一个深度学习模型能完成几项NLP任务？

在很多人眼里，Salesforce也许是个陌生的名字，但它实际上是可以比肩微软和甲骨文的科技巨头。和众多专注个体消费者服务的公司不同，Salesforce的主营业务是CRM系统，这也是它当年迫于股东压力放弃收购Twitter的一大因素。近年来，眼看竞争对手依靠AI威廉希尔官方网站 取得巨大成功，坐拥大量优质数据、成立了人工智能平台Einstein的Salesforce自然也不甘落后。今天，论智带来的是Einstein研究所的新成果：一个十项全能的NLP深度学习模型。

对于机器翻译、文本摘要、Q&A、文本分类等自然语言处理任务来说，深度学习的出现一遍遍刷新了state-of-the-art的模型性能记录，给研究带来诸多惊喜。但这些任务一般都有各自的度量基准，性能也只在一组标准数据集上测试，这就导致一个问题：即便这些模型在单个NLP任务中表现良好，但它们的基准设计和架构发展并不一定会对NLP全能模型的发展带去积极影响。

为了探索这些模型的更多可能性，以及优化它们的权重，我们引入decaNLP：自然语言十项全能多任务挑战（同样是个大型数据集）。这个挑战包含十项任务：Q&A、机器翻译、摘要、自然语言推断、情感分析、语义角色标注、关系抽取、任务驱动多轮对话、数据库查询生成器和代词消解。它的目标是找到可以高质量完成以上10种任务的模型，并探究这些模型与针对特定任务单独训练的模型之间的不同。

为了方便比较，decaNLP使用了一个名为decaScore的基准。

通过把这十项任务统一转化成问答模式，这就成了一个大型Q&A模型

针对这项挑战，我们的具体做法是把这十项任务都转换为问题和答案，并提出一个新的多任务问答网络（MQAN），它可以在无需任何特定任务模块、参数的情况下同时学习这十项任务。经过实验，MQAN得到了一些有趣发现：机器翻译和命名实体识别模型间可以进行迁移学习、情感分析和自然语言推断有相似的域……

通过比较基准，我们发现MQAN的多指针编码器-解码器结构是它成功的一大关键，而且相反的训练策略可以进一步提高网络性能。尽管MQAN的定位是NLP全能模型，但它在单一任务中的表现也可圈可点。总而言之，它在WikiSQL语义解析任务中取得了state-of-the-art的成果，在SQuAD上得分最高，在其他任务中也表现出众。

任务及数据集

问题、文本、答案：十项NLP任务

首先我们来看看任务和相关数据集，这块内容在论文中有更详细的介绍，包括每个任务的历史背景和近期进展情况，这里我们不再赘述。上图是每个任务输入输出对的一些样本。

Q&A

问答模型的输入由问题和上下文两部分组成，其中包含输出答案所需的信息。对于这个任务，我们使用的是斯坦福问答数据集（SQUAD），上下文截取自英语维基百科的段落，而答案则是从上下文中复制的单词序列。

机器翻译

机器翻译的输入是源语言文本，输出是翻译好的目标语言。我们在这里把2016年国际口语机器翻译评测比赛（IWSLT）中的英译德数据作为训练集，并把2013年、2014年比赛的数据作为验证集和测试集。输入样本来自转录的TED演讲，因为它涵盖了大多数自然语言会话主题。虽然对机器学习来说这个数据集有点小，但它的大小上和其他任务的数据集基本一致。

decaNLP没有对额外数据的限制，所以如果你愿意，你还可以引入更多数据，比如WMT的会议翻译数据。

摘要

这类任务要求输入文本后，模型能输出该文本的摘要。近几年来不少研究人员把CNN（美国有线电视新闻网）和《每日邮报》语料库汇总成数据集，并在这个基础上取得了不少重大进展。我们也为decaNLP挑战引入了这个数据集的非匿名版本。

自然语言推断

自然语言推断（NLI）模型接收两个输入句子：一个前提和一个假设。模型需要推断前提和假设之间的关系，并把它归类为矛盾、中性、支持三者之一。我们用的是斯坦福大学的Multi-Genre NLI Corpus（MNLI）数据集，它是SNLI的升级版，提供多领域（语音转录、流行小说、政府报告）训练样本。

