预训练生成模型：结合VAE与BERT/GPT-2提高文本生成效果

论文标题：

Optimus: Organizing Sentences via Pre-trained Modeling of a Latent Space

论文作者：

Chunyuan Li, Xiang Gao, Yuan Li, Xiujun Li, Baolin Peng, Yizhe Zhang, Jianfeng Gao

论文链接：

https://arxiv.org/abs/2004.04092

代码链接：

https://github.com/ChunyuanLI/Optimus

---

本文提出首个大规模预训练生成模型OPTIMUS，在VAE之上进行预训练，既利用了预训练的优势，又利用了生成模型在文本生成上的优势，可以轻松扩展到各类文本生成任务上。

在语言模型、受控文本生成、语言理解等任务上，OPTIMUS都取得了显著的效果。

背景：生成式模型与隐变量模型

文本生成任务就是要求模型生成一段文本，这可以分为两类：给定了输入和没给定输入。这二者都可以形式化为，其中为空，如果没有给定输入。在自然语言处理中，我们把这种生成文本的模型叫做生成式模型。

生成式模型在过去的几年里大都基于Transformer，比如GPT，BERT的变体等，这类模型直接去优化条件概率。我们把这类模型称为典型生成式模型。

但是，在诸多生成式模型中，有一种特殊的模型，它去建模一个隐式的语言空间，每次在语言空间中采样一个点，代表语法/语义等语言学信息，也就是说，它并不是直接建模，而是首先建模一个隐空间，然后再基于这个隐空间建模文本。

使用这种模型，我们可以在某种意义上“操纵”隐变量，对不同的隐变量，模型可以输出不同的文本，这就给文本生成带来了灵活性。我们把这种模型称为隐变量生成模型。

过去的预训练大都是基于典型生成模型，这一方面是因为这类模型简单直观，调参、训练也比较简单；另一方面是因为隐变量模型通常难以优化，尤其是对离散型的文本。

但是，预训练隐变量生成模型就不能实现吗？本文给出了一个答案，通过仔细地设计模型结构、调整训练过程，我们依然能够在隐变量生成模型上进行大规模文本预训练，并且可以取得非常好的效果！

本文的贡献如下：

• 提出首个大规模预训练隐变量生成模型OPTIMUS；

• 高效地将隐变量和预训练的GPT-2相结合；

• 发现大规模预训练可以减缓KL Vanishing的问题；

• 在多个任务上取得显著的效果。

OPTIMUS：大规模预训练隐变量生成模型

和传统的预训练模型一样，OPTIMUS有预训练（Pretraining）和微调（Finetuning）两个阶段，下面分别进行介绍。

预训练

OPTIMUS采用VAE（变分自编码器）和预训练的BERT与GPT-2的结合作为整体模型。模型的生成基于隐变量，对于给定的文本，生成目标是，这里表示的是用于文本生成的解码器。

而隐变量是通过一个编码器得到的，可以形式化为。

对于给定的输入文本，它的步骤是：首先经过编码器得到隐变量，然后基于隐变量重构，这可以用一个重构损失表示: 。

此外，还有一个KL散度损失，用于让得到的隐变量逼近一个先验：。

所以，总的损失就是：

上述公式就表达了VAE的训练过程，其中加入可以更好地控制训练过程。下图则呈现了OPTIMUS的模型结构，即编码器是什么模型，解码器是什么模型。

可以看到，模型的编码器是预训练的BERT，用来得到隐变量；模型的解码器是预训练的GPT-2，用于基于隐变量去生成文本。

注意到，这里的预训练和OPTIMUS的预训练不同，OPTIMUS的预训练是对整个模型而言，而BERT和GPT-2的预训练是对它们各自而言。

现在有一个问题（其实还有好几个问题，我们忽略其他更细节的问题，请读者参考原文）：我们该如何把隐变量提供给解码器呢？

本文提供两种方法，分别为记忆（Memory）和嵌入（Embedding）：

• Memory: 在得到之后，再通过一个变换把它转换为L个向量，每个向量服务解码器的一层，作为额外的记忆单元让解码器在生成的每一步去关注（相当于一个特殊的词）；

• Embedding: 在得到之后，用一个线性变换先把它转换为一个向量，然后在生成的每一个，直接把它和解码器每一步的状态向量相加。

下图是这两种方法的图示。

实验表明，Memory比Embedding好，而二者合起来使用最好。因此，在后面的实验部分，我们默认二者一起使用。

最后就是详细的预训练细节了。预训练数据是1990K个Wikipedia的句子。在训练的过程中，由于熟知的KL Vanishing问题，我们还要对训练过程做一些优化。具体来说，本文采用如下优化：

