?PaperWeekly 原創(chuàng) ·?作者｜蘇劍林

單位｜追一科技

研究方向｜NLP、神經(jīng)網(wǎng)絡

去年我們放出了 SimBERT [1] 模型，它算是我們開源的比較成功的模型之一，獲得了不少讀者的認可。簡單來說，SimBERT 是一個融生成和檢索于一體的模型，可以用來作為句向量的一個比較高的 baseline，也可以用來實現(xiàn)相似問句的自動生成，可以作為輔助數(shù)據(jù)擴增工具使用，這一功能是開創(chuàng)性的。

近段時間，我們以 RoFormer 為基礎模型，對 SimBERT 相關技術進一步整合和優(yōu)化，最終發(fā)布了升級版的 RoFormer-Sim 模型。

簡介

RoFormer-Sim 是 SimBERT 的升級版，我們也可以通俗地稱之為 “SimBERTv2”，而 SimBERT 則默認是指舊版。從外部看，除了基礎架構換成了 RoFormer 外，RoFormer-Sim 跟 SimBERT 沒什么明顯差別，事實上它們主要的區(qū)別在于訓練的細節(jié)上，我們可以用兩個公式進行對比：

除此之外，RoFormer-Sim 用到了更多的訓練數(shù)據(jù)，并且拓展到了一般句式，也就是說，不同于 SimBERT 僅僅局限于疑問句，RoFormer-Sim 可以用來做一般句子的相似句生成，適用場景更大。其他訓練細節(jié)還包括 RoFormer-Sim 用了更大的 batch_size 和 maxlen 等，這些在后面我們都會進一步介紹。

開源地址：

https://github.com/ZhuiyiTechnology/roformer-sim

語料

SimBERT 和 RoFormer-Sim 的關鍵之處，都是在于訓練語料的構建。RoFormer-Sim 的訓練語料包括兩部分：1）疑問類型相似句；2）通用類型相似句。對于疑問類相似句，我們還是像 SimBERT 一樣，通過收集百度知道的相似問句，然后通過規(guī)則進一步清洗，這部分對我們來說已經(jīng)很成熟了；對于通用類相似句，我們沒有現(xiàn)成的地方可以搜集，于是我們提出了兩種方案，一定程度上可以無監(jiān)督地構建（偽）相似句對。

第一個方案是基于“同一個問題的答案是相似的”思想，假如我們有現(xiàn)成的問答語料，該語料對于同一個問題有多個答案，那么我們可以將每個答案分句，然后用一個現(xiàn)成的相似度函數(shù)來比較答案之間的相似度，挑出相似度超過某個閾值的句對作為相似句對使用；

第二個方案則是基于“同一篇章的句子是相似的”思想，它更加簡單直接一點，就是將每個篇章分句，然后用一個現(xiàn)成的相似度函數(shù)兩兩計算相似度，挑出相似度超過某個閾值的句對作為相似句對使用，顯然該方案的合理性更弱，所以它的閾值也更高。

這里涉及到一個“現(xiàn)成的相似度函數(shù)”，我們是直接使用 Jaccard 相似度的一個變體，換言之只需要一個規(guī)則的、字符級別的相似度就好了，語義上的關聯(lián)，則通過篇章內(nèi)部的關聯(lián)以及預訓練模型本身的泛化能力來獲得。

通過第一個方案，我們從幾個閱讀理解數(shù)據(jù)集中構建了約 450 萬個（偽）相似句對；通過第二個方案，我們從 30 多 G 的平行預料中構建了約 470 萬個（偽）相似句對；而爬取的問句則達到了約 3000 萬個相似句組（一組可以構成多對）。從這個角度看來，問句的數(shù)目是遠超于一般句式的，所以我們按照 1:1 的方式從中采樣，使得每種句式的樣本都均衡。

生成

RoFormer-Sim 的訓練方式跟 SimBERT 基本一樣，如下圖所示。稍微不同的是，為了增強模型的生成能力，在構造訓練語料的時候，我們還隨機地將輸入句子的部分 token 替換為[MASK]，這種預訓練方法首先由 BART 提出。而我們跟 BART 的區(qū)別在于：BART 是“輸入帶噪聲的句子，輸出原句子”，我們是“輸入帶噪聲的句子，輸出原句子的一個相似句”，理論上我們的任務還更難。

