知物由学 | 再造巴别塔，我们如何进行NLP跨语言知识迁移？

知物由学 | 再造巴别塔，我们如何进行NLP跨语言知识迁移？

自以 BERT 为代表的预训练语言模型诞生起，关于其跨语言版本的探索研究就从未停止过。2020 年 4 月，Google 发布了 XTREME 基准，迅速成为跨语言预训练模型的黄金评测集。

XTREME 包含文本分类、序列标注、句子召回、问答四个大类共九个子任务，参评模型需要在英文训练数据上进行调优，然后在其他 12 个语系的 40 种语言的各自测试集上进行推理预测。

得分越高，意味着模型能更好地将从优势语种（英文）中学习到的知识，迁移到小语种应用上。

随着各大互联网公司在出海业务上的争夺，越来越多的成熟业务需要快速部署小语种版本。火热的应用需求带动了跨语言预训练模型的研究，XREME 的 SOTA 被不断推高。

作为 2020 年的冠军，微软的 T-ULRv2 模型的佳纪录只保持了不到 2 个月便被打破。仅仅 2021 年第一季度，已有百度 （ERNIE-M）、阿里巴巴（VECO）和字节跳动（Polyglot）等巨头相继发布了自研模型，一版更比一版强。

那么，为什么预训练语言模型能够实现知识迁移呢？如何打通不同语言间的通道呢？

01“对齐”的起源

跨语言任务一直是 NLP 的经典问题。只不过，在预训练语言模型尚未被发明时，它属于“机器翻译”的研究范畴。

机器翻译的核心概念，叫做“对齐”，指的是为源语言中的某个词或短语，找到其在目标语言中的匹配。比如，我们可以说“中国”是对齐到“China”的，也可以说这两个词是互相对齐的。

经典机器翻译模型，依赖于大量的平行语料（原文-译文组成的句对）来建立这种对齐关系。然而，对于一些小语种，相关数据的收集非常困难。

为了打破这种约束，无监督机器翻译（UNMT）技术不断生长发展，终于在 2018 年实现了历史性的突破。这一年，FAIR（Facebook AI Research） 将“词对齐”拓展到了“词向量对齐”，开源了无监督词级别翻译模型 MUSE，并以此为基础，终实现了“句向量对齐”。

UNMT 的相关研究向我们证明了，所有语种是可以共享同一个语义空间（latent space）的。即两个来自不同语种的语义相近的句子，在经过编码后，其表示向量可以互相对齐。

如果模型能够高质量地建模这一层级的对齐关系，就能拉近两种语言各自表示空间的距离，把源语言句子无障碍地 转换为目标语言。

然而，剥离了平行语料的支持，仅依靠单语数据，模型要从哪里入手去找到抽象的语义对齐关系呢？

MUSE 混合了两种语言的词表，并使用相同的 BPE 规则进行 subword 的切割。作者认为，这是模型能够成功的一个关键点。标点、数字等各语种共享的符号，以及相同的 subwords，为对齐提供了初始的锚点。此外，两种语言的单语数据虽然未严格对齐，但同样来自wiki。

词向量建模的一个关键假设是，“上下文相似的词，语义相似”。相同的文本来源，提供了相似的词语统计分布，进而强化了语义表示空间的交汇。

自 BERT 起，预训练语言模型作为一种强大的 NLP 工具，将 UNMT 的性能推上了一个新的台阶。这意味着，跨语种间的对齐关系，得到了更准确的刻画。那么，跨语言预训练模型，如何完成这种对齐建模呢？

02朴素的mBERT

在 2018 年11月，BERT 官方发布了两个重量级的新版本：中文 BERT 和 支持 102 种语言的 Multilingual BERT。后者简称 mBERT，被后续无数的跨语言预训练模型作为 baseline。

严格来说，mBERT 并不能算是一个彻彻底底的跨语言模型。除了预训练使用的是混合语种的语料外，它与 BERT 没有丝毫的不同。无论是模型结构或是优化目标，都没有为跨语言迁移任务进行任何的定制。

mBERT 的两个强基线，“Translate-Train”和“Translate-Test”均借助了外部机器翻译系统进行跨语言辅助。前者将训练数据（finetune）译为目标语言，后者将测试数据译为目标语言。这样一来，训练和测试就能在同一语种下进行。

mBERT 对训练和测试执行了严格的语种隔离，是真正的“zero-shot”迁移方式。它在跨语言任务上的迁移效果，自然是不如基线模型的。然而，仅仅是简单地替换训练数据，没有显式的外部对齐，就赋予了 BERT 模型跨语言迁移知识的能力，这一点足以让人惊叹了。

03谁影响了跨语言对齐?