情感分析

情感分析的任务是输入文本后，输出文本所表达的情绪。斯坦福大学的情绪树库（SST）是一个包含电影评论及其相应情绪（正面、中性、负面）的数据集，非常适合这类任务。我们使用的是它的二进制版本，以便decaNLP模型可以解析其中的依赖关系。

语义角色标注

语义角色标注（SRL），即输入句子和谓语（通常是动词），输出语义角色间的关系：何时何地，“谁”对“谁”做了什么。我们把一个SRL数据集处理成问答形式，制作了一个新数据集：QA-SRL，它的内容涵盖新闻和维基百科。

关系抽取

关系抽取的目的是从输入文本中提取属于目标种类的实体关系。在这种情况下，模型需要先识别实体间的语义关系，再判断是不是属于目标种类。和SRL一样，我们也为这项任务制作了一个新数据集：QA-ZRE。它把实体关系映射到一系列问题，所以抽取过程就也成了问答形式。

任务驱动多轮对话

在人机对话系统中，任务驱动多轮对话的一个关键是对话状态跟踪，也就是根据用户发言和机器人的反应确定用户的明确目的，比如订餐、订票、购买商品等，它也可以追踪交流过程中用户提出的请求类型。对于这项任务，我们用的是英文版的WoZ订餐任务，它包含订餐食物实体、日期、时间、地址以及其他信息。

语义分析

从本质上说，把自然语言翻译成SQL再到数据库查询语句这个过程和语义分析密切相关。去年，我们曾在论文Seq2SQL中介绍过一种可以跳过SQL的方法，允许自然语言与数据库直接进行交互。所以这里用的还是当时的数据集WikiSQL。

代词消解

这个任务面向的是不图灵测试，而是威诺格拉德模式挑战，其中最典型的一个例题是：市议会拒绝给示威者颁发许可，因为他们[担心/宣扬]暴力。这里“担心”的主语是“市议会”，那么“宣扬”的主语是谁？我们从这个例子开始训练，确保最终答案来自上下文，但它的得分又不会被上下文的措辞所影响。

模型得分：decaScore

多任务问答网络（MQAN）

MQAN是一个多任务问答模型，只用一个深度学习神经网络就能解决decaNLP挑战的十项任务。它没有任何针对特定任务的参数和模块，如上图所示，输入问题和上下文文本后，模型用BiLSTM对输入进行编码，又用dual coattention分别调整两个序列的表征，之后用另外两个BiLSTM压缩所有信息，以便它们能被用于高层计算。后面添加的自我注意力模块能有效收集长期记忆，这些信息再被馈送进最后两个BiLSTM，得到问题和上下文的最终表征。

因为decaNLP是一个十项全能挑战，所以如果每项任务的评分基准是百分制，那它就应该是千分制——加法可以有效避免对不同任务的评分偏见。对于Q&A、自然语言推断、情感分析和语义角色标注，它们的评分基准是归一化的F1(nF1)；摘要任务计算的是ROUGE-1、ROUGE-2和ROUGE-L得分的平均值；机器翻译用的是BLEU评分；任务驱动多轮对话用的是任务跟踪得分和请求跟踪得分的平均值……

除了MQAN，我们还尝试了其他结构的模型并计算了它们的decaScores，下面是具体评分情况：

各模型评分结果

第一个S2S是一个包含注意力机制和指针生成器的序列到序列网络；第二个w/SAtt是S2S的衍生，它在编码器的BiLSTM和解码器的LSTM层之间加入了一层自我注意力模块（Transformer）；+CAtt把上下文和问题分解成两个序列，并在编码器上添加了额外的层；MQAN事实上就是带额外问题指针的+CAtt，它在表格中被表示为+QPtr。

上表数据显示了模型在多任务和单任务之间的权衡：通过在S2S中加入额外的注意力模块，模型能更有效地从问题+上下文的单一序列中提取有效信息，从而极大地提高了它在SQUAD和WikiSQL上的性能；通过在前者基础上把上下文和问题作为单独的输入序列，模型在大多数任务上的表现更好了，但它在MNLI和MWSC两个数据集上却性能暴跌，这不难理解，自然语言推断和代词消解需要结合上下文和问题，它们一旦分离，模型就失效了；针对这个问题，+QPtr引入了一个额外指针，可以发现，这时模型在MNLI和MWSC上的性能比S2S更优。

学习新任务时，MQAN预训练/直接训练的差距