模型|ACL 2021 | 腾讯AI Lab、港中文杰出论文：用单语记忆实现高性能NMT_语句|Lab|论文|研究|检索

机器之心专栏
机器之心编辑部

在 ACL 2021 的一篇杰出论文中，研究者提出了一种基于单语数据的模型，性能却优于使用双语 TM 的「TM-augmented NMT」基线方法。

自然语言处理（NLP）领域顶级会议 ACL 2021 于 8 月 2 日至 5 日在线上举行。据官方数据, 本届 ACL 共收到 3350 篇论文投稿，其中主会论文录用率为 21.3% 。腾讯 AI Lab 共入选 27 篇论文（含 9 篇 findings）。
在不久之前公布的获奖论文中，腾讯 AI Lab 与香港中文大学合作完成的《Neural Machine Translation with Monolingual Translation Memory》获得杰出论文。本文作者也受邀参与机器之心举办的 ACL 2021 论文分享会，感兴趣的同学可以点击文末链接查看回顾视频。
下面我们来看一下这篇论文的具体内容。

模型|ACL 2021 | 腾讯AI Lab、港中文杰出论文：用单语记忆实现高性能NMT

文章图片

论文地址：https://arxiv.org/abs/2105.11269
先前的一些工作已经证明翻译记忆库（TM）可以提高神经机器翻译 (NMT) 的性能。与使用双语语料库作为 TM 并采用源端相似性搜索进行记忆检索的现有工作相比，该研究提出了一种新框架，该框架使用单语记忆并以跨语言方式执行可学习的记忆检索。该框架具有一些独特的优势：

首先，跨语言记忆检索器允许大量的单语数据作为 TM；
其次，记忆检索器和 NMT 模型可以联合优化以达到最终的翻译目标。

实验表明，该研究提出的方法获得了实质性的改进。值得注意的是，即使不使用额外单语数据，这种方法也要优于使用双语TM的「TM-augmented NMT」基线方法。由于能够利用单语数据，该研究还证明了所提模型在低资源和领域适应场景中的有效性。
方法
该研究首先将翻译任务转化为两步过程：检索和生成，并在论文中描述了跨语言记忆检索模型和记忆增强型（memory-augmented）翻译模型的模型设计。最后，该论文展示了如何使用标准最大似然训练联合优化这两个组件，并通过交叉对齐预训练解决了冷启动（cold-start）问题。

文章图片

该方法的整体框架如图 1 所示，其中 TM 是目标语言

文章图片

中句子的集合。给定源语言中的输入 x ，检索模型首先会根据相关函数
【模型|ACL 2021 | 腾讯AI Lab、港中文杰出论文：用单语记忆实现高性能NMT】

文章图片

，选择一些来自 Z 的可能有用的句子

文章图片

，其中

文章图片

。然后，翻译模型以检索到的集合

文章图片

和原始输入 x 为条件，使用概率模型

文章图片

来生成输出 y 。
值得注意的是，相关性分数

文章图片

也是翻译模型输入的一部分，它能够鼓励翻译模型更多地关注更相关的句子。在训练期间，该研究借助翻译参考的最大似然改进了翻译模型和检索模型。
检索模型
检索模型负责从大型单语 TM 中为源语句选出最相关的语句。这可能涉及测量源语句和数百万个候选目标语句之间的相关性分数，带来了严重的计算挑战。为了解决这个问题，该研究使用一个简单的双编码器框架（Bromley 等, 1993）来实现检索模型，这样最相关句子选择可以利用最大内积搜索实现（MIPS ，Maximum Inner Product Search）。借助高性能数据结构和搜索算法（例如 Shrivastava 和 Li ， 2014；Malkov 和 Yashunin ， 2018），可以高效地进行检索。具体来说，该研究将源语句 x 和候选语句 z 之间的相关性分数 f(x, z) 定义为它们的密集向量表征的点积：

文章图片

翻译模型
给定一个源语句 x、相关 TM 的小型集合

文章图片

、相关性分数

文章图片

，翻译模型会定义一个如下形式的条件概率

文章图片

该翻译模型建立在标准的编码器 - 解码器 NMT 模型上：（源）编码器将源语句 x 转换为密集向量表征，解码器以自回归方式生成输出序列 y 。在每一个时间步（time step）t ，解码器都会处理先前生成的序列

文章图片

和源编码器的输出，生成隐藏状态 h_t 。然后隐藏状态 h_t 通过线性投影转换为 next-token 概率，接着会有一个 softmax 函数操作，即

文章图片

文章图片

为了容纳额外的记忆输入，该研究使用记忆编码器扩展了标准的编码器 - 解码器 NMT 框架，并允许使用从解码器到记忆编码器的交叉注意力机制。具体来说，记忆编码器对每个 TM 语句 z_i 单独进行编码，从而产生一组上下文 token 嵌入

