SimCSE 对比学习方法

某厂四面技术面面试过程问到了这个，遂记录一下，补个漏

早期计算句子相似性的方法

之前写过一篇博客，记录的是比较早期的文本相似性计算方法，感兴趣可以移步 文本相似性计算。

在很多 NLP 任务中都会用到句子向量，例如文本检索、文本粗排、语义匹配等任务。现在有不少基于 Bert 的方式获取句子向量，一些比较改进的方法：例如 Bert-flow 和 Bert-whitening 等。

• 使用预训练好的 Bert 直接获得句子向量，可以是 CLS 位的向量，也可以是不同 token 向量的平均值。
• Bert-flow，Bert-flow 出自论文《On the Sentence Embeddings from Pre-trained Language Models》，主要是利用流模型校正 Bert 的向量。
• Bert-whitening，用预训练 Bert 获得所有句子的向量，得到句子向量矩阵，然后通过一个线性变换把句子向量矩阵变为一个均值 0，协方差矩阵为单位阵的矩阵。

SimCSE

SimCSE: Simple Contrastive Learning of Sentence Embeddings

对比学习的思想就不过多赘述了，其好处之一就是可以利用大量未标注的数据对模型进行训练，同时拉近正样本的距离，使得负样本远离。这篇论文提出了两种SimCSE，有监督和无监督，下面仔细介绍一下这篇论文。

这篇文章重点提出了一个非常有效且simple的无监督对比学习方法来学习句子之间的相似性。

模型整体结构如图所示：包含无监督方法和有监督方法。

无监督

无监督模型，一个句子通过encoder得到sentence embedding，而其他句子得到的sentence embedding是作为负例。

正例的设置，对于同一个句子采用两个不同 Dropout Mask，得到两个不同的句向量作为正样本，通过不同的drop mask机制得到的sentence embedding。

dropout层在训练时是会随机drop一些输入的，具有一定的随机性，但是总体来说可以当做是同类样本（感觉mask一些词也是可以的）

训练目标为：

其中，sim()是余弦距离；

作者对比了 Dropout 和其他数据增强方法的效果 (评价指标是 Spearman 相关系数)，结果如下表所示，其中 None 表示 SimCSE 用到的 Dropout 方法，可以看到通过 Dropout 生成正样本的效果比其他数据增强方式好。

有监督

SimCSE 也可用于有监督训练，例如可以使用自然语言推理数据集 (SNLI 和 MNLI) 进行有监督学习，自然语言推理数据集包含很多句子对，句子对有三种关系: 蕴含 (entailment), 中性 (neutral), 矛盾 (contradiction)。可以把蕴含和中性的句子对作为正样本，矛盾的句子对作为负样本进行训练。

训练目标：


下面是各种常见句子向量算法的对比，可以看到 SimCSE 的效果最好。

总结：

用了一个非常简单的方法，但是效果很好，可以广而用之，网上也有很多复现的开源代码可以学习。

感兴趣的可以参考 github