Multilingual多语言预训练语言模型的套路

Multilingual是NLP中的研究热点之一，其中的一个研究方向是如何构建多语言预训练语言模型，实现不同语言的在隐空间的对齐，一个模型支持多语种的NLP任务，同时利用数据丰富的语言提升数据较少的语言效果。这篇文章就为大家整理了Multilingual多语言预训练语言模型的套路，包括XLM、XLM-R、ERNIE-M、Unicoder、ALM等5个经典模型，以及这些模型之间的演进关系。

1 XLM：多语言预训练的起点

随着BERT、GPT预训练语言模型的兴起，这些方法也被自然而然的用在了多语言预训练任务上。通过在BERT、GPT等成熟的NLP模型结构上同时学习多个语言的语料，并设计多语言对齐任务，实现了Multilingual预训练语言模型，应用到下游各种语言的任务中。

Facebook在Crosslingual language model pretraining（NIPS 2019）一文中提出XLM预训练多语言模型，整体思路基于BERT，并提出了针对多语言预训练的3个优化任务。后续很多多语言预训练工作都建立在XLM的基础上，我们来详细看看XLM的整体训练过程。

首先，需要构造一个多语言的vocabulary list。XLM让所有语言共用同一个词表，利用Byte Pair Encoding (BPE)的方法从所有语言中采样文本构造词典。为了提升low-resource语言采样比例，缓解预训练模型偏向high-resource语言，在采样过程中会对各个语言采样比例做一定的矫正。通过多种语言共用一个BPE词表的方法，便于不同语言的token embedding在隐空间对齐，也能提取到不同语言共用的token。

模型预训练主要包括两个任务，分别是MLM和TLM。其中MLM和BERT中采用的方式类似，mask部分token进行预测。TLM是Translation Language Model，这个任务为了引入多语言的对齐关系，将两种语言的文本拼接到一起采用mask token的方式预测。这样在预测过程中，既可以根据本语言的信息预测，也可以根据另一种语言的信息预测。此外，XLM引入了language embedding，用来标明每个位置上的token属于哪个语言。XLM的两个预训练任务如下图所示。

2 XLM-R：更细致的XLM

Unsupervised cross-lingual representation learning at scale（ACL 2019）在XLM的基础上进一步分析了影响多语言预训练模型效果的因素，提出在100多种语言上预训练得到的XLM-R模型。下面列举了本文中的核心实验结论，揭示了不同的多语言训练方式对效果的影响。

图2显示了随着预训练过程引入语言种类的变化，low resource语言的效果先上升后下降。这是因为在模型capacity一定的情况下，引入多种语言一方面会让low resource语言获得可迁移的知识，另一方面过多的语言也稀释了模型的capacity，每种语言能够使用的capacity减少，导致效果下降。而high resource语言的效果随着引入语言数量的增加是持续下降的。图4显示，增加模型尺寸可以缓解多语言稀释capacity的问题（7种语言和30种语言效果对比），但是引入100种语言后即使增加模型尺寸效果仍然不佳。

图5展示了不同语言采样权重变化的效果影响，low resource和high resource语言之间存在一定的矛盾性，因此随着采样偏向于high resource语言，low resource语言的效果越来越差。图6则展示了词典尺寸大小对效果的影响，词典尺寸增大，对应embedding层尺寸增加，可以比较明显的提升多语言预训练模型效果。

基于以上这些实验的分析，作者提出了基于RoBerta的XLM-R，在100余种语言、2.5T的数据上预训练，取得了在XNLI数据集上相比基础版XLM模型15%的效果提升。相比于XLM，XLM-R最大的区别之一是没有使用TLM这个预训练任务，所有预训练数据都是单语言的，不包括两个语言对齐的数据。

