【NAACL 2022】GPL：用于密集检索的无监督域自适应的生成伪标记

论文地址：https://arxiv.org/abs/2112.07577

《文本匹配——【EMNLP 2021】TSDAE》中的自适应预训练的一大缺点是计算开销高，因为必须首先在语料库上运行预训练，然后在标记的训练数据集上进行监督学习。标记的训练数据集可能非常大。

GPL（用于密集检索的无监督域自适应的生成伪标记）克服了上述问题：它可以应用于微调模型之上。因此，可以使用其中一种预训练模型并将其调整到特定领域：

训练的时间越长，你的模型就越好。在 V100-GPU 上训练模型大约 1 天。GPL 可以与自适应预训练相结合，从而进一步提升性能。

GPL 分三个阶段工作：

• query 生成：对于我们域中的给定文本，我们首先使用 T5 模型为给定文本生成可能的query。例如，当你的文本是“Python is a high-level general-purpose programming language”时，模型可能会生成类似“What is Python”这样的query。中文T5 Doc2Query 预训练模型地址 ：https://huggingface.co/doc2query/msmarco-chinese-mt5-base-v1
• 负例挖掘：接下来，对于生成query “What is Python”，我们从语料库中挖掘负例passage，即与query 相似但用户认为不相关的 passage。这样的负例 passage 可能是“Java is a high-level, class-based, object-oriented programming language.”。. 我们使用密集检索进行这种挖掘，即我们使用现有的文本嵌入模型之一并检索给定query 的相关passage。
• 伪标签：在负例挖掘步骤中，我们检索到与query 实际相关的passage（如 “What is Python” 的另一个定义）。为了克服这个问题，我们使用 Cross-Encoder 对所有（query、passage）对进行评分。

训练：一旦我们有了三元组 (generated query, positive passage, mined negative passage) 和对 (query, positive) 、 (query, negative) 的评分的Cross-Encoder，我们就可以开始使用MarginMSELoss训练文本嵌入模型：

伪标记步骤非常重要，与之前的方法 QGen（《文本匹配——【NeurIPS 2021】BEIR》） 相比，它提高了性能，QGen 将 passages 视为正（1）或负（0）。正如我们在下图中看到的，对于生成query (“what is futures conrtact”)，负例挖掘步骤检索与生成query 部分或高度相关的passages。使用 MarginMSELoss 和Cross-Encoder，我们可以识别这些 passages 并教导文本嵌入模型这些段落也与给定查询相关。

下表概述了 GPL 与自适应预训练（MLM 和 TSDAE）的比较。如前所述，GPL 可以与自适应预训练相结合：