据报道：自 2018 年以来，预训练无疑是自然语言处理（NLP）领域中最热门的研究课题之一。通过利用BERT、GPT和 XLNet 等通用语言模型，该领域的研究者们在自然语言理解方面已经取得了许多重大的突破。然而，对于序列到序列的自然语言生成任务，这些主流的预训练方法并没有带来显著的改进，对此，微软亚洲研究院提出了一个全新的通用预训练方法——MASS，在该任务中可以得到比 BERT 和 GPT 更好的效果。

　　前言

　　BERT 和 XLNet 在自然语言理解任务（例如：情感分类、自然语言推理和 SQuAD 阅读理解）方面取得了巨大成功。然而， NLP 领域除了自然语言理解任务之外，还存在很多序列到序列的语言生成任务，例如机器翻译、文本摘要生成、对话生成、问答、文本风格转换等。对于这些任务，使用编码器-注意力-解码器框架是主流方法。

　　图 1 编码器 - 注意力 - 解码器框架

　　如图 1 所示，编码器将源序列 X 作为输入并将其转换为隐藏表示的序列，然后解码器通过注意力机制从编码器中抽象出隐藏表示的序列信息，并自动生成目标序列文本 Y。

　　BERT 和 XLnet 通常是对一个编码器进行自然语言理解的预训练；而 GPT 则是对一个解码器进行语言建模的预训练。当利用 BERT 和 GPT 进行序列到序列的语言生成任务时，我们通常需要对编码器和解码器分别进行预训练。在这种情况下，编码器 - 注意力 - 解码器框架和注意力机制并没有得到联合训练。然而，注意力机制在这类任务中极为重要，一旦缺失便会导致 BERT 和 GPT 无法达到最佳性能。

　　一种新的预训练方法

　　针对序列到序列的自然语言生成任务，微软亚洲研究院的机器学习小组提出了一种新的预训练方法，即掩蔽的序列到序列预训练（MASS：Masked Sequence to Sequence Pre-Training）。MASS 随机掩蔽一个长度为 k 的句子片段，并通过编码器 - 注意力 - 解码器框架预测这一被掩蔽的片段。

　　图 2 MASS 框架

　　如图 2 所示，编码器端的第 3-6 个标记被掩蔽，而在解码器端，仅有被掩蔽的标记被预测出来，而其他标记则被掩蔽。

　　MASS 预训练具有以下优势：

　　解码器端的其他标记（在编码器端未被掩蔽的标记）被掩蔽，从而推动解码器提取更多信息以帮助预测连续句子片段，促进编码器-注意力-解码器结构的联合训练；

　　为了给解码器提供更多有用的信息，编码器被强制提取未被掩蔽的标记的含义，这可以提高编码器理解源序列文本的能力；

　　解码器被设计用以预测连续的标记（句子片段），这可以提升解码器的语言建模能力。

　　统一的预训练框架

　　MASS 有一个重要的超参数 k（被掩蔽的片段的长度）。通过调整 k 值，MASS 可以将 BERT 中掩蔽的语言建模和 GPT 中的标准语言建模结合起来，从而将 MASS 扩展成一个通用的预训练框架。

　　当 k = 1 时，根据 MASS 的设计，编码器端的一个标记被掩蔽，而解码器端则会预测出该掩蔽的标记，如图 3 所示。解码器端没有输入信息，因而 MASS 等同于 BERT 中掩蔽的语言模型。

　　图 3 k = 1时，编码器端一个标记被掩蔽，而解码器端则会预测出该掩蔽的标记

　　当 k = m（m 是序列的长度）时，在 MASS 中，编码器端的所有标记都被掩蔽，而解码器端会预测所有的标记，如图 4 所示。解码器端无法从编码器端提取任何信息，MASS 等同于 GPT 中的标准语言模型。

　　图 4 k = m 时，编码器端的所有词都被掩蔽，而解码器端会预测所有的标记，等同于 GPT 中的标准语言模型

　　不同 k 值下 MASS 的概率公式如表 1 所示，其中 m 是序列的长度，u 和 v 分别是掩蔽片段的起始和终止位置，代表从位置 u 到 v 的标记都被掩蔽的序列。可以看出，当 k = 1 或 m 时，MASS 的概率公式等同于 BERT 中的被掩蔽的语言模型和 GPT 中的标准语言模型。