文章图片

，其中 L_i 是 token 序列 z_i 的长度。研究者计算了所有 TM 语句的交叉注意力：

文章图片

为了使从翻译输出到检索模型的梯度流有效，该研究将注意力分数与相关性分数进行了偏置处理，重写了等式（1）如下所示：

文章图片

训练
该研究在负对数似然损失函数

文章图片

中使用随机梯度下降来优化模型参数 θ 和 φ ，其中

文章图片

指参考翻译。
然而，如果检索模型从随机初始化开始，那么所有 top TM 语句 z_i 可能都与 x 无关（或无用）。这导致检索模型无法接收有意义的梯度并进行改进，翻译模型将学会完全忽略 TM 输入。为了避免这种冷启动问题，该研究提出了两个交叉对齐任务来热启动检索模型。
第一个任务是句子级的交叉对齐。具体来说，该研究在每个训练 step 上对训练语料库采样 B 个源 - 目标对。设 X 和 Z 分别对应由 E_src 和 E_tgt 编码的源向量和目标向量的 (B×d) 矩阵。

文章图片

是一个相关性分数的 (B×B) 矩阵，其中每一行对应一个源语句，每列对应一个目标语句。当 i = j 时，任何

文章图片

对都应该对齐。目标是最大化矩阵对角线上的分数，然后减小矩阵中其他元素的值。损失函数可以写成：

文章图片

第二个任务是 token 级交叉对齐，其目的是在给定源语句表征的情况下预测目标语言中的 token ，反之亦然。该研究使用词袋损失：

文章图片

其中

文章图片

表示第 i 个源（目标）语句中的 token 集， token 概率由线性投影和 softmax 函数计算。
实验结果
该研究在三种设置下进行了实验：
（1）可用的 TM 仅限于双语训练语料库的常规设置；
（2）双语训练对很少，但用单语数据作为额外 TM 的低资源设置；
（3）基于单语 TM 的非参数域自适应设置。
常规设置
为了研究每个模型组件的效果，研究人员实现了一系列的模型变体（如表 2 中的 #1 - #5）：

文章图片

如上表 2 所示，可以观察到：
（1）该研究使用异步索引刷新训练的完整模型（模型 #5），在四个翻译任务的测试集上获得了最佳性能，比 non-TM 基线（模型 #1）平均高出 3.26 个 BLEU 点，最高可达 3.86 个 BLEU 点（ De?En）。这一结果证实了单语 TM 可以提高 NMT 的性能。
（2）端到端学习检索器模型是大幅提高性能的关键，使用预训练的固定跨语言检索器只能提供中等的测试性能，微调 E_src 和固定 E_tgt 显著提高了性能，同时微调 E_src 和 E_tgt 则能获得最强的性能（模型 #5 > 模型 # 4 > 模型 #3) 。
（3）跨语言检索（模型 #4 和模型 #5）可以获得比源相似性搜索（模型 #2）更好的结果。
低资源设置
图 2 为在测试集上的主要结果，所有实验的一般模式都是一致的，由结果可得：TM 越大，模型的翻译性能越好。当使用所有可用的单语数据 (4/4) 时，翻译质量显著提高。未经重新训练的模型的性能与经过重新训练的模型的性能相当，甚至更好。此外，该研究还观察到，当训练对非常少时（只有 1/4 的双语对可用），小型 TM 甚至会影响模型的性能，这可能是出于过拟合的原因。该研究推测，根据不同的 TM 大小调整模型超参数将获得更好的结果。

文章图片

该研究还与反向翻译 (BT)进行了比较，这是一种将单语数据用于 NMT 的流行方法。该研究使用双语对训练目标到源的 Transformer Base 模型，并使用得到的模型翻译单语语句以获得额外的合成并行数据。如表 3 所示，该研究所用方法在 2/4 双语对上比 BT 表现得更好，但在 1/4 双语对上表现较差。最令人惊喜的是，结果表明两种方法是互补的，他们的结合使翻译性能取得了进一步的巨大提升。

文章图片

非参数领域自适应
由下表 4 可得，当仅使用双语数据时，与 non-TM 基线相比， TM 增强模型在数据较少的域中获得更高的 BLEU 分数，但在其他域中的分数略低。然而，当研究者将 TM 切换到特定域的 TM 时，所有域的翻译质量都得到了显著提升，将 non-TM 基线平均提高了 1.85 个 BLEU 点，在 Law 上提高了 2.57 个 BLEU 点，在 Medical 上提高了 2.51 个 BLEU 点。
该研究还尝试将所有特定领域的 TM 合并成一个 TM ，并将其用于所有域（如表 4 最后一行所示），但实验结果并没有获得明显的改进。这表明域外数据不能提供帮助，因此较小的域内 TM 就足够了。

文章图片

运行速度
FAISS in-GPU 索引能够让搜索数百万个向量变得非常高效（通常在几十毫秒内完成）。在该研究中，记忆搜索的执行速度甚至比原生的 BM25 还要快。对于表 2 中的结果，以普通的 Transformer Base 模型（模型 #1）为基线模型，该研究模型（包括模型 #4 和模型 #5）的推断延迟大约是基线的 1.36 倍（所有模型都使用一个 Nvidia V100 GPU）。
至于训练成本，模型 #4 和模型 #5 每个训练 step 的平均时间成本分别是基线的 2.62 倍和 2.76 倍，与传统的 TM-augmented 基线相当（模型 #2 是 2.59 倍）（全部使用两个 Nvidia V100 GPU），实验结果如下表 5 所示。此外，该研究还观察到，就训练 step 而言，记忆增强型模型的收敛速度比普通模型快得多。