深入理解深度学习——BERT派生模型：跨语言模型XLM（Cross-lingual Language Model）-Toy模板网

这篇具有很好参考价值的文章主要介绍了深入理解深度学习——BERT派生模型：跨语言模型XLM（Cross-lingual Language Model）。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

BERT本应在语义理解上具有绝对优势，但其训练语料均为英语单语，受限于此，早期的BERT只在英语文本理解上有优势。随着全球化进程的加速，跨语言的预训练语言模型也具有非常重要的应用场景。为了探究BERT在跨语言场景中的性能，跨语言语言模型XLM（Cross-lingual Language Model）应运而生。XLM在不改动BERT架构的情况下，通过以下改进，让BERT拥有了跨语言的能力：

分词操作——使用BPE(Byte Pair Encoding)编码。
将大量单语语料扩充为双语平行语料。
用TLM（Translated Language Modeling，翻译语言建模）训练方法替代MLM训练方法。

以上三个改进是为了解决两个问题：

输入文本为多语种时，未登录词过多的问题。
多语种文本之间词义和句义难匹配的问题。

使用BPE编码是为了解决词表中未登录词过多的问题，而在训练语料中加入大量双语平行语料及采用TLM训练方法都是为了关联多语种输入文本的词义和句义。回忆BERT关联两个句子语义的训练方法(NSP)，读者不难知晓TLM训练方法的大致框架。

算法细节

BPE

XLM用BPE作为分词工具，将多个语种的文本切割成更细粒度的子词，利用单语种的构词规律与同一语系的语法相似性，极大地降低了词表数量，缓解了推理时未登录词过多的问题（BPE是自然语言处理中较常见的预处理方法）。不同语种的训练语料数量不一致，会导致构建BPE融合词表时各语种中词的权重不平衡的问题，因此在构建BPE融合词表时，需要对训练数据进行重采样，重采样概率为： $q_i=\frac{p_i^\alpha}{\sum_{j=1}^Np_j^\alpha}, \quad\text{其中}p_i=\frac{n_i}{\sum_{k=1}^N}n_k$

$n_i$ 表示第 $i$ 种语言的语料数量， $p_i$ 表示第 $i$ 种语言的语料占比，对其进行平滑处理得到最终的采样概率 $q_i$ ，其中平滑系数 $\alpha$ 取 $0.5$ 。通过训练语料重采样构建的BPE词表，既保证了低资源语种在词表构造中占据一定的比例，又不影响高频语种在词表中的地位。

TLM

XLM使用了TLM训练方法。该训练方法通过预测掩码词，让模型学会深层语义信息，与MLM（参考《深入理解深度学习——BERT（Bidirectional Encoder Representations from Transformers）：MLM（Masked Language Model）》）不同的是，TLM的输入是两个具有相同含义，但语种不同的句子，即输入语料从单语文本转变成了双语平行语料。如下图所示，将平行语料用分隔符分隔，按照设定好的概率随机替换部分词为[MASK]，让模型预测掩码词。如此设置的优势在于：当模型预测掩码词时，不仅可以利用该词的单语语境的上下文，还可以直接利用平行语料中的语义，甚至是同义词。因此，TLM训练方法可以让模型在提取表征向量时学习跨语言的信息编码，让预训练语言模型有了跨语言理解的能力。

除了训练模式的不同，XLM也对位置编码和分割编码做了改动，以便更好地支持TLM训练。首先，对位置编码进行位置重置操作，即在平行语料后置位的语句位置从0开始计数，而非延续前置位句子计数。其次，将分割编码改为语言编码（Language Embeddings），用来区分平行语料中的两个语种。

预训练流程

高质量的平行语料不易获得，语料数量极其受限，不足以让模型获得很强的语义理解能力，而单语语料的获取方式简单且成本低，可以从多种途径（如互联网）获得大量语料，所以XLM采取MLM和TLM交叉训练的方式，在提升模型单语语义理解能力的同时，提升模型跨语言理解的能力。
深入理解深度学习——BERT派生模型：跨语言模型XLM（Cross-lingual Language Model）

XLM在BERT的基础上探究了跨语言预训练语言模型的实现方向，效果显著。在一些跨语言的文本分类任务上，XLM均达到了SOTA效果，而在无监督机器翻译领域，使用XLM的参数作为Transformer Encoders和Decoders的初始化值，也具有非常好的效果。总体而言，XLM基本具备了跨语言预训练语言模型的能力，输入不同语种的文本后，都能抽象出通用的表征向量。

参考文献：
[1] Lecun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015
[2] Aston Zhang, Zack C. Lipton, Mu Li, Alex J. Smola. Dive Into Deep Learning[J]. arXiv preprint arXiv:2106.11342, 2021.
[3] 车万翔, 崔一鸣, 郭江. 自然语言处理：基于预训练模型的方法[M]. 电子工业出版社, 2021.
[4] 邵浩, 刘一烽. 预训练语言模型[M]. 电子工业出版社, 2021.
[5] 何晗. 自然语言处理入门[M]. 人民邮电出版社, 2019
[6] Sudharsan Ravichandiran. BERT基础教程：Transformer大模型实战[M]. 人民邮电出版社, 2023
[7] 吴茂贵, 王红星. 深入浅出Embedding：原理解析与应用实战[M]. 机械工业出版社, 2021.文章来源地址https://www.toymoban.com/news/detail-498640.html

到了这里，关于深入理解深度学习——BERT派生模型：跨语言模型XLM（Cross-lingual Language Model）的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！