谷歌最新模型pQRNN：效果接近BERT，参数量缩小300倍

文本分类是NLP最常见的应用之一，有了BERT之后更是可以通过小批量数据精调达到不错的效果。但在对速度要求高、没有钱买GPU、移动设备部署的场景下，还是得用浅层网络。

今天就跟大家介绍Google最近新出的一个模型——pQRNN，只利用监督数据（无蒸馏），以约1/300的参数量达到了接近BERT的效果。pQRNN是Google去年更小模型PRADO的一个改进版本，下面从PRADO讲起，来看看它们是如何以小博大的叭。

pQRNN官方博客：

https://ai.googleblog.com/2020/09/advancing-nlp-with-efficient-projection.html

PRADO论文：

https://www.aclweb.org/anthology/D19-1506/

PRADO代码：

https://github.com/tensorflow/models/tree/master/research/sequence_projection

关注「 NLPCAB 」回复「1001」下载论文～

PRADO模型

Embedding

对于我们常用的NLP模型来说，Embedding词表往往是参数量占比较大的一块儿。中文如果选用字级别的词表，大概在一两万级别，词级别则会几万或者更大，还会出现OOV。英文多出了子词级别，但无论哪种粒度的划分都是存在缺点的：

太细了就对模型要求很高，单独的词也不具有太大意义，而太粗了又没法涵盖所有词汇。

这就需要我们在不同的任务上选取不同的粒度。PRADO的作者认为，对于文本分类这样的简单任务，很多词汇是和任务无关的，比如 a, the等。另外，也 不需要embedding可以准确的表示每个词，只需要大概表示出词所属的类目就可以了 。比如在情感分析任务中，只需要让模型知道“超棒”和“太赞了”都是一个positive的词汇，而不用知道这两个词的区别在哪里，甚至用一个embedding去表示这两个词都是可以的。

下面是不同任务和细粒度词表示的相关性，对于语言模型和翻译任务，就需要准确地区分每个词：

那PRADO是如何压缩embedding的呢？

以往在拿到token之后，我们会有一个转one-hot向量的操作，向量的大小是词表维度V，然后再经过lookup table得到embedding。而PRADO则是将向量进行了压缩，具体的操作是：

1. 对token进行哈希，得到 2B bits 的哈希值，比如 011001010

2. 用一个投影函数P，将 每2个连续 的bit映射到 {-1, 0, 1} 中

3. 得到B维的三元向量，比如 [-1, -1, 1, 0, 1] 这样

4. 将 1xB 的三元向量和 Bxd 的矩阵相乘，得到 d维embedding表示

这样，我们就得到了一个压缩后的token表示，不用准确地用one-hot来表示每个token。作者把B的维度限制在 [128, 512]，d的维度限制在[32, 96]，从词表参数量上比BERT小了三四个数量级。

整体结构

PRADO主要的创新就在Embedding部分，后续就比较普通，选择了性价比较高的CNN+Attention。 这里Attention其实是对CNN的结果进行了Pooling ：先计算了一路CNN的结果，再计算softmax得到每个step的权重，然后把另一路CNN的结果加权起来，得到一个向量。

最后把不同尺寸kernel输出的向量concat，再过classifier（我们熟悉的套路又渐渐回来了）。

PRADO模型结构

实验效果

在效果上，PRADO肯定是比之前的浅层模型要好，然而我去看了一眼每个数据集的SOTA，emm。。效果上还需努力鸭

PRADO效果

令我感兴趣的是， 8-bit量化之后的PRADO居然效果更好！作者认为主要是量化减少了过拟合，在数据越少的数据集上效果提升就更明显。

对比实验， 性价比吊打LSTM ：

最后，作者还做了迁移实验，证明这种embedding改进的可迁移性，发现 只freeze上embedding和encoder，只finetune分类器就收敛得很快 ：

PRADO迁移学习实验

pQRNN

介绍完了PRADO，再来看谷歌新出的pQRNN就很好懂了，实际上只是把encoder换成了QRNN（quasi-RNN）：

pQRNN模型结构

这里的Projection就是得到三元的过程，Bottleneck就是将三元向量embedding。

虽然没什么太大创新， 但比较激动的是pQRNN的效果接近了BERT（之前PRADO都是惨不忍睹） ：

pQRNN

不过这个结论只在一个数据集上验证了，其他数据上的表现未可知。

总结

PRADO/pQRNN的主要改进点就在embedding部分，确实文本分类对于token的粒度要求不高，只用抓住句子里最主要的一两个词就行了，所以max-pooling经常会比mean-pooling效果要好。

但这里有个需要探讨的点，就是如何迁移到中文任务上。单纯的哈希是没法将相似的词映射到相似的三元向量的，这里我认为应该是进行字粒度的tokenization，这样相似的“好赞”、“超赞”的表示就很接近了，再过CNN就可以捕获到词级别的信息。

去年PRADO就出来了，但20年8月底才放出源码，同学们赶紧试用起来呀。