Facebook研究者扩展并增强LASER工具包，并在近期开源这个项目

为了加速自然语言处理 (NLP) 在更多语言上实现零样本迁移学习 (zero-shot transfer learning)，Facebook 研究者扩展并增强了 LASER (Language-Agnostic Sentence Representations) 工具包，并在近期开源了这个项目。

增强版的 LASER 是首个能够成功探索大型多语种句子表征的工具包，共包含 90 多种语言，由 28 种不同的字母表编写。这项庞大的工作也引发了整个 NLP 社区的广泛关注。该工具包将所有语言联合嵌入到单个共享空间，而不是为每个语言单独建立模型。目前，Facebook 官方免费提供多语言编码器和 PyTorch 代码(链接：https://github.com/facebookresearch/LASER)，以及 100 多种语言的多语言测试集方便社区使用。

研究者表示，通过零样本迁移学习，LASER 能够将 NLP 模型从一种语言 (如英语) 迁移到其他语言 (包括训练集中的有限语种)。此外，LASER 工具也是第一个使用单一模型来处理不同语种的自然语言处理库，包括处理那些稀有语种如卡拜尔语、维吾尔语以及中国的吴语等方言。研究者相信，有朝一日这项工作能够帮助 Facebook 及其他公司上线特定的 NLP 功能，如用一种语言将电影评论分类为正面或负面，然后再部署到其他 100 多种语言上去。

下面让我们一睹 LASER 工具包的风采。

性能和功能亮点

在包含 14 种语种的 XNLI 语料库中，LASER 工具通过零样本迁移学习，为其中 13 种语言实现跨语种的自然语言处理，并获得当前最佳的推断准确率。此外，它还在跨语言文档分类 (MLDoc 语料库) 中取得了极有竞争力的结果。在句子嵌入方面，该工具包在并行语料库挖掘任务中也展现了强大的功能，并在 BUCC 共享任务中为其四种语言对中的三种建立了当前最佳的基准。值得一提的是，BUCC 是 2018 年建立和使用可比较语料库的研讨会，代表了当前该领域的最新进展。

除了 LASER 工具包，研究者还基于 Tatoeba 语料库共享一组 100 多种全新语言对齐语句的测试集。通过该数据集，在多语言相似性搜索任务上，句子嵌入功能取得了非常优秀的结果，即便是对那些稀有语种也是如此。

此外，LASER 工具包还具有如下一些优点：

极快的性能和极高的处理效率：在 GPU 上每秒处理多达 2000 个句子。

通过 PyTorch 中实现句子编码器具有最小的外部依赖性。

稀有语种可以从多种语言的联合训练中收益。

该模型支持在一个句子中使用多种语言。

随着新语言的添加，模型性能也会有所提高，因为系统能够自动学习并识别语言族的特征。

通用的语言无关性句子嵌入

LASER 中的句子向量表征对于输入语言和 NLP 任务都是通用的。该工具将任何语种的句子映射到高维空间中的一个点，目的是将各语种的语句最终聚合在同一邻域附近，而这种句子表征可被视为是语义向量空间中的通用语言。如下图所示，可以看到该空间中的距离与句子语义的接近度是非常相关的。

左图展示的是单个语言的嵌入空间，而右图显示的是采用 LASER 工具包方法，它能将所有语言嵌入到同一共享空间中。

LASER 的这种方法是基于神经机器翻译的基础技术：即编码器/*** (encoder/decoder)，也称为序列到序列处理 (sequence-to-sequence)。它为所有的输入语言设计一个共享编码器，并使用共享解码器生成输出语言。编码器由五层双向连接的 LSTM 网络 (长短期记忆) 组成。

与神经机器翻译的方法不同的是，LASER 中不引入注意力机制，而是使用 1024 维、固定大小的向量来表示输入句子。该向量是通过对 BiLSTM 最后状态进行最大池化操作后得到的，这使我们能够比较句子表征的差异，并将它们直接输入到分类器中。

图中描述了 LASER 的基本架构

这些句子嵌入是通过线性变换的方式初始化解码器 LSTM，并且还在每个时间步骤与其输入嵌入相连接。为了通过句子嵌入来捕捉输入序列的所有相关信息，在架构中编码器和解码器之间没有设置其他连接。

对于解码器部分，由于它需要一个语言标识嵌入，因此需要清楚地知道需要生成哪种语言，并在每个时间步骤连接输入及其句子嵌入。研究者使用具有 50000 个操作的联合字节对编码词汇表 (BPE)，并在所有训练语料库的连接上进行训练。由于编码器没有显式地指示输入语言信号，因此该方法鼓励它学习与语言无关的表征。

不仅如此，研究者还使用英语或西班牙语对公共并行数据中 2.23 亿条句子进行了系统的训练。对于每个小批量，随机选择一种输入语言并训练模型，使其将句子翻译成英语或西班牙语中的一种，而不需要让大多数语言都与目标语言保持一致。

