引言

對比學習是一種無監(jiān)督學習方法。它的改進方向主要包括兩個部分：1.改進正負樣本的抽樣策略 2.改進對比學習框架 本篇主要介紹了3篇源自ACL2022的有關對比學習的文章，前2篇文章涉及開放域段落檢索，最后一篇文章涉及主題挖掘。

文章概覽

1. Multi-View Document Representation Learning for Open-domain Dense Retrieval

開放域密集檢索的多視圖文檔表示學習 論文地址：https://arxiv.org/pdf/2203.08372.pdf 密集檢索通常使用bi-encoder生成查詢和文檔的單一向量表示。然而，一個文檔通?？梢詮牟煌慕嵌然卮鸲鄠€查詢。因此，文檔的單個向量表示很難與多個查詢相匹配，并面臨著語義不匹配的問題。文章提出了一種多視圖文檔表示學習框架，通過viewer生成多個嵌入。

2. Sentence-aware Contrastive Learning for Open-Domain Passage Retrieval

開放域段落檢索中的句子感知對比學習 論文地址：https://arxiv.org/pdf/2110.07524v3.pdf 一篇文章可能能夠回答多個問題，這在對比學習中會導致嚴重的問題，文中將其稱之為Contrastive Conflicts?；诖?，文章提出了將段落表示分解為句子級的段落表示的方法，將其稱之為Dense Contextual Sentence Representation (DCSR)。

3. UCTopic: Unsupervised Contrastive Learning for Phrase Representations and Topic Mining

基于短語表示和主題挖掘的無監(jiān)督對比學習 論文地址：https://arxiv.org/pdf/2202.13469v1.pdf 高質(zhì)量的短語表示對于在文檔中尋找主題和相關術語至關重要?，F(xiàn)有的短語表示學習方法要么簡單地以無上下文的方式組合單詞，要么依賴于廣泛的注釋來感知上下文。文中提出了UCTopic（an Unsupervised Contrastive learning framework for phrase representations and TOPIC mining），用于上下文感知的短語表示和主題挖掘。

論文細節(jié)

1

1-1

動機

密集檢索在大規(guī)模文檔集合的第一階段檢索方面取得了很大的進展，這建立在bi-encoder生成查詢和文檔的單一向量表示的基礎上。然而，一個文檔通?？梢詮牟煌慕嵌然卮鸲鄠€查詢。因此，文檔的單個向量表示很難與多個查詢相匹配，并面臨著語義不匹配的問題。文章提出了一種多視圖文檔表示學習框架，旨在生成多視圖嵌入來表示文檔，并強制它們與不同的查詢對齊。為了防止多視圖嵌入變成同一個嵌入，文章進一步提出了一個具有退火溫度的全局-局部損失，以鼓勵多個viewer更好地與不同潛在查詢對齊。

1-2

模型

開放域段落檢索是給定一個由數(shù)百萬個段落組成的超大文本語料庫，其目的是檢索一個最相關的段落集合，作為一個給定問題的證據(jù)。密集檢索已成為開放域段落檢索的重要有效方法。典型的密集檢索器通常采用雙編碼器結構，雙編碼器受制于單向量表示，面臨表示能力的上界。在上圖中，我們還發(fā)現(xiàn)單個向量表示不能很好地匹配多視圖查詢。該文檔對應于反映不同觀點的四個不同的問題，每個問題都匹配不同的句子和答案。為了解決這個問題，文章提出了Multi-View document Representations learning framework, MVR。

1-3 基于cross-encoder的模型需要計算昂貴的cross-attention，所以cross-encoder不用于第一階段的大規(guī)模檢索，而通常被用于第二階段的排序中。在第一階段檢索中，bi-encoder是最常被采用的架構，因為它可以使用ANN加速。

1-4 模型采用上述的bi-encoder結構，這種結構能夠預先計算好query和document的向量，提升檢索速度。Encoder采用bert。一些工作發(fā)現(xiàn)[CLS]能夠匯集整個句子/文檔的含義。為了獲得更加精細的語義表示，使用多個[VIE]來替代[CLS],將[VIE]添加在文檔的開頭，為了避免多個[VIE]對原始輸入句子位置編碼的影響，將的位置id設置為0。由于查詢比文檔短得多，并且通常表示一個具體的含義，因此只為查詢生成一個嵌入。查詢和文檔之間的相似度分數(shù)如下式計算，其中sim代表兩個向量的內(nèi)積。 為了鼓勵多個viewer更好地適應不同的潛在查詢，文章提出了一個配備退火溫度的全局-局部損失。損失函數(shù)： 其中：

記文檔正樣本為d+,負樣本為。全局對比損失繼承自傳統(tǒng)的bi-encoder結構。

強制與query更加緊密的對齊，并與其他viewer區(qū)別開來。為了進一步鼓勵更多不同的viewer被激活，文章采用了下式中的退火溫度。 剛開始時，較大的能使得每個viewer被公平的選擇，并從訓練中返回梯度,隨著訓練的進行，?將降低，訓練更加穩(wěn)定。在推理中，構建所有文檔嵌入的索引，然后利用近似最近鄰ANN檢索。 ?

