0. XLNet简介

2018年Bert横空出世，刷新了很多NLP任务的SOTA。之后人们开始研究对Bert的改进，本文介绍的XLNet就是比较成功的另一个模型。不同于Bert的AutoEncoder模式，XLNet用的是AutoRegressive模式。据说，XLNet在20个任务上比BERT做得更好，的确吸人眼球。
Bert类（AE）模型的的不足之处在于，在训练的时候引入了[MASK]，而在fine-tune阶段并不会出线[MASK]，导致了预训练与finetune不一致。[MASK]的另一个问题是假设MASK掉的token是相互独立的，然而并不是这样，譬如New York。
XLNet提供了一种新的方法，让AR语言模型从双向的上下文学习，避免了AE语言模型中MASK带来的弊端。

1. Permutation Language Modeling

AR语言模型只能使用前向的上下文或后向的上下文，那么如何使用双向的上下文呢，XLNet提出了一个新的目标，叫做重排序语言建模(Permutation Language Modeling)。

理论上对于长度为T的序列X，存在T！中排列方式，但实际上由于计算复杂度的限制，不可能计算所有的序列排列，因此对于每个序列输入只采样一个排列方式。而且在实际训练时，不会打乱序列，而是通过mask矩阵实现permutation。作者特意强调，这样可以保持与finetune输入顺序的一致，不会存在pretrain-finetune差异。

2. Two-Stream Self-Attention

将序列X打乱顺序后有一个很大的问题，就是如何加入位置信息。在预测的时候，我们应该知道的位置编码，而不是上下文编码，同时还要知道之前的上下文编码。

Query stream：只能看到当前的位置信息，不能看到当前token的编码，如图b
Content stream：传统self-attention，像GPT一样对当前token进行编码，如图a

Two-Stream Self-Attention

3. Transformer-XL

由于内存和算力的限制，Bert只能支持到512个字符，过长的文本都要截断，丢弃部分信息。Transformer-XL参考了RNN，将前边的信息以隐藏单元的形式记录下来。

Transformer-XL

从图b可以看出，右上角的token获取到了远远大于之前截断方式的信息，类似CNN的感受野。