【NLP】PET——文本分类的又一种妙解

作者 | 许明

整理 | NewBeeNLP

之前的一篇《模型增强-从label下手》^[1]中，我们提到了通过转换label，将分类转换为NLG的方法，而由于性能没有得到增加，所以就没有继续往下做。今天看到两篇文章，思路略微相似，也让我眼前一亮，发现原来我与顶会思路这么近（误），所以总结对比一下。

Classification to NLG

对于分类任务，我们可以将其转换为一个生成任务。比如此时我们有一个样本：

"context：'「天天特价房」华庭仁和国际 3室2厅2卫仅售65万', label: '房产', label_id: 0"

通常我们直接预测对应的label id，而由于其也有label，所以我们可以将其转换为一个NLG任务，即：

"context：['「天天特价房」华庭仁和国际 3室2厅2卫仅售65万', '房产']"

即通过样本生成label对应的token。借助UniLM同时具有NLU与NLG的能力，只需要很小的改动就可以利用BERT做该任务了，对应的示意图如下：

不过当时考虑到UniLM中提到seq2seq的训练不能提高NLU的能力，所以当时并没有选择使用MLM来尝试，最后得到的结论是：

将分类转为生成后，性能基本一致；
将分类与生成联合起来训练，性能与单个任务性能基本一致。

MLM

MLM,即Masked Language Model,中文翻译又叫“掩码语言模型”，即以自监督的方式，mask 掉一部分，然后通过剩余的部分来还原被mask 掉的部分，示意图如下：

而mask的方式也有多种，如随机选择token进行mask；将token所在的整个词都mask（whole word mask）；或者将某个span内的token都mask掉（span mask）。

虽然mlm在预训练任务上已经被证明十分有效，但是通常认为mlm部分的参数是与mlm任务相关的，而通常在下游任务中我们是别的任务，所以会舍弃掉这部分参数，而只使用encoder部分。但是论文《It's Not Just Size That Matters: Small Language Models Are Also Few-Shot Learners》^[2]与《Exploiting Cloze Questions for Few Shot Text Classification and Natural Language Inference》^[3]却告诉我们，mlm不仅有用，在few-shot场景下，通过一下简单的融合手段，性能能超过当前的明星GPT-3.

任务转换

与之前的思路类似，我们针对分类任务，不再直接对label进行预测，而是预测其label description，即将其转换为完形填空形式的任务，来预测不同label description的概率。而如何转换成完形填空呢？也很简单，我们添加一个简单的语义通顺的描述，然后将其中与分类有关的内容mask掉即可。举个例子：

假如我们现在的任务是短文本分类，一个样本为“context：'「天天特价房」华庭仁和国际 3室2厅2卫仅售65万', label: '房产'”，我们添加一个统一的描述句，将其变为："下面是一则__相关新闻标题: 「天天特价房」华庭仁和国际 3室2厅2卫仅售65万",其中的空格可选的内容是所有的label description，对应的真实值是"房产"两个字，这样，我们就将分类任务转换为一个完形填空的形式。而添加的方式也可以分为前缀、后缀两种，完整的方式：

"以下是一则__相关新闻标题: 「天天特价房」华庭仁和国际 3室2厅2卫仅售65万"
"「天天特价房」华庭仁和国际 3室2厅2卫仅售65万，以上是一则__相关新闻标题"

Pattern-Exploiting Training

上面我们添加的前缀/后缀句子称为Pattern, 而label description可以有多种方式，比如，对于“房产”这个label，我们也可以用“地产”来表达，对于“娱乐”label，也可以用“八卦”来表达，所以需要一个token到label的映射，这个映射可以是多对一的，这个被称为Verbalizer。所以在预测时可以将多个token的概率结合起来判断其对应的label。

