XLNet

1、XLNet的出发点

自回归语言模型AR：仅根据上文预测，或仅根据下文预测。ELMO、GPT。优势是擅长生成式自然语言处理任务。 因为在生成上下文时，通常是前向的。缺点是仅利用一边，信息利用不充分。
噪声自动编码器DAE：DAE是从损坏的输入重建原始数据。比如Bert。缺点是1、输入侧引入[Mask]标记，导致预训练阶段和Fine-tuning阶段不一致的问题。2、Bert是基于被Mask的token之间完全独立假设。如[New, York, is, a, city]中New, York被mask。Bert是用 is, a, city预测New,用 is, a, city预测York。但其实New和York之间也是有相关性的，也就是被mask的词之间并不一定独立。

XLNet的出发点就是：能否融合自回归LM和DAE两者的优点。

2、XLNet基本思想

XLNet初衷：如何实现，看上去仍然是从左向右的输入和预测模式，但是其实内部已经引入了当前单词的下文信息呢？即仍然用自回归LM的方法，但是要考虑两侧上下文信息。
在预训练阶段，引入Permutation Language Model（排列LM）的训练目标。首先将句子的 token 随机排列，然后采用 AR 的方式预测句子末尾的1/k个单词，这样 XLNet 即可同时拥有 AE 和 AR 的优势。

如果我们的语言模型遍历T!种分解方法，并且这个模型参数共享，那么这个模型应该就能(必须)学习到各种上下文。现实中是随机采样部分排列。

3、 XLNet实现

3.1 PLM

输入序列不变，在transformer内部，通过Attention Mask，把其它没有被选到的单词Mask掉，不让它们在预测单词Ti的时候发生作用。看着就类似于把这些被选中的单词放到了上文Context_before的位置了。

3.2双流自注意力模型

因为引入了PLM，所以对于每个词，我们有时候只要位置信息，有时候位置信息和内容信息都要。所以需要两个流，分别是Query Stream和Content Stream。

3.2.1 Query Stream

g表示Query Stream，只包含位置信息，h表示Content Stream，包含位置和内容信息。在计算上层该token的Query Stream时，用到了该token的位置信息作为Q和其他可见token的内容信息KV，哪些token的内容信息可见，用Query Stream mask矩阵表示。

3.2.2Content Stream

计算上层该token的Content Stream时，用到了该token的内容信息作为Q和其他可见token的内容信息作为KV，哪些token的内容信息可见，用Content Stream mask矩阵表示。比Query Stream mask矩阵多了对角线。

3.2.3Query Stream和Content Stream的结合

最下面是输入层， e(x) 是单词的词向量，表示输入的 Content Stream，而 w 表示输入的位置信息，即 Query Stream。

3.3 Partial Prediction部分预测

XLNet在实现的时候，为了提升效率，选择每个句子最后末尾的1/K单词被预测（前面词的上下文比较少）。XLNet-Large 时使用的 K 为 6，大约是预测末尾 14.3%的 token。

3.4 pretraining和finetuning的区别

fine-tuning的时候，只使用Content Stream，并且Mask为全为0，这样每个Token都可以attend to其它所有的Token。

4、XLNet集大成者

XLNet就是Bert、GPT 2.0和Transformer XL的综合体变身。
1、它通过PLM预训练目标，吸收了Bert的双向语言模型；
2、GPT2.0的核心其实是更多更高质量的预训练数据，这个明显也被XLNet吸收进来了（扩充数据规模，并对质量进行了筛选过滤）；Bert使用的预训练数据是BooksCorpus和英文Wiki数据，大小13G。XLNet除了使用这些数据外，另外引入了Giga5，ClueWeb以及Common Crawl数据，并排掉了其中的一些低质量数据，大小分别是16G,19G和78G。
3、Transformer XL的主要目标是解决Transformer对于长文档NLP应用不够友好的问题。XLNet吸收了相对位置编码以及分段RNN机制。