▲ SimBERT訓練方式示意圖

生成效果沒什么特別好的評測指標，我們直接目測一些例子就好：

gen_synonyms(u'廣州和深圳哪個好？') ['深圳和廣州哪個好？','廣州和深圳哪個好','廣州和深圳哪個更好？','深圳和廣州哪個更好？','深圳和廣州，那個更好？','深圳和廣州哪個好一些呢？','深圳好還是廣州好？','廣州和深圳哪個地方好點？','廣州好還是深圳好？','廣州和深圳哪個好一點','廣州和深圳哪個發(fā)展好？','深圳好還是廣州好','深圳和廣州哪個城市更好些','深圳比廣州好嗎？','到底深圳和廣州哪個好？為什么呢？','深圳究竟好還是廣州好','一般是深圳好還是廣州好','廣州和深圳那個發(fā)展好點','好一點的深圳和廣州那邊好？','深圳比廣州好在哪里？' ]gen_synonyms(u'科學技術是第一生產(chǎn)力。') ['科學技術是第一生產(chǎn)力！','科學技術是第一生產(chǎn)力','一、科學技術是第一生產(chǎn)力。','一是科學技術是第一生產(chǎn)力。','第一，科學技術是第一生產(chǎn)力。','第一生產(chǎn)力是科學技術。','因為科學技術是第一生產(chǎn)力。','科學技術是第一生產(chǎn)力知。','也即科學技術是第一生產(chǎn)力。','科學技術是第一生產(chǎn)力嗎','科技是第一生產(chǎn)力。','因此，科學技術是第一生產(chǎn)力。','其次，科學技術是第一生產(chǎn)力。','科學技術才是第一生產(chǎn)力。','科學技術是第一生產(chǎn)力嗎？','第二，科學技術是第一生產(chǎn)力。','所以說科學技術是第一生產(chǎn)力。','科學技術確實是第一生產(chǎn)力。','科學技術還是第一生產(chǎn)力','科學技術是第一生產(chǎn)力對嗎？' ]

總的來說，初步實現(xiàn)了任意句式的相似擴增，但問句的擴增效果優(yōu)于一般句型，這是因為訓練語料中問句的質(zhì)量就明顯高于一般句型。由于進行了仿 BART 式訓練，所以除了直接進行相似句生成外，我們還可以自行把某些部分 mask 掉，讓模型自行發(fā)散擴充，比如：

gen_synonyms(u'科學技術是第一生產(chǎn)力。',?mask_idxs=[6,?7])??#?mask掉“第一” ["科學技術是第一生產(chǎn)力","2、科學技術是第一生產(chǎn)力。","科學技術是第一生產(chǎn)力，也是第二生產(chǎn)力。","科學技術是第一生產(chǎn)力，科學發(fā)展是第二生產(chǎn)力。","9、科學技術是第一生產(chǎn)力。","第一，科學技術是一種生產(chǎn)力。","科學技術是生產(chǎn)力。","科學技術是第二生產(chǎn)力。","科學技術是第一生產(chǎn)力”現(xiàn)在提出來的。","一、科學技術是一種生產(chǎn)力。","科學技術是第一生產(chǎn)力是什么意思","科學技術是一種主要生產(chǎn)力。","一：科學技術是最高生產(chǎn)力。","指科學技術不是第一生產(chǎn)力。","科學技術是第二生產(chǎn)力，第一生產(chǎn)力又是第二生產(chǎn)力。","二、科學技術是一種生產(chǎn)力。","世界上第一種生產(chǎn)力是科學技術。","科學技術是社會主義生產(chǎn)力之一。","第二，科學技術也是第二生產(chǎn)力。","科技是一切生產(chǎn)力。" ]

更多玩法，請大家自行挖掘了。

檢索

增加一般句式的語料、引入仿 BART 式訓練，這些改動都相對來說提升了生成模型的效果。然而，我們意外地發(fā)現(xiàn)，檢索模型（即句子編碼模型）的效果卻降低了。估計的原因，可能是更多的語料、更大的噪聲雖然加大了生成模型的難度，但對于對比學習來說，這些不同句式的或者帶噪聲的樣本作為負樣本，反而是難度降低了。比如，如果一個 batch 同時有疑問句和陳述句，那么模型可以簡單地通過句式（而不是語義）就可以識別出不少負樣本，從而降低了對語義的理解能力。