这项工作的开始只是训练不到 10 种的欧洲语言，所有语言都使用相同的拉丁文字；随后逐渐增加到 21 种语言，这些都是在 Europarl 语料库中出现的。

实验结果表明，随着所添加的语言数量的增多，多语言间的迁移性能也得到了提高，而该系统也能够学习到语言族的通用特征。正因为如此，部分稀有语言也能够受益于同一语言族的一些高频语言的资源。

通过使用在连接所有语言的数据库上训练共享的 BPE 词汇表，这是完全有可能做到的。对每种语言的 BPE 词汇表分布之间对称的 Kullback-Leiber 距离进行分析和聚类结果表明，其与语言家族之间存在几乎完美的相关性。

图中显示了 LASER 能够自动挖掘各种语言之间的关系，这与语言学家手动定义的语言类别是高度吻合的。

研究者意识到，单个共享的 BiLSTM 编码器能够处理多个脚本。他们逐渐扩展到那些可用的并行文本中的所有语言，并将 93 种语言并入到 LASER 工具包中，这些语言包括 subject-verb-object (SVO) order (如英语)，SOV order (如孟加拉语和突厥语)，VSO order (如塔加路语和柏柏尔语)，以及 VOS order (如马达加斯加语)。

该编码器能够推广到一些未使用的语言，甚至是单语言文本。在训练阶段，可以观察到它在一些地区语言中展现了突出的能力，包括阿斯图里亚斯语、法罗语、弗里斯兰语、卡舒比语、北摩鹿加语马来语、皮埃蒙特语、斯瓦比亚语和索布语等。这些语言与那些主要语言在不同程度上都有一定的相似之处，但不同语言有其特定的语法或特定词汇。

上表展示了 LASER 在 XNLI 语料库上进行零样本迁移学习的性能表现。其中，BERT 模型的结果是从其他 github 项目中提取的。值得注意的是，这些结果都是通过 Pytorch1.0 实现的，因此在具体数值方面可能与原论文中的有所不同，论文中使用的是 Pytorch0.4。

零样本、跨语言的自然语言推理

该模型在跨语言的自然语言推理任务上 (NLI) 取得了优异的成绩，表明模型具有极强的句意表征能力。研究者采用零样本迁移学习的方法，即先在英语上训练 NLI 分类器，在没有任何模型微调或其他目标语言数据的情况下，将训练好的分类器应用于其他目标语言。对于 14 种语言的 8 种，零样本学习在诸如英语、俄语、中文和越南语等语言上能够取得 5％以内的表现。

此外，研究者还在斯瓦希里语和乌尔都语等稀有语言上进行试验，同样取得了很好的结果。最后，LASER 方法在 14 种语言中有 13 种语言都取得了优于其他零样本迁移学习方法的表现。

相较于先前研究中至少需要一个英语句子进行学习的方法，LASER 是一种完全跨语种、并支持不同语言间任何组合的自然语言处理方法。

上图展示了 LASER 是如何确定 XNLI 数据集中不同语言句子间的关系，而先前研究中的方法都只能考虑同一种语言的前提和假设。

此外，LASER 也可用于挖掘大型单语言文本数据集中的并行数据信息。研究表明，只需要计算所有句子对之间的距离并选择最接近的句子对，就能够提取文本数据中的数据信息。更进一步地说，通过考虑相近句子及其最近邻居之间的边界能够改进该方法的表现，而通过使用 Facebook 的 FAISS 库就能够高效完成这一改进。

在共享 BUCC 任务上，LASER 的表现都远远超过当前最佳的技术水平。具体来说，该模型将德语/英语的 F1 得分从 85.5 提高到 96.2，将法语/英语的 F1 得分从 81.5 提高到 93.9，俄语/英语的 F1 得分从 81.3 提高到 93.3，中/英语的表现从 77.5 提高到 92.3。正如这些示例所反映的，该模型在各种语言任务上所取得结果都是高度同质的。

更多详细的内容介绍可以查看相关的论文：《Massively Multilingual Sentence Embeddings for Zero-Shot Cross-Lingual Transfer and Beyond》(论文链接：https://arxiv.org/abs/1812.10464)。

最后，研究者表明，对于任意语言对，都可以通过相同的方法来挖掘 90 多种语言的并行数据。在未来，这将显著改善许多依赖于并行数据训练的 NLP 应用程序，包括那些稀有语言的神经机器翻译应用。

未来的应用

LASER 可以应用于广泛的自然语言处理任务。例如，多语言语义空间的属性可用于解析句意或搜索具有相似含义的句子，可以通过使用相同语言或通过 LASER 所支持的其他 93 个语句中的任何一个就能实现。未来，研究人员表示将继续添加其他的语言支持。