GPT:Generative Pre-Training

1. 概述

随着深度学习在NLP领域的发展,产生很多深度网络模型用于求解各类的NLP问题,从word2vec词向量工具的提出后,预训练的词向量成了众多NLP深度模型中的重要组成部分。然而传统的word2vec生成的词向量都是上下文无关的,其生成的词向量式固定,不会随着上下文的改变而改变,这种固定的词向量无法解决一词多义的问题。比如“bank”这个词,既可以表示“河岸”,也可以表示“银行”。Embeddings from Language Models(ELMo)[1]是2018年提出的一种基于上下文的预训练模型,通过大量语料学习到每个词的一般性embedding形式,学习到与上下文无关的语义向量表示,以此实现对多义词的建模。

Generative Pre-Training(GPT)[2]也是在2018年提出的实现对多义词建模的语义模型,与ELMo相同的是,在GPT中,也是采用了两阶段的过程,第一阶段是利用无监督的方式对语言模型进行预训练,第二阶段通过监督的方式在具体语言任务上进行Fine-tuning。不同的是在GPT中采用的特征提取算法是transformer,且是单向的语言模型,而在ELMo中采用的双向的LSTM算法。

2. 算法原理

2.1. GPT的基本原理

与ELMo模型的训练一样,在GPT的训练过程中采用两阶段的过程,第一个阶段是GPT模型的预训练,得到与上下文无关的语义向量的表示,第二阶段在具体任务上Fine-tuning,以解决具体的下游任务。具体的两阶段过程可由下图表示:

在这里插入图片描述

2.2. 第一阶段——GPT模型预训练

2.2.1. 与ELMo模型的对比

GPT模型的预训练与ELMo模型的预训练的主要不同集中在两点:

  1. GPT中采用的是Transformer作为语义特征的提取,而ELMo中采用的是LSTM;
  2. GPT中采用的是单向的语言模型,即通过上文预测当前的词,而ELMo中采用的是双向的语言模型,即上下文预测当前的词。

GPT模型与ELMo模型的对比可以由下图表示:

在这里插入图片描述

完整的Transformer是一个典型的Seq2seq的结构,包括了Encoder和Decoder两个部分,如下图所示:

在这里插入图片描述

在GPT模型中使用的是Transformer结构中的Decoder结构,如上图中的右半部分,并对上述的Decoder部分进行了一些改动,原本的Decoder中包含了两个Multi-Head Attention结构,分别为Masked Multi-Head Attention和Multi-Head Attention,而在GPT中只保留了Mask Multi-Head Attention。

2.2.2. GPT模型的预训练

对于GPT模型的预训练,同样采用的是语言模型,即通过上文预测当前的词。假设词的集合为$U=\left \{ u_1,\cdots ,u_n \right \}$,语言模型的目标函数为:

$$L_1\left ( U \right )=\sum _ilog\; P\left ( u_i\mid u_{i-k},\cdots ,u_{i-1};\Theta \right )$$

其中,$k$是窗口的大小。此时需要求此目标函数的最大值。在GPT模型的预训练中,采用的基本特征提取模块是Transformer中的Decoder结构,模型的输入向量$h_0$为:

$$h_0=UW_e+W_p$$

其中,$U=\left ( u_{-k},\cdots ,u_{-1} \right )$表示的当前词$u$的以$k$为窗口的上文,$W_e$表示的词向量,$W_p$表示的是位置向量,通过上文的词向量和位置向量的和得到当前词的输入向量。经过多个Transformer结构,得到第$l$层的输出:

$$h_l=transformer\_block\left ( h_{l-1} \right )$$

由于是decoder结构,我们希望得到当前词的位置是词$u$的概率,即为:

$$P\left ( u \right )=softmax\left ( h_nW_e^T \right )$$

以此,我们便可以得到预训练的GPT模型,同时$W_e$即为训练好的词向量。

2.3 第二阶段——Fine-tuning

2.3.1. Fine-tuning具体计算

在GPT模型的下游任务中,需要根据GPT的网络结构,对下游任务做适当的修改,具体如下图所示:

在这里插入图片描述

假设带有标签的数据集为$C$,其中,词的序列为$x^1,\cdots ,x^m$,标签为$y$。实际上就是通过标签$y$的上文预测当前词是$y$,假设通过上述第一阶段,得到最后一个词的输出$h_l^m$,此时需要预测标签$y$,即为:

$$P\left ( y\mid x^1,\cdots ,x^m \right )=softmax\left ( h_l^mW_y \right )$$

此时,目标函数为:

$$L_2\left ( C \right )=\sum _{\left ( x,y \right )}log\; P\left ( y\mid x^1,\cdots ,x^m \right )$$

此时需要使得$L_2$取得极大值,为了能够对原先的网络结构fine-tuning,对具体任务可结合目标函数$L_1$和$L_2$:

$$L_3\left ( C \right )=L_2\left ( C \right )+\lambda \ast L_1\left ( C \right )$$

2.3.2. 不同的下游任务构造

对于不同的下游任务,在Fine-tuning的过程中,需要不同的改造方法以适应GPT的模型结构,如上图所示:

  1. 对于分类任务,只需要在特征序列前后分别加上开始(Start)和结束(Extract)标记;
  2. 对于句子关系判断任务,如Entailment,除了开始和结束标记,在两个句子中间还需要加上分隔符(Delim);
  3. 对文本相似性判断任务,与句子关系判断任务相似,不同的是需要对两个句子的位置做变换;
  4. 对于多项选择任务,则需要根据Context与不同的Answer组合出不同的句子对,分别输入到模型中,句子对的形式与句子关系判断一致。

3. 总结

GPT模型中通过采用Transformer结构中的Decoder作为语义模型的提取模型,可以显著提升文本语义的学习能力,同时两阶段的学习方法对于可以方便的将GPT应用在不同的任务中。

参考文献

[1] Peters M , Neumann M , Iyyer M , et al. Deep Contextualized Word Representations[J]. 2018.

[2] Radford A, Narasimhan K, Salimans T, et al. Improving language understanding by generative pre-training[J]. 2018.