Longformer：超越RoBERTa，为长文档而生的预训练模型

前言

今天要与大家分享的是AllenAI今年发表的工作，Longformer——一种可高效处理长文本的升级版Transformer。作者团队提供了开源代码，大家可快速复现，直接用于自己的任务。

 

传统Tranformer-based模型在处理长文本时有着天然的劣势。因为传统模型采用的是“全连接”型的attention机制，即每一个token都要与其他所有token进行交互。其attention复杂度高达。此前的解决办法是将长文切分为若干个较短的text span，然后逐个处理。这就导致不同的text span之间无法进行交互，因而必然存在大量information loss。当然，我们也可以通过添加一些其他机制来加强这种text span之间的交互。但这种新增机制实现起来通常比较复杂，而且往往是task-specific的，通用性不强。

 

本文提出的Longformer，改进了Transformer的传统attention机制：对于每一个token，只对固定窗口大小的附近token计算local attention，并结合具体任务，计算少量的global attention。该方法的优点包括：

复杂度低，将attention机制的复杂度降至

通用性强，可用于各类文档级任务

部署容易，作者在cuda内核上直接实现了Longformer的attention pattern，并提供了开源代码。

 

Longformer在两个字符级语言建模任务上都取得了SOTA的效果。并且，作者用Longformer的attention方法继续预训练RoBERTa。训练得到的语言模型在多个长文档任务上进行fine-tune后，性能全面超越Roberta。该预训练模型也已开源，大家可以很方便地直接应用于自己的任务。

 

原文链接:

https://arxiv.org/pdf/2004.05150.pdf

 

Github:

https://github.com/allenai/longformer

 

模型

作者共提出了三种新的attention pattern，来降低传统self-attention的复杂度，分别是滑窗机制、膨胀滑窗机制、融合全局信息的滑窗机制。下图展示了传统attention与这三种attention pattern的示意图。接下来将为大家分别讲解。

 

1. 滑窗机制（Sliding window）： 对于每一个token，只对其附近的w个token计算attention计算复杂度与文本序列长度成线性关系，为。作者认为，根据应用任务的不同可以对Transformer每一层施以不同的窗口大小，对模型表示能力可能有潜在帮助。

 

读到这里的，大家可能和我一样，误认为这个窗口应该比较小，估计在16~64这个量级。但看到实验部分会发现，作者在具体实现的时候，设置的窗口大小为512，和Bert的Input限制完全一样。所以，大家不要存有“Longformer比Bert还要更轻量”的错觉。

 

2. 膨胀滑窗机制（Dilated sliding window）： 在对每一个进行token编码时，普通滑窗机制只能考虑到长度为的上下文。作者进一步提出膨胀滑窗机制，在不增加计算负荷的前提下，拓宽模型“视场”。其做法借鉴了空洞卷积的思想[1]。如下图所示，在滑动窗口中，被attend到的两个相邻token之间会存在大小为d的间隙。当transformer的层数为l时，则视场范围可达到。实验表明，由于考虑了更加全面的上下文信息，膨胀滑窗机制比普通的滑窗机制表现更佳。

 

3. 融合全局信息的滑窗机制（Global+sliding window）： 我们知道Bert一类的语言模型在应用于具体任务时，实现方式略有不同。比如，对于文本分类任务，我们会在文本序列前添加[CLS]这一特殊token；而对于QA类任务，则会将问题与文本进行拼接后输入。在Longformer中，作者也希望能够根据具体任务的不同，在local attention的基础上添加少量的global attention。比如，在分类任务上就会在[CLS]处添加一个global attention，而在QA任务上会对question中的所有token添加global attention。如下图所示，对于添加了global attention的token，我们对其编码时要对整个序列做attention。并且，编码其他所有token时，也都要attend到它。

 

实验

自定义CUDA内核

由于现有的库中并没有能直接实现膨胀滑窗机制的接口，为此作者直接自定义了CUDA内核操作，用于实现Longformer的attention pattern[2]。如下图所示，Longformer的内存消耗与文本长度成线性关系（红线）。用自定义CUDA来实现Longformer，相比于用Naive Pytorch来实现（蓝线），运行速度加快了六倍。

 

Longformer在字符级别任务上的表现

作者在text8和enwik8两个字符级任务上对Longformer进行实验。实验中，模型每一层采用了不同的窗口大小：底层使用较小的滑窗，以建模局部信息；在高层使用较大的滑窗，以扩大感受野。训练时，理想状况下当然是希望使用GPU所能承受的较大的window size和sequence len。但为了加快训练速度，作者采用的是一种阶段式的训练方式：在学习更长的上下文之前，先学好局部的上下文。在第一阶段，先设置较短的序列长度和窗口大小。在后续阶段，window size和sequence length增加一倍，学习率减半 实验结果如下图所示，Longformer在这两个数据集上皆达到了SOTA效果（注：测试指标为BPC，bits-per-character；BPC越小，性能越优）。

 

作者通过实验，对滑窗机制的设置进行了进一步的讨论。如下表所示：

表中第一组实验（前三行）讨论的是：如果transformer的不同层采用不同窗口大小，是否可以提高性能？实验结果表明，由底层至高层递增窗口大小，可提升性能；递减则反而性能降低。

 

第二组实验（后两行）是对膨胀滑窗机制的消融实验，证明了增加间隙后的滑窗机制，性能可以有小幅度提升

 

Longformer用于预训练

MLM Pretraining

作者采用Longformer的方法在以下四个文档级语料上进行预训练，从而得到适于文档级NLP任务的语言模型。作者并没有完全从头预训练一个随机初始化的模型，而是以RoBERTa为基础，采用MLM(masked language modeling)的方法继续预训练。预训练时，每一层都采用固定的大小为512的滑动窗口，暂不添加global attention。为支持长文本，论文作者把position embedding扩展到了4096个。

 

预训练结束后，在多个文档级任务上再进一步对预训练模型做fine-tuning。fine-tuning时会根据任务增加global attention：共设置两套映射矩阵，一套用于局部自注意力，另一套用于全局注意力。实验表明，Longformer全面超越了RoBERTa的表现。

 

消融实验

为了证明Longformer更优异的性能并不是因为对RoBERTa额外的预训练带来的，作者做了一组消融实验。采用了与RoBERTa完全相同的序列长度和attention机制，在继续预训练后并没有在文档级任务上取得更优的性能。