围绕 mBERT 的内部机制，在 2019-2020 涌现了一大批的顶会分析文章。比较有代表性的是：

[ACL-2019] How multilingual is Multilingual BERThttps://arxiv.org/abs/1906.01502

[EMNLP-2019]Beto, Bentz, Becas: The Surprising Cross-Lingual Effectiveness of BERT https://arxiv.org/abs/1904.09077

[ICLR-2020]Cross-Lingual Ability of Multilingual BERT: An Empirical Study https://arxiv.org/abs/1912.07840

[李宏毅-2020]A Study of Cross-Lingual Ability and Language-specific Information in Multilingual BERT https://arxiv.org/abs/2004.09205

根据 UNMT 的经验，mBERT 可能是从共享的 wordpiece 中找到了一些语种“对齐”的线索。然而，相关论文的分析已经达成了某种“反直觉”的共识 - 跨语言迁移能力的学习和词表重叠无关。即使词表零重叠，mBERT 仍然能够通过 xtreme 测试。

在相似语种间的确更适合进行 zero-shot 迁移，但这种助力并非来自表层的“词相似”，更有价值的是深层结构语义（比如主谓宾的顺序等）。

模型的容量，对跨语言迁移任务影响也很大。其中重要的是网络深度；增加网络宽度和自注意力头数带来的增益有限。大模型对应着大数据量，单语种20W的效果，远远不如单语种100w数据。

尽管在预训练数据没有对语种做明确的标志，但实验证实，这并不影响迁移效果。mBERT 网络的每一层输出，都天然包含着语种信息（可能是拜 Mask-LM 所赐）。

04如何提高跨语言迁移性能？

前面提到，mBERT 仅仅是一个替换了训练语料的 BERT，并非真正为了“跨语言迁移”而设计的“预训练语言模型”。站在它的肩膀上，后继者们把 xreme 榜越刷越高。
既然 mBERT 是只能依靠单语数据进行学习的 zero-shot 模型，那么核心优化思路自然是为模型提供尽可能多的显式对齐线索。具体来说，需要引入跨语言数据（平行语料），并增加跨语言预训练任务。主要的实现方式如下：

1. TLM（Translation Language Modeling）：
   Mask-LM 任务的扩展版本。将平行语料的原文和译文拼接后输入 BERT，作为一个整体进行 Mask-LM 训练。在预测被遮蔽的词时，模型不仅可以利用自身语种的上下文信息，同业也可以从另一语种的翻译信息中进行学习。T-ULRv、 ERNIE-M 和 XLM 中都能找到 TLM 影子。无论它被叫做什么名字，实质上都是同一个东西。

2. 句向量对齐：
   强制拉近原文句子与译文句子在向量表示空间的距离。FILTER 使用了 KL 距离作为两个句向量的相似性度量，T-ULRv2 则是自定义了公式进行互信息大化。

3. 伪数据：
   使用外部机器翻译系统，用单语数据生成“伪”平行语料，即“回译（Back Translation）”。有标注的平行语料数量有限，借助回译可以大幅度提升数据量。这是来自机器翻译领域的传统刷榜操作。FILTER 和 ERNIE-M 都使用了该技术。

05结语

伴随着业务出海，从资源丰富的英语，到热门的日语韩语，再到泰语印尼语等东南亚小语种，文本算法需要快速进行新语种的功能适配。

在语种爆炸和资源受限的情况下，按照中文处理的开发模式进行复制变得不切实际。跨语言预训练模型的诞生恰好解决了这一困境。

在实际应用中，使用大规模的预训练模型和平行数据实现基础迁移，再配合少量的目标语言业务数据微调，可以实现更好的跨语言迁移效果。借助这一技术，易盾能够将中文内容检测能力迅速扩展到其他语种，全方位拦截垃圾文本。