XLNet简读
XLNet发表在NeurIPS-19上，是BERT之后相当有名的一个工作，这里简单总结一下它的要点。
要解决的痛点
XLNet，如果做一个总结的话，可以理解为是结合了BERT、GPT、Transformer-XL这些代表性工作各自优点的一个综合体。那么自然，GPT-2、BERT都是各自有个字的缺点。
BERT的优缺点
BERT在pre-training中主要的技术就是Masked-language-modeling（MLM），MLM为了实现双向语言模型，在训练过程中，会随机挑选15%的token用[MASK]来替换掉，然后用带[MASK]的上下文来预测这个token。这就会造成预训练和微调时的不匹配（pretrain-finetune discrepancy）问题。虽然BERT采用了一些trick来缓解这个问题（15%的选中词里面，有80%的概率会被MASK，剩下的要么替换成随机词，要么不变），但这是杯水车薪的。
这就是BERT存在的一个问题，但是MLM毕竟实现了双向的语言模型，所以比传统的单向语言模型还是更好的。
GPT模型的优缺点
GPT模型，跟BERT是不一样的路子，是单向语言模型，采用auto-regressive的方式，用前面的词去预测下一个词，这么做自然就不需要对token进行MASK，所以不存在pretrain-finetune discrepancy问题。但是这种单向语言模型，在语义表示的方面，自然没有双向的好。
XLNet，就是为了解决BERT和GPT各自的问题，想把他们各自的优点结合在一起的一个工作。
Permutation Language Modeling（PLM）
这个PLM，就是XLNet最主要的贡献和亮点。
对于BERT的使用MASK token导致的pretrain-finetune discrepancy问题，如果还是用BERT采用的denoising auto-encoding的方式的话，那是没办法的。想不用MASK，就只能用auto-regressive方式，那如何在auto-regressive方式下还能进行双向建模呢？作者们就提出了这个PLM的想法。
一图胜千言，原文理论部分不是很容易看明白，但他们在附录里花了一张图，就很容易懂：
如上图所示，一个序列正常的顺序假设是1-2-3-4，然后我们想对位置3的token进行双向语言模型预测。
PLM的做法就是，先把1-2-3-4的顺序打乱（假设序列长度为L，那么就有 L!种token的不同排列组合）：
- ① 3-2-4-1
- ② 2-4-3-1
- ③ 1-4-2-3
- ④ 4-3-1-2
- ...
然后，对于每一种排列，我们使用经典的auto-regressive的方式对3进行预测，那么：
- 对于①，3的上文是空的，所以在通过self-attention的时候，没有一个被attend，相当于凭空预测3；
- 对于②，3的上文是2、4，所以2、4的位置被attend，相当于用2、4来预测3；
- 对于③，3的上文是1、4、2，所以1、2、4的位置被attend，相当于用1、2、4来预测3；
- 对于④，3的上文是4，所以只有4的位置被attend，相当于用4来预测3。
这就是PLM的思想，通过这种方式，某个token的上下文，实际上都有可能参与预测该token，也就实现了双向的语言模型，这种设计还是挺精妙的。
Notice！虽然PLM把顺序都打乱了，但实际上输入模型的，都是原始的顺序，只是在进行language model预测的时候，对所谓的“上文”进行了各种采样，因此实现了实际上的上下文建模。所以我们不用担心这里的permutation对语义的影响，模型学习的还是正常的句子。
其实BERT还存在一个问题，那就是BERT预训练中随机MASK掉的那些词，在训练的时候没有考虑到彼此之间的关系，比方作者举的这个例子：
[New, York, is, a, city]这个句子，如果把New, York都给mask掉了，那么BERT在预测New的时候，使用的上下文就只有[is, a, city]，预测York的时候使用的上下文也只有[is, a, city]，而New和York之间的依赖关系就被忽略了。
而XLNet不同，假设对句子随机采样的一个排序是[is, a, city, New, York], 那么预测New的时候，使用的上文是[is, a, city]，预测York的时候使用的上文则是[New，is, a, city]，比BERT对了一个对New的考虑。
其实你细想一下为啥XLNet可以做到？因为XLNet不会同时去预测New和York，一次只预测一个token，而BERT则是同时预测所有被mask掉的词，那自然就没法考虑彼此之间的关系了。
目标函数