3 ERINE-M：回译的引入

ERNIE-M: Enhanced multilingual representation by aligning cross-lingual semantics with monolingual corpora（EMNLP 2019）基于XLM-R提出了ERNIE-M模型，主要是在MMLM、TLM两个任务以外，新引入了CAMLM（Cross-attention Masked Language Modeling）和BTMLM（Back-translation Masked Language Modeling）两个额外的任务。其中CAMLM任务和TLM任务类似，都是用翻译文本对作为输入，预测被mask的token，区别在于TLM在预测一个mask token时可以同时参考两种语言的所有信息，而CAMLM在预测source句子中被mask的token时，只能使用target句子的信息；在预测target句子中被mask的token时，只能使用source句子的信息。实现上做了一个mask的操作，强制让模型只能用另一种语言的context预测本语言的mask token，提升模型的多语言对齐能力。CAMLM和MMLM、TLM等任务的区别如下图所示。

不论是TLM还是CAMLM，都需要使用parallel的句子，如果可用的parallel数据较少，就会影响对齐效果。因此，文中提出了第二个任务BTMLM，利用CAMLM学到的多语言之间的对齐关系，将回译任务融入到预训练中。核心思路是，使用CAMLM预训练好的模型，根据单语言语料生成另一种语言的伪数据，利用这个伪数据作为输入，构造parallel句子作为输入。BTMLM的示意图如下。第一步将单语言输入后面接mask，利用CAMLM预训练多语言模型生成mask部分的token，得到伪样本（即隐空间中当前样本在另一种样本下的翻译）。接下来，将伪样本作为输入，以MLM为目标，同时使用源句子和伪样本预测被mask掉的token。这种方式相当于一种数据增强手段，通过模型自动生成parallel数据，缓解了parallel数据不足的问题。

4 Unicoder：多语言对齐任务的优化

Unicoder: A Universal Language Encoder by Pre-training with Multiple Crosslingual Tasks（ACL 2019）提出了多语言预训练模型Unicoder。在XLM中，模型的训练任务主要是单语言的，Unicoder提出了3种新的多语言对齐任务来提升预训练多语言模型效果。

第一个任务是Cross-lingual Word Recovery，输入是两种语言的语句pair对（X，Y），然后利用attention的方法将X用Y表示，再利用这些表示还原X。这其实类似于一个基于attention的翻译任务，实现了不同语言之间的word alignment。

第二个任务是Cross-lingual Paraphrase Classification，是一个分类任务。输入同样是两个语言的句子对，预测这两个句子是否表达的是同一个含义。数据集的构造方法上，正样本采用机器翻译数据集的数据构造正样本。为了构造hard负样本，即语义在一定程度上相似但不是互为翻译的文本对，作者采用了Effective Parallel Corpus Mining using Bilingual Sentence Embeddings（2018）提出的hard negatives构造方法。先使用随机采样的负样本构造简单负样本训练一个baseline模型，再利用这个模型计算当前样本和所有负样本相似度，取相似度最高且又不是正样本的负样本，作为hard negatives。

第三个任务是Cross-lingual Masked Language Model，将一些文档级别翻译较好的数据集的两种语言进行重组，得到多语言document，在这种多语言document上以Mask Language Model为优化目标训练。三种不同的预训练任务如下图所示。

5 ALM：样本构造上的创新

Alternating Language Modeling for Cross-Lingual Pre-Training（AAAI 2020）提出一种新的多语言模型预训练方式。之前的做法如XLM都是将多语言文本对拼接到一起，而本文提出的ALM方法通过将源语言中的部分短语替换成另一种语言，生成了多语言交替的样本作为训练样本，以Transformer为基础在这种样本上进行Mask Language Model的学习。这种方法强制让每次预测被mask掉的单词时，都要参考其他语言的信息，进一步缩小了不同语言在隐空间的距离。

6 总结

以上就是多语言预训练中5个经典模型的介绍。除了本文介绍的预训练语言模型外，对比学习、meta-learning等方法在Multilingual中也有很多应用。多语言任务还是非常重要的，尤其当今很多企业都展开国际化战略，拓展海外市场，多语言建模技术更成为不可缺少的能力。

审核编辑 ：李倩