NLP-预训练模型-2019：XLM【基于BERT的跨语言模型】【将不同语言放在一起采用新的训练目标进行训练，从而让模型能够掌握更多的跨语言信息】

近一年来，NLP领域发展势头强劲，从ELMO到LSTM再到去年最牛叉的Google Bert，在今年年初，Facebook又推出了XLM模型，在跨语言预训练领域表现抢眼。实验结果显示XLM在XNLI任务上比原来的state-of-the-art直接高了4.9个百分点；在无监督机器翻译WMT’16 German-English中，比原来的state-of-the-art高了9个BLEU；在有监督的机器翻译WMT’16 Romanian-English中，比原来的state-of-the-art高了4个BLEU。

最近的研究已经证明了生成预训练对于英语自然语言理解的有效性。在这项工作中，我们将这种方法扩展到多种语言并展示跨语言预训练的有效性。我们提出了两种学习跨语言语言模型（XLM）的方法：

• 一种是无监督方式，只依赖于单语言数据，
• 另一种是监督，利用新的跨语言语言模型目标来利用并行数据。

我们获得了关于跨语言分类，非监督和监督机器翻译的最新结果。

尽管原有的BERT模型可以在上百种语言上进行预训练，语言之间的信息并不是互通的，不同的语言模型之间没有共享知识。Facebook的XLM模型克服了信息不互通的难题，将不同语言放在一起采用新的训练目标进行训练，从而让模型能够掌握更多的跨语言信息。这种跨语言模型的一个显著优点是，对于预训练后的后续任务（比如文本分类或者翻译等任务），训练语料较为稀少的语言可以利用在其他语料上学习到的信息。

参考资料：
XLM，基于BERT的跨语言模型
Facebook AI Research的XLM模型：将BERT扩展成跨语言模型
XLM论文原理解析