首页 > 其他分享> > 跨语言评测数据集之XNLI介绍

跨语言评测数据集之XNLI介绍

2020-02-23 21:05:51 作者：互联网

一、前言

对于跨语言理解及与稀缺语言相关的迁移学习而言，一个评测数据集不可或缺。2018年，Facebook的提出了XNLI(Cross-Lingual Natural Language Inference)这个数据集，旨在提供一个统一的评测数据集以方便相关研究。NLI，也就是文本蕴涵，是自然语言理解(NLU)中的一项重要的基准任务，该任务是为了判断两句话之间的关系是否是蕴含（entailment）、矛盾（contradiction）和中立（neutral）三种中的一种。在论文中，Facebook还提出包括多个机器翻译任务、词袋及LSTM编码器在内的baseline。关于XNLI更多内容可参考Facebook论文：XNLI: Evaluating Cross-lingual Sentence Representations。

二、XNLI介绍

源数据集获取：

XNLI支持15种语言，数据集包含10个领域，分别是：Face-To-Face, Telephone, Government, 9/11, Letters, Oxford University Press (OUP), Slate, Verbatim, Government and fiction. 前九项来自开放美国国家语料库，fiction来自英文小说《Captain Blood》。每个领域包含750条样本，10个领域共计7500条人工标注的英文测试样本，组成了112500对英文--其他语种的标注对。每条数据样本，由两个句子组成，分别是前提和假设，前提和假设之间的关系，有entailment（蕴含）、contradiction（矛盾）、neutral（中立）三类，在标注过程中，XNLI的开发者使用了精细的投票规则，最大程度保证标注结果是无偏的。

目标数据集获取：

目标数据集是通过将英文数据集翻译成对应语种而得到的。这就产生了一个问题，即在将英文句子翻译成目标语种的后，句子间的对应关系是否会改变。通过实验，总体上两类语种之间的语义关系是一致的。一些XNLI的数据集样本见图一：

三、评测任务介绍

1、基于翻译的方法

Baseline-1：TRANSLATE TRAIN，将英文数据集翻译成目标语言，在翻译后的数据集的上训练模型；

Baseline-2：TRANSLATE TEST，在测试阶段，将目标语言翻译成为训练阶段所使用的语文，并在训练后的模型上进行测试；

2、基于跨语言表示的编码器

第一类评测任务和基于翻译，第二类方法基于与语言无关的统一Embedding。基于这种思想，作者提出了两类跨语言的句子编码器：

Baseline-3：X-CBOW，预训练的统一多语言句子级别的词向量，基于CBOW方式训练的词向量的平均得到；

Baseline-4： X-BiLSTM，多语言语料上训练的BiLSTM编码器；对于该Baseline，作者提出了两种方法来提取特征，对每个隐单元，使用初始和最终的隐状态作为表示，或者使用最大的隐状态作为特征，不同方法的Baseline分别记作X-BiLSTM-last和X-BiLSTM-max；

在这几个Baseline中，涉及到其他的一些重要概念，介绍如下：

Multilingual Word Embedding

该文的主要是在句子层面做一些跨语言的研究，以往的跨语言工作大多集中在词级别，词级别的Embedding对齐方法，基本思想是基于n对多语言映射字典Embedding表示，学习到两种语言之间的映射关系，如下：

$W^{\star}=\underset{W \in O_{d}(\mathbb{R})}{\operatorname{argmin}}\|W X-Y\|_{\mathrm{F}}=U V^{T}$

其中，d是Embedding的维度，X，Y分别是维度为(d,n)的矩阵。这个公式可以理解为，通过最小化映射字典Embedding之间的距离，使得在新的Embedding空间中，具有相同意义的词向量之间的距离更近。通过对X和Y作SVD分解，可以得到U和V，进一步可以得到最小化Embedding距离的参数矩阵W。

$U \Sigma V^{T}=\operatorname{SVD}\left(Y X^{T}\right)$

关于跨语言的Embedding研究，可以去参考Mikel Artetxe（主页：http://www.mikelartetxe.com/）这位大神的文章。该大神过去几年，从监督到无监督，研究Cross-Embedding的工作，连续几年发了多篇顶会，并且开源了相关代码（https://github.com/artetxem/vecmap），复用简单。

Aligning Sentence Embeddings

句子Embedding对齐。作者在英文上预训练好一个编码器，然后最小化以下损失函数，来得到目标语言上的编码器：

$\mathcal{L}_{\text {align }}(x, y)=\operatorname{sim}(x, y)-\lambda\left(\operatorname{sim}\left(x_{c}, y\right)+\operatorname{sim}\left(x, y_{c}\right)\right)$

x,y分别代表两类语言的句子Embedding，第一项使用L2范数计算相似度，第二项我理解的是加入正则，使得相似度计算结果更加鲁棒。 $x_{c}$ 和 $y_{c}$ 分别表示负采样， $\lambda$ 控制正则的系数。具体的对齐细节见下图：

四、实验

在各个baseline上，实验结果为：

从实验结果，主要可以得出以下几点结论：

在基于翻译的方法中，TRANSLATE TEST的方式优于基于TRANSLATE TRAIN的方式，即将目标测试集翻译成为训练模型所采用的语言的效果，优于将训练集翻译成为目标语言进行训练再评测；
在各个Baseline上，BiLSTM编码器使用最大的隐状态而不是最后的隐状态作为特征，效果更好；
基于翻译的方法比基于跨语言表示的方法，在效果上要更好，但是在一些跨语言任务中，实时翻译的成本高，基于跨语言表示的方法，提供了一些替代的解决方案。

XNLI的介绍就先到这里啦，有什么疑问欢迎关注公众号联系，一起讨论，共同进步~

芋艿ashes 发布了117 篇原创文章 · 获赞 8 · 访问量 5万+ 私信关注

标签：编码器,语言,基于,评测,Embedding,XNLI,集之,Baseline
来源： https://blog.csdn.net/u014257192/article/details/104234948