目标函数，就是岁所有可能permutation序列的联合概率分布的期望，比方sequence length是3，那么就有6种排列，那目标函数怎么计算呢？对于每种排列，依次计算每个位置token的概率，然后连乘再取log，最后把6种排列的结果进行平均。
实际上，这么算的话计算开销是很大的，所以作者实际使用的方式，是名为Partial Prediction的方式，即对于一个排列，我们只对最后的几个position进行预测，前面的不管了。比方1-2-3-4的一个排列是1-3-2-4，我们设置一个截断长度=2，那么我们只做1,3->2和1,2,3->4这两个LM预测。
使用PLM要解决的问题
上面描述PLM感觉很美好，但直接使用会存在问题。
首先我们看看auto-regressive是如何预测下一个词的概率的：
假设一个sequence的排列是a-b-c-d，那我们预测c的时候使用的上文就是a-b，但是套用上面的公式的话，
原始的sequence可能是c-a-b-d，也可能是a-b-c-d，还可能是a-c-d-b，所有的可能，只要在a-b-c-d的排列下，计算出来的概率就是一模一样的。也就是说，还用传统的计算方法的话，会忽略要预测词的位置信息，这就肯定很影响学习的效果。
所以，我们要做的改进，就是把要预测词的位置信息加进去：
但是，我们加入的也只能是位置信息，不能把内容信息给加进去了，不然预测就没有意义了。
上面这个公式实际上是Transformer的最后一层的处理，如何把要预测的词的位置，通过层层的self-attention，把位置信息给传上来的同时不传递内容信息呢？另外，我一个sequence输进来，也不能每次只预测一个token吧，那样效率就太低了，那对于要预测的token1如果只有位置信息，而要预测的token2如果要使用token1的信息的话，那岂不是矛盾了。
说得再具体一点，对于一个序列x1-x2-x3-x4，我们在预测x3的时候，不希望使用x3的内容，只使用它的位置；然后我们还想预测x4，这个时候，我们又需要同时获取x3的内容和位置。要想做到这一点，传统的Transformer结构是无法做到的。那么，我们能怎么办呢：
- 首先得把token representation分成embedding和position两部分，不能混在一起
- 得有两套self-attention机制来帮忙传递信息
这就是作者提出的Two-Stream Self-Attention方法：
Two-Stream Self-Attention
content stream attention和query stream attention：
上图中，我们可以理解蓝色的部分就是content，绿色的部分就是position。
- (a)代表Content stream attention，它就是传统Transformer中一模一样的self-attention。它的作用是保证每个token的内容信息的传递。
- (b)代表Query stream attention，它对于当前的token，只访问position，对于其他的token，则访问content。当前token的position作为query，所有其他token的content作为K和V，然后使用position跟K计算attention权重，再对V进行加权求和，就得到下一层的position。总之，这个stream的作用就是保证每个token只有位置传递上去。
- 另外注意，content stream只使用了content，但是query stream同时使用了position和content，这种交互使得在参数不断更新之后，content里面也会包含position的信息，而position中本来也包含了content的信息，只是不包含当前位置的content。
综合起来，我们的decoder就是这样的：
图中最上面红色虚线，代表预测，比如要预测x3的话，我们使用的context hidden representation就是图中的g3，g3只包含x3的位置信息，以及x3的上文的所有信息；而要预测x4的时候，如果x3在x4的上文中，那么x3的所有信息都可以被g4获取。这样，上面提到的矛盾就可以解决了。
借鉴Transformer-XL
实际上XLNet的名字就是沿用了Transformer-XL来取的，因为这里在backbone上主要就采用了Transformer-XL的设计，即采用相对位置编码（relative positional encoding）和片段重用机制（ segment recurrence mechanism），这样可以让模型接收更长的序列，从而对长文本的表示更好。具体这里不展开了。
XLNet的效果
XLNet的其他细节，就暂不列出了，下面贴一下跟bert的公平对比，反正棒就完事儿了：