實驗

數(shù)據(jù)集

實驗采用的數(shù)據(jù)集包括Natural Questions ，TriviaQA，SQuAD Open。數(shù)據(jù)集 Natural Questions：是一個流行的開放域檢索數(shù)據(jù)集，其中的問題是真實的谷歌搜索查詢，答案是從維基百科中手動標注的。TriviaQA：包含了一系列瑣碎的問題，其答案最初是從網(wǎng)上提取出來的。SQuADOpen：包含了來自閱讀理解數(shù)據(jù)集的問題和答案，它已被廣泛應用于開放域檢索研究。

實驗結果

計算不同文檔對應的查閱數(shù)，在3個數(shù)據(jù)集上得到的平均值為2.7，1.5，1.2，這表明多視圖問題是常見的。

1-5 根據(jù)上表所示，MVR得到了最好的結果。MVR在SQuAD數(shù)據(jù)集上取得了最大的提升，這是因為該數(shù)據(jù)集單個文檔對應更多的查詢。這說明MVR比其他模型更能解決多視圖問題。

1-6

1-7

?1-8 上表說明了，MVR與其他方法相比，需要的編碼時間和檢索時間較小。

1-9 上表對DPR和MVR的檢索結果進行了比較，結果表明MVR能夠捕獲更加細粒度的語義信息，返回正確的答案。

2

2-1

動機

本文的動機與上文基本相同。一個段落可能能夠回答多個問題，這在對比學習框架中會導致嚴重的問題，文中將其稱之為Contrastive Conflicts。這主要包括兩個方面（1）相似性的轉(zhuǎn)移，由于一個段落可能是多個問題的答案，當最大化對應段落和問題的相似性時，會同時讓問題之間更為相似，但是這些問題在語義上不同。（2）在大批量上的多重標簽。在大批量處理時，可能出現(xiàn)使得同一個段落為正的多個問題，在當前采用的技術中，該段落將被同時作為這些問題的正樣本和負樣本，這在邏輯上是不合理的。由于一對多問題是Contrastive Conflicts的直接原因，文章提出了將密集的段落表示分解為句子級的段落表示的方法，將其稱之為Dense Contextual Sentence Representation (DCSR)。

2-2

模型

Encoder采用bert結構。

由于上下文信息在段落檢索中也很重要，因此簡單地將段落分解成句子并獨立編碼是不可行的。在輸入文章的句子之間插入，每個段落的輸入如下：? sent1 sent2...。 包含query答案的段落，由一系列句子組成： 不包含答案的段落，將其表示為： 其中的+-代表句子中是否含有答案。文章使用BM25來檢索每個問題的負段落。文章將包含答案的句子視為正樣本(),并從BM25得到的負段落中隨機抽取1個句子作為負樣本。此外在包含答案的段落中隨機抽取1個句子作為另一個負樣本。 檢索： 對于檢索，使用FAISS來計算問題和所有段落句子之間的分數(shù)。由于一個段落在索引中含有多個鍵，則檢索返回100*k（k是每篇文章的平均句子數(shù)量）個句子。之后，針對這些句子的分數(shù)，對它們執(zhí)行softmax，從而將分數(shù)轉(zhuǎn)化為概率。如果一篇passage中含有多個句子，,這些句子對應的概率為，則該篇passage為query答案的概率為:

根據(jù)計算得到文章的概率，返回概率最高的top100 passage。

實驗

實驗在SQuAD, TriviaQA,Natural Questions數(shù)據(jù)集上進行。下表統(tǒng)計了數(shù)據(jù)集中段落對應的問題數(shù)量。在SQuAD上的平均值最大，該數(shù)據(jù)集上Contrastive Conflicts的情況最嚴重，這與DPR在SQuAD上表現(xiàn)最差的事實相符。

2-4 對于模型而言，DCSR采用了和DPR相同的模型結構，沒有引入額外的參數(shù)。在訓練時，采用的負樣本由隨機抽樣產(chǎn)生。因此DCSR帶來的額外時間負擔僅由抽樣引起，這可以忽略不計。

2-5 對在單數(shù)據(jù)集上的訓練結果而言，上表顯示DCSR取得了明顯優(yōu)于DPR的結果，特別是在SQuAD這樣的受Contrastive Conflicts影響最嚴重的數(shù)據(jù)集上，對于受Contrastive Conflicts影響較小的數(shù)據(jù)集，也有較小的性能提升。對于在多數(shù)據(jù)集上的訓練結果而言，DPR較DCSR指標下降的幅度更大，這表明DCSR還捕獲了不同領域之間數(shù)據(jù)集的普遍性。

2-6

2-7 比較模型的可轉(zhuǎn)移性。將DPR和DCSR在一個數(shù)據(jù)集上訓練好后，遷移到另外一個數(shù)據(jù)集上做評估。可以發(fā)現(xiàn)，DCSR比DPR指標下降的幅度更小，模型的可轉(zhuǎn)移性更好。

