本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

BERT、GPT-2、XLNet等通用語言模型已經(jīng)展現(xiàn)了強大的威力，它們可以應(yīng)付各類任務(wù)，比如文本生成、問答。當這些模型對各種語言任務(wù)進行微調(diào)時，可以達到SOTA性能。

以上這些NLP模型都是“通才”，雖然全面，但在面向特定任務(wù)時需要微調(diào)，訓(xùn)練數(shù)據(jù)集也十分龐大，非一般人所能承受。

如果開發(fā)一個非通用NLP模型，專門針對某項具體任務(wù)，在降低訓(xùn)練成本的同時，性能會不會提高呢？

這就是谷歌發(fā)布的“天馬”（PEGASUS）模型，它專門為機器生成摘要而生，刷新了該領(lǐng)域的SOTA成績，并被ICML 2020收錄。

“天馬”模型僅使用1000個樣本進行訓(xùn)練，就能接近人類摘要的水平，大大減少了對監(jiān)督數(shù)據(jù)的需求，創(chuàng)造了低成本使用的可能性。

從填空到生成摘要

PEGASUS的全稱是：利用提取的間隙句進行摘要概括的預(yù)訓(xùn)練模型（Pre-training with Extracted Gap-sentences for Abstractive Summarization）。就是設(shè)計一種間隙句生成的自監(jiān)督預(yù)訓(xùn)練目標，來改進生成摘要的微調(diào)性能。

在之前的NLP研究中，自監(jiān)督預(yù)訓(xùn)練對下游的目標并不清楚，可能是文本生成、也可能是摘要提取，模型傾向于通用性。

而來自谷歌的研究者認為，自監(jiān)督預(yù)訓(xùn)練目標越接近最終的下游任務(wù)，微調(diào)性能越好。

那論文標題中的間隙句（Gap-sentences）又是什么意思？

在“天馬”模型的預(yù)訓(xùn)練中，研究者從一段文檔中刪掉一些句子，讓模型進行恢復(fù)任務(wù)。這些隔空刪掉的句子即為間隙句。

這樣一項具有挑戰(zhàn)性的任務(wù)促使模型學(xué)習(xí)發(fā)現(xiàn)一般事實的能力，以及學(xué)習(xí)如何提取從整個文檔中獲取的信息。

谷歌發(fā)現(xiàn)，選擇“重要”句子去遮擋效果最好，這會使自監(jiān)督樣本的輸出與摘要更加相似。

作者選擇了12個不同數(shù)據(jù)集，內(nèi)容豐富多樣，包括新聞、科學(xué)論文、專利文件、短篇小說、電子郵件、法律文件和使用說明，表明該模型框架適用于各種主題。

與谷歌之前提出的T5對比，參數(shù)數(shù)量僅為T5的5%。

谷歌根據(jù)ROUGE標準對輸出結(jié)果進行評判，通過查找與文檔其余部分最相似的句子來自動識別這些句子。

ROUGE使用n元語法重疊來計算兩個文本的相似度，分數(shù)從0到100。

1000個訓(xùn)練樣本即超過人類

盡管PEGASUS在大型數(shù)據(jù)集上表現(xiàn)出了卓越的性能，但令人驚訝的是，“天馬”模型并不需要大量的樣本來進行微調(diào)，就可以達到近乎SOTA的性能。

下圖展示了在四個選定的摘要數(shù)據(jù)集中，ROUGE得分與監(jiān)督樣本數(shù)量的關(guān)系。虛線表示具有全監(jiān)督但沒有預(yù)訓(xùn)練的Transformer編碼器-解碼器的性能。

與基線相比，即使僅用1000個微調(diào)樣本，“天馬”在大多數(shù)任務(wù)中的性能還是要好一些。要考慮到，在某些實際情況下，樣本數(shù)量還要多幾個數(shù)量級。

這種“樣本效率”極大地提高了文本摘要模型的實用性，因為它大大降低了監(jiān)督數(shù)據(jù)收集的規(guī)模和成本。

除了機器給出的ROUGE評分外，谷歌還進行了一項鑒別摘要的“圖靈測試”。

谷歌將模型生成的摘要和人類提取的摘要放在一起，給用戶進行評估。在3個不同數(shù)據(jù)集上進行的實驗表明，打分的人有時會更喜歡機器生成的摘要。

當然，“天馬”模型并非沒有缺點，谷歌就找到了一個bug。

作者從XSum數(shù)據(jù)集中尋找了一段話，其中提到了英國4艘護衛(wèi)艦的名字，通篇沒有提到4，“天馬”還是正確提取出了護衛(wèi)艦數(shù)量信息。

軍艦的數(shù)量從2~5的時候都沒有問題，當數(shù)量增加到6時，“天馬”錯誤地認為有7艘。這說明模型“符號推理”的數(shù)量有限。

最后，為了支持該持續(xù)研究并確?？芍貜?fù)性，谷歌在GitHub上發(fā)布了“天馬”的代碼、模型checkpoint以及其他匯總數(shù)據(jù)集。

傳送門

博客地址：
https://ai.googleblog.com/2020/06/pegasus-state-of-art-model-for.html

論文地址：
https://arxiv.org/abs/1912.08777

代碼地址：
https://github.com/google-research/pegasus