UniLM：同时处理自然语言理解和生成任务的统一预训练语言模型
07:01 Share

年轻男性:: 大家好，欢迎收听本期的PaperReview。这里是学大模型的Scott。今天，我们将深入探讨一篇在自然语言处理领域具有里程碑意义的论文《Unified Language Model Pre-training for Natural Language Understanding and Generation》。这篇由微软研究院发表于2019年的论文，介绍了UNILM，一个能够同时处理自然语言理解和生成任务的统一预训练语言模型。我们今天有幸邀请到一位嘉宾，欢迎。

年轻女性:: 大家好，非常高兴能和大家一起讨论这篇开创性的论文。

年轻男性:: 首先，让我们来谈谈现有预训练语言模型的主要局限性。现有的模型通常专注于自然语言理解（NLU）或自然语言生成（NLG）中的某一项。例如，BERT在NLU方面表现出色，但在NLG方面却表现不佳，因为它是一个双向模型。相反，像GPT这样的模型在NLG方面很强，但在NLU方面却缺乏双向上下文理解。UNILM旨在解决这些局限性，通过在一个模型中统一这些方法。

年轻女性:: 是的，UNILM通过使用共享的Transformer网络，并在三种语言建模任务上进行预训练来实现这一目标：单向、双向和序列到序列预测。关键在于使用自注意力掩码，这些掩码控制模型在预测时关注的上下文，使其能够适应每项任务的具体需求。

年轻男性:: UNILM的三个主要优势是什么？这些优势对NLP从业者有哪些实际影响？

年轻女性:: 首先，统一的预训练减少了为NLU和NLG任务分别部署模型的需求，简化了部署和资源管理。其次，跨任务的参数共享使得模型能够学习到更健壮和通用的表示，减少了过拟合的风险。第三，序列到序列的能力使得UNILM可以直接应用于各种NLG任务，如摘要和问题生成，而不需要进行显著的架构修改。

年轻男性:: 实验结果非常令人印象深刻，UNILM在多个NLU和NLG基准测试中都达到了最先进的性能。你能列举一些UNILM取得的最显著的改进吗？

年轻女性:: 当然，UNILM在抽象摘要方面取得了显著的改进，例如在CNN/DailyMail数据集上，ROUGE-L分数提高了2.04分，在Gigaword数据集上提高了0.86分。在问答任务中，UNILM显著提升了CoQA生成问答的F1分数，提高了37.1分。此外，在SQuAD问题生成任务中，BLEU-4分数提高了3.75分，在DSTC7对话响应生成任务中，NIST-4分数接近人类表现。

年轻男性:: 论文中详细介绍了预训练的设置，包括使用的数据集和超参数。哪些方面对UNILM的成功至关重要？在预训练过程中遇到了哪些意外的发现或挑战？

年轻女性:: 联合预训练多个语言建模目标是非常关键的。具体来说，这些目标的权重（1/3双向，1/3序列到序列，1/6分别用于从左到右和从右到左）是通过实验确定的。使用大型语料库（如英文维基百科和BookCorpus）和大型模型（340M参数）也是至关重要的。挑战包括在训练过程中平衡不同的目标，以及管理如此大型模型的计算资源。

年轻男性:: 论文还讨论了如何对UNILM进行微调以适应各种下游任务。采用了哪些策略来适应不同的NLU和NLG任务？是否有任何任务特定的修改或超参数调整？

年轻女性:: 对于NLU任务，UNILM被微调为一个双向编码器，类似于BERT，并添加了任务特定的输出层。对于NLG任务，序列到序列的预训练使得适应变得简单，主要涉及调整掩码概率和学习率、批量大小等超参数。在某些情况下，还使用了任务特定的数据增强技术。

年轻男性:: 论文提到使用自注意力掩码来控制上下文访问。你能详细说明用于每个预训练目标的不同掩码配置以及它们如何影响生成的表示吗？

年轻女性:: 双向语言模型使用零掩码，允许所有标记相互关注。单向语言模型（从左到右和从右到左）使用三角形掩码，分别限制对过去或未来上下文的关注。序列到序列语言模型使用更复杂的掩码，允许目标序列关注源序列及其自身的过去上下文，但不关注其未来上下文。这些不同的掩码塑造了学习的表示，使模型能够处理单向和双向上下文。

年轻男性:: UNILM在GLUE基准测试中的表现也值得一提。与BERT相比，UNILM的表现如何？从这种比较中可以得出什么见解？

年轻女性:: UNILM在GLUE基准测试中与BERT表现相当，这表明其在NLU任务中的有效性。这表明统一的预训练方法在不影响传统NLU基准测试性能的同时，还启用了NLG能力。

年轻男性:: 论文简要提到了未来的工作。有哪些最有希望的扩展和改进UNILM的方向？

年轻女性:: 未来的工作包括扩大模型和训练数据的规模，探索多语言支持，以及研究多任务微调以同时适应NLU和NLG任务。进一步的研究还可以集中在分析学习的表示和理解不同预训练目标之间的相互作用上。

年轻男性:: 论文中提到了不同任务的不同评估指标。这些指标是如何选择的？它们在评估UNILM整体性能方面有哪些局限性？

年轻女性:: 指标的选择是任务特定的。例如，摘要任务使用ROUGE分数，问题生成任务使用BLEU和METEOR，问答任务使用准确率和F1分数。这些指标有其局限性，它们不能完全捕捉流畅性、连贯性和语义准确性等

年轻男性:: 论文中关于问题生成任务的讨论特别有趣。UNILM生成的数据如何影响问答模型的性能？

年轻女性:: 自动生成的问答对显著提高了问答模型的性能。这突显了UNILM在数据增强和半监督学习方面的潜力。在微调过程中使用双向掩码语言建模作为辅助任务进一步增强了结果，这表明了一种减轻灾难性遗忘的策略。

年轻男性:: 论文还包括一个关于长文本生成的案例研究。这个案例研究的关键观察是什么？它们如何与UNILM的整体能力相关？

年轻女性:: 案例研究展示了UNILM生成流畅且上下文相关长文本样本的能力。生成的文本在风格上与输入文本保持一致，表明UNILM能够有效捕捉体裁和主题信息。这展示了UNILM在各种文本生成应用中的潜力，而不仅仅局限于论文中评估的具体基准。

年轻男性:: 总结一下，UNILM提出了一种将NLU和NLG统一在一个预训练语言模型中的引人注目的方法。它在多个基准测试中的出色表现及其未来的扩展潜力使其成为该领域的重要贡献。感谢大家的收听。

年轻女性:: 谢谢大家，我们下期再见。