由于是few-shot，为了提高性能，作者采用了与Knowledge Distillation类似的思路，具体方案如下：

对每个Pattern利用多个pre-train model 进行fine-tuning，得到多个模型.其中 ;
将多个模型的结果进行融合，得到一个融合模型Teacher Model；
利用Teacher Model在大量unlabed数据上进行预测，得到对应的soft labels；
利用soft labels数据，训练一个常规的分类模型（非MLM模型）。

以上就是论文Exploiting Cloze Questions for Few Shot Text Classification and Natural Language Inference^[4]中提到的PET。

此外，该论文中还提到了一个改进：iPET。其中的区别是：在ipet中，得到mlm的多个model后，增加一个迭代：每次会从训练mlm的model中抽取一个，然后从剩余的model中选取一部分对unlabeled data进行预测，将其中预测结果确定（不是准确，此时意味着结果的熵很小）的部分打上一个fake label，让进行训练。重复多次后，融合模型对unlabeled data进行预测，得到一个soft labels data，在此基础上训练一个常规分类器。

可以看到，PET的方式主要适用label description为有限空间，即选择题，此外，每个样本的label description需要长度相同，而且由于mask之间相互独立，所以长度也不能太长。

与NLG差异

在之前的脑洞中，我们将分类任务转变为NLG任务，即利用样本来生成对应的label description，而他与PET中的主要差别主要有几点：

NLG中我们并没有没有限制label description的长度，且不同label对应description也可能是不同长度；
NLG中我们每个token的生成是有依赖关系的，即后面的token会依赖之前的token，所以token长度可以比PET中稍微长一些；
PET中对应的解码空间大大减小，只需要得到label对应token的概率即可;
PET中的pattern可以放在前缀也可以放在后缀，NLG可以看作是后缀PET.
PET 中由于pre-train是mlm任务，所以zero-show性能更好。

实验

针对这些差异尝试做了几组实验，验证一下想法。

NLG中label长度同一且解码时利用PET的方式解码，在few-shot下准确率从上升到，所以生成的label越短，解码空间越小越准确；
PET前缀pattern下准确率为 , 所以前缀pattern比后缀性能更好，这也与苏剑林《必须要GPT3吗？不，BERT的MLM模型也能小样本学习》^[5]的结论一致。
zero-shot情况下，PET的准确率为 , 而NLG只有，考虑到数据集全量下目前最好成绩才 ,说明PET的方式在zero-shot下效果相当惊人。

主要实验代码在classification_pet_seq2seq^[6] 与 classification_tnews_pet^[7]

总结

本文介绍了一种新的转变分类任务获得更好性能的方法：即将分类任务转化为mlm模型进行完形填空，同时与之前脑洞的将分类转变为生成任务进行对比，通过实验验证了两者的差异与有效性。同时也提醒自己，多想几步，也许就能有新的发现。

本文参考资料

[1]

《模型增强-从label下手》: https://xv44586.github.io/2020/09/13/classification-label-augment/

[2]

It's Not Just Size That Matters: Small Language Models Are Also Few-Shot Learners: http://arxiv.org/abs/2009.07118

[3]

Exploiting Cloze Questions for Few Shot Text Classification and Natural Language Inference: http://arxiv.org/abs/2001.07676

[4]

Exploiting Cloze Questions for Few Shot Text Classification and Natural Language Inference: http://arxiv.org/abs/2001.07676

[5]

《必须要GPT3吗？不，BERT的MLM模型也能小样本学习》: https://spaces.ac.cn/archives/7764

[6]

classification_pet_seq2seq: https://github.com/xv44586/toolkit4nlp/blob/master/examples/classification_pet_seq2seq.py

[7]

classification_tnews_pet: https://github.com/xv44586/toolkit4nlp/blob/master/examples/classification_tnews_pet.py

- END -

往期精彩回顾适合初学者入门人工智能的路线及资料下载机器学习及深度学习笔记等资料打印机器学习在线手册深度学习笔记专辑《统计学习方法》的代码复现专辑
AI基础下载机器学习的数学基础专辑温州大学《机器学习课程》视频
本站qq群851320808，加入微信群请扫码：