作者 | Chilia 哥伦比亚大学 nlp搜索推荐 整理 | NewBeeNLP
2021年伊始，百度发布多语言预训练模型ERNIE-M，通过对96门语言的学习，使得一个模型能同时理解96种语言，该项技术在5类典型跨语言理解任务上刷新世界最好效果。在权威跨语言理解榜单XTREME上，ERNIE-M也登顶榜首，超越微软、谷歌、Facebook等机构提出的模型。（但是现在降到了第7名）
1. 背景
预训练跨语言模型对于下游的跨语言任务有着很大的帮助。以情感分析系统为例，构建情感分析系统往往需要大量有标签数据，而小语种语言中的有标签数据十分稀缺，因而搭建小语种语言的情感分析系统十分困难。依托多语言模型的跨语言迁移能力可以解决该问题，在高资源语言标注数据上训练的模型直接对小语种语言进行理解，搭建小语种语言的情感分析系统。
XTREME评测是谷歌研究院、DeepMind和卡耐基梅隆大学于2020年4月发布的涵盖了12个语系40种语言的多语言权威评测榜单。其包括文本分类、结构化预测、语义检索和阅读理解等四类自然语言处理任务的9个数据集。2021年1月1日，ERNIE-M在以80.9分的成绩登顶榜首。
当前的技术主要通过「单语语料」分别学习不同语言的语义，再使用「平行语料」将不同语言的语义对齐。然而大部分语种的平行语料很少，限制了多语言模型的效果。
为了突破平行语料规模对多语言模型的学习效果限制，提升跨语言理解的效果，百度研究人员提出基于「回译机制」、从很少的平行语料中学习语言间的语义对齐关系的预训练模型ERNIE-M，显著提升包括跨语言自然语言推断(XNLI, for cross-lingual natural language inference)、机器问答(MLQA)、命名实体识别(CoNLL)、同意转述识别(PAWS-X, for cross-lingual paraphrase identification)、跨语言检索(Tatoeba) 在内的5种典型跨语言任务效果。
2. 模型
首先提到，现有的预训练方法有：
- MMLM(multilingual masked language modeling)。其实这个就是最初代的BERT的MLM训练方法，只不过是对100种单语语料都用MLM训练一遍。
- TLM(translation language modeling)。这个是XLM提出的预训练方法，和BERT不同的是它用了双语语料，两个语言都有一些[MASK], 需要通过本语言的上下文和对方语言的全文来填补这些[MASK]. 可以想见，MLM由于只用了单一语言，没有做双语对齐；而TLM用了大量平行语料，所以能够「让不同语言embedding共享同一个向量空间」。
XLM文章中对MLM和TLM的对比
本文创新的提出了「CAMLM」(Cross-attention Masked Language Modeling), 其实意思非常简单：对于平行语料语言A和语言B，语言A的[MASK]只能通过语言B来还原、语言B的[MASK]只能通过语言A来还原。这样是为了避免information leakage，即语言直接通过自己的上下文来还原[MASK]。
这样"逼着"模型来学双语的semantic alignment。例如：输入的句子对是<明天会[MASK][MASK]吗，Will it be sunny tomorrow>，模型需要只使用英文句子<Will it be sunny tomorrow>来推断中文句子中掩盖住的词<天晴>，使模型初步建模了语言间的对齐关系。
CAMLM需要用到双语语料，那么平行语料不够的怎么办呢？本文还提出了BTMLM(Back-translation Masked Language Modeling), 直接用单语语料学alignment。这是怎么做到的呢？其实也很简单，就是在单语句子A后面加一些[MASK],当成目标语言B需要填充的[MASK],然后用训好的CAMLM来填充之。这样，我们就有了伪平行语料B. 然后再把A的一些词做mask, 只用伪平行语料来填充。通过这种方式，ERNIE-M利用「单语语料更好地建模语义对齐关系」。
3. 实验
使用Transformer encoder。ERNIE-M-BASE 12层，768维，12个头; ERNIE-M-Large 24层，1024维，16头。使用GeLU激活函数，用XLM-R预训练模型做初始化。
通过两种方式评测ERNIE-M的效果：
1）Cross-lingual Transfer：该方式将英文训练的模型「直接在其他语言上测试」(直接transfer, 可以理解为是zero-shot learning)，验证模型的跨语言理解能力。在实际应用中，如果缺乏某种语言的标注数据，该技术可以通过其他语言的标注数据对多语言模型训练解决该问题，降低小语种系统的构建难度。
2）Multi-language Fine-tuning：该方式使用所有语言的标注数据对模型进行多任务训练，验证在有本语言标注数据的情况下，模型能否「利用其他语言的数据」，进一步增强该语言的理解效果。
跨语言检索 ⭐
跨语言检索任务是在双语语料库中检索语义相同的句子，如下图所示，ERNIE-M可使得用户只用某一种语言，例如汉语，便可检索到其他语言的结果，如英语、法语、德语等结果。ERNIE-M在跨语言检索数据集「Tatoeba」上取得了准确率87.9%的效果。这个任务也是和笔者现在要研究的方面最接近的。
自然语言推断
自然语言推断是自然语言理解中的一项重要的基准任务，该任务的目标是判断两句话之间的逻辑关系。多语言数据集「XNLI」数据集包含15种语言，既有英语、法语等常见语言也有斯瓦希里语等小语种语言。
ERNIE-M在Cross-lingual Transfer和Multi-language Fine-tuning两种模式下验证了效果。研究者用英语对ERNIE-M进行微调训练，在汉语、德语、乌尔都语等语言上测试，能达到平均准确率82.0%的效果。如果使用所有语言的训练语料，准确率可以进一步提升到84.2%。
阅读理解
阅读理解任务的目标是根据文章回答指定问题。为了评测ERNIE-M在阅读理解任务上的效果，ERNIE-M在Facebook提出的「MLQA」多语言阅读理解数据集上进行了评测。在该任务中，模型需要先在英语上进行训练，再在其他语言的数据集上评测。此项任务可以评估模型在跨语言问答任务的效果，帮助跨语言问答系统的搭建。该任务如下图所示，ERNIE-M在仅使用英语训练的情况下，不同语言的问题中有55.3%可以完全回答正确。
命名实体识别
命名实体识别任务的目标是识别出文章中的人名、地名、时间、机构等信息。其可以帮助人们快速地从大量文章中提取出有价值的信息。如下图所示，使用多语言模型可以帮助我们在小语种文章上做信息抽取。ERNIE-M在CoNLL数据集上进行评测，同时在Cross-lingual Transfer和Multi-language Fine-tuning两种模式下验证了效果。研究者用英语对ERNIE-M进行微调训练，在荷兰语、西班牙语和德语上进行了测试，平均F1能达到81.6%，如果使用所有语言的训练语料，平均F1可进一步提升至90.8%。
吐槽：本来想用这篇文章的预训练模型，后来发现Ernie-M的预训练模型还没有开源。而且已经开源的ERNIE是用paddlepaddle框架写的，导致很难follow...一人血书百度能不能用点通用框架做研究...