• 对使用循环调度（cyclical schedule）；

• 在训练的前一半，设置，对后一半的前一半，将其增长到1，对最后四分之一，固定为1；

• 当不等于0的时候，加入hinge loss，保证KL项始终大于一个数。

微调

在预训练OPTIMUS之后，剩下的就是对不同的任务进行微调了。本文在三类任务上实验：语言模型、受限文本生成和自然语言理解。每个任务和数据集在微调上都有一些细微的差别，笔者建议读者阅读原文进行了解。

实验

现在就到了见证OPTIMUS威力的时刻了。下面我们根据任务来看看OPTIMUS的效果。

语言模型

语言模型的数据集有PTB、SNLI和Yelp，度量方式有PPL、Active Units (AU)和Mutual Information (MI)。基线模型有GPT-2、Annealing-VAE、AggressiveTraining-VAE、AE-FB。

下表是实验结果。可以看到，单纯的VAE（第二组，Small VAE）在各个指标上都表现得很差，这归结于：（1）传统VAE的模型很小，表达力不够；（2）KL Vanishing严重，难以充分训练。

在PPL指标上，即使和典型生成模型GPT-2相比，依旧非常有优势。注意到不同的实际上是在PPL和互信息中进行了一个平衡。

受限文本生成：数学运算

我们在最开始提到，隐变量模型的一大优势是，我们可以“操纵”隐变量，从而得到不同的文本。

为了探究OPTIMUS所得到隐空间的表示能力，我们首先在“文本算术”任务上进行实验。

给定三个文本A,B,C，首先用编码器得到它们的隐变量，然后得到一个新的隐变量。

它的意思是，如果OPTIMUS能够得到足够光滑、分布良好的隐空间，那么将文本编码为隐变量之后，隐变量之间的线性运算就代表了文本语义之间的运算。

如下图所示，在给定了A,B之后，不断给定新的C，模型通过上式生成新的句子D。可以看到，句子A表达的是单数、日常生活，句子B表达了复数、运动。

因此，对所有给定的C，模型都能把其中的单数变成复数，把日常生活主题变为运动主题。这就可以从侧面表明，OPTIMUS得到的隐空间是比较好的。

另一个展示隐空间良好性的方法是插值。给定两个句子A,B，得到它们的隐变量，我们在它们之间进行线性插值，得到新的隐变量，然后用这个新的隐变量生成新的文本，目的就是看，根据系数的不同，所生成的句子是更偏向A还是更偏向B。下图是例子：

可以看到，系数越大，生成的文本约偏向句子A，反之偏向句子B。

受限文本生成

下面在具体的任务——普通对话生成、风格化对话生成和基于标签的文本生成上进行实验。数据集分别是Dailydialog和Yelp。下面三个表分别是这三个任务的实验结果。

可以看到，在普通对话生成上，OPTIMUS优于基线模型，在风格化对话生成上，OPTIMUS优于StyleFusion，而尤其在基于标签的文本生成上，OPTIMUS效果显著。

自然语言理解

下面来看看OPTIMUS在NLU任务上的效果，这类任务旨在度量模型“理解”文本的能力。下表是在GLUE上的结果。注意到，比较的Feature-Based模型，也就是微调的时候只更新分类器，而不更新模型主体，这样就会大大减少训练开支。

可以看到，在Feature-Based上，OPTIMUS显著优于BERT，尤其是在比较大的数据集上。当更新整个模型的时候（Finetune-Based），OPTIMUS和BERT的效果相似。

下面继续来探究在低资源条件下，OPTIMUS的效果。对Yelp数据集，随机对每一类采样若干样本，在Feature-Based和Finetune-Based两种设置下，看不同模型的效果，下图是结果。

在Feature-Based下，OPTIMUS显著优于BERT，这表明，在资源比较少的时候，OPTIMUS更能区分不同类别，这得益于它的隐变量性质；而在Fintune-Based下，二者结果差别不大，但在资源特别少的时候，OPTIMUS显著优于BERT，这说明OPTIMUS有更好的迁移能力。

小结

本文提出了一个大规模预训练隐变量生成模型OPTIMUS，它结合了VAE和预训练的典型生成式模型BERT/GPT-2，以VAE的方式在额外的数据上预训练之后，能够兼具VAE和BERT/GPT-2的优点，在多个任务上取得比较好的效果。

本文在自然语言处理上成功使用VAE迈出了成功的一步，这极有可能是NLP下一个时代产生突破的重点领域。

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。