當然，SimBERT 和 RoFormer-Sim 的本質(zhì)定位都是相似句擴增模型，檢索模型只是它的“副產(chǎn)品”，但我們?nèi)匀幌Ｍ@個“副產(chǎn)品”能盡可能好一些。為此，我們在 RoFormer-Sim 訓練完之后，進一步通過蒸餾的方式把 SimBERT 的檢索效果轉移到 RoFormer-Sim 上去，從而使得 RoFormer-Sim 的檢索效果基本持平甚至優(yōu)于 SimBERT。蒸餾的方式很簡單，假如對于同一批句子，SimBERT 出來的句向量為 ，RoFormer-Sim 出來的句向量為 ，那么就以：

為 loss 進行學習，這里 。當然，為了防止模型“遺忘”掉生成模型，蒸餾的同時還要加上生成損失，即 。蒸餾不需要很多步，大致 5000 步左右就可以訓練完成了。

跟無監(jiān)督語義相似度哪家強？我們做了個比較全面的評測一樣，我們用同樣的任務對比了 SimBERT 和 RoFormer 的檢索效果（其中每一格的三個數(shù)據(jù)，分別代表“不加 whitening”、“加 whitening”、“加 whitening-256”的效果，同之前的評測）：

從表中可以看出，不管加不加 whiteining，RoFormer-Sim 在大部分任務上都超過了 SimBERT，可見蒸餾之后的 RoFormer-Sim 的檢索效果確實能獲得提高，這個“副產(chǎn)品”也不至于太差了。

總結

本文介紹和發(fā)布了我們 SimBERT 的升級版—— RoFormer-Sim（SimBERTv2），它既可以用來擴充相似句子，也是語義相似度問題的一個較高的 baseline。相比 SimBERT，它最大的特點是將句型拓展到了一般類型，不再局限于相似問句。更多的玩法歡迎讀者進一步挖掘和分享。

參考文獻

[1] https://kexue.fm/archives/7427

更多閱讀

#投 稿?通 道#

?讓你的文字被更多人看到?

如何才能讓更多的優(yōu)質(zhì)內(nèi)容以更短路徑到達讀者群體，縮短讀者尋找優(yōu)質(zhì)內(nèi)容的成本呢？答案就是：你不認識的人。

總有一些你不認識的人，知道你想知道的東西。PaperWeekly 或許可以成為一座橋梁，促使不同背景、不同方向的學者和學術靈感相互碰撞，迸發(fā)出更多的可能性。?

PaperWeekly 鼓勵高校實驗室或個人，在我們的平臺上分享各類優(yōu)質(zhì)內(nèi)容，可以是最新論文解讀，也可以是學術熱點剖析、科研心得或競賽經(jīng)驗講解等。我們的目的只有一個，讓知識真正流動起來。

?????稿件基本要求：

? 文章確系個人原創(chuàng)作品，未曾在公開渠道發(fā)表，如為其他平臺已發(fā)表或待發(fā)表的文章，請明確標注?

? 稿件建議以?markdown?格式撰寫，文中配圖以附件形式發(fā)送，要求圖片清晰，無版權問題

? PaperWeekly 尊重原作者署名權，并將為每篇被采納的原創(chuàng)首發(fā)稿件，提供業(yè)內(nèi)具有競爭力稿酬，具體依據(jù)文章閱讀量和文章質(zhì)量階梯制結算

?????投稿通道：

? 投稿郵箱：hr@paperweekly.site?

? 來稿請備注即時聯(lián)系方式（微信），以便我們在稿件選用的第一時間聯(lián)系作者

? 您也可以直接添加小編微信（pwbot02）快速投稿，備注：姓名-投稿

△長按添加PaperWeekly小編

????

現(xiàn)在，在「知乎」也能找到我們了

進入知乎首頁搜索「PaperWeekly」

點擊「關注」訂閱我們的專欄吧

關于PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

總結

以上是生活随笔為你收集整理的SimBERTv2来了！融合检索和生成的RoFormer-Sim模型的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。