　　表 1 在不同 k 值下 MASS 的概率公式

　　研究人员通过实验来分析了在不同 k 值下的 MASS 性能，如图 5 所示：

　　图 5 在训练前和微调阶段的各种掩蔽长度 k 下 MASS 的表现，其中包括 a) 英语句子预训练模型的PPL b) WMT13 英语-法语翻译的法语句子 c) WMT13 无监督英语-法语翻译的 BLEU 值 d) 文本摘要生成的 ROUGE 值 e) 对话生成的PPL

　　当 k 等于句子长度的一半时，下游任务可以达到其最佳性能。掩蔽句子中一半的词可以很好地平衡编码器和解码器的预训练部分。如果预训练更偏向编码器端（k = 1，即 BERT）或更偏向解码器端（k = m，LM / GPT），则无法实现最优的性能，这也表现出了 MASS 在序列到序列的语言生成任务中的优势。

　　序列到序列的语言生成任务测试

　　预训练

　　值得注意的是，MASS 仅需要无监督的单语数据进行预训练（例如 WMT News Crawl Data、Wikipedia Data 等）。MASS 支持跨语言任务（例如机器翻译）和单语任务（例如文本摘要生成、对话生成）。在对英语-法语翻译等跨语言任务进行预训练时，研究人员可以在一个模型中同时进行英语-英语和法语-法语的预训练，并使用附加的语言嵌入向量来区分语言。在无监督的机器翻译、低资源机器翻译、文本摘要生成和对话生成四个领域，研究人员对 MASS 进行了微调，以验证其有效性。

　　无监督机器翻译

　　关于无监督机器翻译任务，研究人员将 MASS 与之前的方法进行了比较，包括以前最先进的方法 Facebook XLM。XLM 使用了由 BERT 创建的掩蔽预训练语言模型，以及标准语言模型来分别预训练编码器和解码器。

　　结果如表 2 所示，MASS 在 WMT14 英语-法语、WMT16 英语-德语和英语-罗马尼亚语的六个翻译方向上的表现都优于 XLM，并取得了最新的最优结果。

　　表 2 MASS 与之前关于无监督机器翻译方法之间的比较；英语-法语翻译报道在 newstest2014 上，其它的在 newstest2016 可以找到；由于 XLM 在编码器和解码器中使用 MLM 和 CLM 的不同组合，因此报告上显示的是每个语言对上 XLM 的最高 BLEU 值

　　低资源机器翻译

　　低资源机器翻译是指使用有限的双语训练数据来进行机器翻译。研究人员模拟了 WMT14 英语-法语，WMT16 英语-德语和英语-罗马尼亚语翻译（分别为 10K，100K 和 1M 双语数据）的低资源情景。

　　图 6 MASS 与低资源机器翻译方法之间的比较

　　图 6 显示 MASS 在不同数据规模上的表现，均比不用预训练的基线模型有不同程度的提升，并随着监督数据越少，提升效果越显著。

　　文本摘要生成

　　研究人员将 MASS 与 BERT+LM（编码器用 BERT 预训练，解码器用标准语言模型 LM 预训练）、DAE（去噪自编码器）进行了比较。从表 3 中可以看出，MASS 的表现都优于 BERT+LM 和 DAE。

　　表 3 文本摘要生成任务中，MASS 和两种预训练方法之间的比较

　　对话生成

　　研究人员将 MASS 和 BERT+LM 进行了比较。表 4 显示 MASS 实现了比 BERT+LM 更低的 PPL。

　　表 4 MASS 与 BERT+LM 之间的比较数据

　　MASS 连续在序列到序列的语言生成任务上实现显著增益，Facebook 的研究者表示，期待今后在自然语言理解任务中测试 MASS 的性能，并希望在未来的工作中，将 MASS 的应用领域扩展到包含语音、视频等其它序列到序列的生成任务中。