w}_{1}^{(i-1)},\tilde{w}_{2}^{(i-1)},...,\tilde{w}_{n}^{(i-1)}\} = \text{MH-ATT}(\{w_{1}^{(i-1)},w_{2}^{(i-1)},...,w_{n}^{(i-1)}\}) \\ \{\tilde{e}_{1}^{(i-1)},\tilde{e}_{2}^{(i-1)},...,\tilde{e}_{m}^{(i-1)}\} = \text{MH-ATT}(\{e_{1}^{(i-1)},e_{2}^{(i-1)},...,e_{m}^{(i-1)}\}) \end{split}$$

而后Entity序列的输入将被对齐到token序列的第一个token上，例如实体”bob dylan”将被对齐到第一个单词”bob”上。接下里将这些MH-ATT的输出到Fusion层，在这里将进行文本信息和KG常识的信息交融。因为有些token没有对应的entity，有些token有对应的entity，所以这里须要分两种状况探讨。

对于那些有对应entity的token，信息交融的过程是这样的：

$$\begin{split} h_j = \sigma(\tilde{W}_t^{(i)}\tilde{w}_j^{(i)}+\tilde{W}_e^{(i)}\tilde{e}_k^{(i)}+\tilde{b}^{(i)}) \\ w_j^{(i)} = \sigma({W}_t^{(i)}{h}_j+b_t^{(i)}) \\ e_k^{(i)} = \sigma({W}_e^{(i)}{h}_j+b_e^{(i)}) \end{split}$$

对于那些没有对应entity的token，信息交融的过程是这样的：

$$\begin{split} h_j = \sigma(\tilde{W}_t^{(i)}\tilde{w}_j^{(i)}+\tilde{b}^{(i)}) \\ w_j^{(i)} = \sigma({W}_t^{(i)}{h}_j+b_t^{(i)}) \end{split}$$

其中这里的$\sigma(\cdot)$是个非线性的激活函数，通常能够应用GELU函数。最初一层的输入将被视作交融文本信息和KG常识的最终向量。

2.4. THU-ERNIE的预训练任务

在预训练阶段，THU-ERNIE的预训练任务蕴含3个工作：MLM、NSP和dEA。dEA将随机地Mask掉一些token-entity对，而后要求模型在这些对齐的token下来预测相应的实体散布，其有助于将实体注入到THU-ERNIE模型的语言示意中。

因为KG中实体的数量往往过于宏大，对于要进行这个工作的token来讲，THU-ERNIE将会给定小范畴的实体，让该token在这个范畴内去计算要输入的实体散布，而不是全副的KG实体。

给定token序列$\{w_{1},w_{2},...,w_{n}\}$和对应的实体序$\{ e_1,e_2,...,e_m\}$，对于要对齐的token $w_i$来讲，相应的对齐公式为：

$$p(e_j|w_i) = \frac{exp(\text{linear}(w_i^o) \cdot e_j)}{\sum_{k=1}^{m}exp(\text{linear}(w_i^{o}) \cdot e_k)}$$

相似与BERT对token的Mask策略，THU-ERNIE在Mask token-entity对齐的时候也采纳的肯定的策略，如下：

  1. 以5%的概率去随机地替换实体，让模型去预测正确的entity。
  2. 以15%的概率间接Mask掉token-entity，让模型去预测相应的entity。
  3. 以80%的概率放弃token-entity的对齐不变，以让模型学到KG常识，晋升语言理解能力。

最终，THU-ERNIE的总的预训练损失是由MLM、NSP和dEA三者的加和。

  • 参考资料
  1. ERNIE：Enhanced Language Representation with Informative Entities
  2. ERNIE Githut