2-8 在不同大小的數(shù)據(jù)集上訓練模型，發(fā)現(xiàn)DCSR與DPR相比，在任何大小的數(shù)據(jù)集上都表現(xiàn)得更好。與更大的數(shù)據(jù)集相比，在小的數(shù)據(jù)集上DCSR改進更顯著。

3

3-1

動機

高質(zhì)量的短語表示對于在文檔中尋找主題和相關術語至關重要。現(xiàn)有的短語表示學習方法要么簡單地以無上下文的方式組合單詞，要么依賴于廣泛的注釋來感知上下文。文中提出了UCTopic（an Unsupervised Contrastive learning framework for phrase representations and TOPIC mining），用于感知上下文的短語表示和主題挖掘。UCTopic訓練的關鍵是正負樣本對的構建。文章提出了聚類輔助對比學習(CCL)，它通過從聚類中選擇負樣本來減少噪聲，并進一步改進了關于主題的短語表示。

模型

編碼器結構

UCTopic的編碼器采用LUKE (Language Understanding with Knowledge-based Embeddings）。

3-2 Luke采用transformer結構。它將文檔中的單詞和實體都作為輸入token，并為每個token計算presentation。形式上，給定一個由m個詞和n個實體組成的序列，為其計算,其中, 其中。Luke的輸入由三部分組成。Input embedding=position embedding+token embedding+entity type embedding （1）token embedding (2) position embedding 出現(xiàn)在序列中第i位的單詞和實體分別用和表示。如果一個實體包含多個單詞，則將相應位置的embedding進行平均來計算position embedding。（3）Entity type embedding 表示token是否一個實體。

Entity-aware Self-attention

因為luke處理兩種類型的標記，所以在計算注意力分數(shù)的時候考慮token的類型。

UCTopic

與預測實體的LUKE不同，UCTopic是通過短語上下文的對比學習訓練的。因此，來自UCTopic的短語表示具有上下文感知能力，并且對不同的領域非常健壯。

UCTopic采用對比學習的框架進行無監(jiān)督學習。文中提出了關于短語語義的兩個假設來獲得正負樣本對：1.短語語義由它的上下文決定。mask所提到的短語會迫使模型從上下文中學習表示，從而防止過擬合和表示崩潰 2.相同的短語有相同的語義

3-4

假設一個文檔內(nèi)有3個主題，假設批量大小是32，因此一個批量內(nèi)會有一些樣本來自同一個主題，但是在之前的處理方法中這些樣本都被處理成負樣本，這會導致性能下降。為了根據(jù)主題優(yōu)化短語表示，減小噪聲。文章提出了聚類輔助對比學習（CCL），其基本思想是利用pre-trained representation和聚類的先驗知識來減少負樣本中存在的噪聲。具體來說，對預訓練的短語表示使用聚類算法。每一類的質(zhì)心被認為是短語的主題表示。在計算了短語和質(zhì)心之間的余弦距離后，選擇接近質(zhì)心的t%實例，并為它們分配偽標簽。短語自身的偽標簽由包含該短語的實例的投票決定。假設一個主題集C,其中包含偽標簽和短語。對于主題,構造正樣本。隨機選擇來自其他主題的短語作為訓練的負樣本。微調(diào)時訓練的損失函數(shù)如下：

為了推斷短語實例x的主題y，計算短語表示h和主題表示之間的距離，與短語x最近的主題被認為是短語屬于的主題。

UCTopic的Pre-training與Finetuning示意圖如下：

3-5

實驗

訓練語料庫使用Wikipedia，并將其中帶有超鏈接的文本作為短語。經(jīng)過處理后，預訓練數(shù)據(jù)集有1160萬個句子和1.088億個訓練實例。預訓練采用兩個損失函數(shù)：一個是masked language model loss，另一個是前面的對比學習損失。

實體聚類

3-6

與其他的微調(diào)方法相比，CCL微調(diào)可以通過捕獲特定于數(shù)據(jù)的特征來進一步改進預先訓練好的短語表示。

3-7

主題詞挖掘

通過計算輪廓系數(shù)來獲得每個數(shù)據(jù)集的主題數(shù)量。

3-8 是第i個點到與i相同聚類中其他點的平均距離，是第i個點到下一個最近簇中的點的平均距離。具體來說，從數(shù)據(jù)集中隨機抽取10K個短語，并對預訓練過的短語應用K-means聚類。計算不同主題數(shù)量的輪廓系數(shù)得分；得分最大的數(shù)字將被用作數(shù)據(jù)集中的主題數(shù)量。之后利用CCL對數(shù)據(jù)集進行微調(diào)。主題短語評估：（1）主題分離：通過短語入侵任務來評估，具體來說，是從一系列短語中發(fā)掘與其他短語所屬主題不同的短語。（2）短語連貫性：要求注釋者評估一個主題中的前50個短語是否有連貫性。（3）短語信息量和多樣性。高信息量的短語不是語料庫中常見的短語。使用tf-idf來評估一個短語的信息量。短語的多樣性通過計算出現(xiàn)的詞的種類與出現(xiàn)詞的數(shù)量的比值來評估。UCtopic的多樣性最強，說明了UCtopic的短語表示具有上下文感知能力。

3-9

3-10

3-11

審核編輯 ：李倩