Facebook 开源增强版 LASER，可使用90多种语言

为了加速将自然语言处理（NLP）应用到更多的语言，Facebook 开源了增强版 LASER 库，成为第一个成功地与 NLP 社区分享的大型多语种句子表示工具。该工具目前可以使用90多种语言，涉及28种不同的字符表。

LASER 通过将所有语言都嵌入在一个共享空间来实现这点（而不是不同语言使用着不同的模型）。Facebook 同时开源的还有免费提供的多语言编码器和PyTorch代码，以及包括100多种语言的多语言测试集。

LASER 实现了从一种语言（如英语）到其他几种语言（包括训练数据极为有限的语言）进行 NLP 零样本迁移的大门，是第一个使用单个模型处理各种语言的库（其中包括低资源语言，如卡拜尔语、维吾尔语，以及吴语等方言）。有朝一日，这项工作可以帮助 Facebook 或其他公司推出些特定的 NLP 功能，例如可以将同一语言的电影评论分正面和负面，然后用其他100多种语言进行发布。

LASER 功能亮点

LASER 为 XNLI 语料库（注：语料库一词在语言学上意指大量的文本）14 种语言中的 13 种带来了更高的零样本跨语言自然语言推理准确率，在跨语言文档分类、并行语料库挖掘、多语言相似性（即使是低资源语言）方面也有很好的表现。

LASER 还拥有以下优势：

• 极快的性能，能在 GPU 上每秒处理多达 2000 个句子。
• 句子编码器是在 PyTorch 中实现的，只需很少的外部依赖。
• 资源有限的语言可以从多种语言的联合训练中受益。
• 该模型支持在一个句子中使用多种语言。
• 随着新语言的加入，系统会学习识别其语系特征，从而使相关性能有所提高。

通用、语言无关的句子嵌入

LASER 的句子向量表示对输入语言和 NLP 任务是通用的。该工具将任何语言的句子映射到高维空间中的一个点，为的是任何语言中的相同语句最终会出现在同一邻域中。该表示可以被视为语义向量空间中的一种通用语言。Facebook 观察到，该空间中的距离与句子的语义接近度非常相关。（见下图，图左显示的是单语嵌入空间，图右说明了 LASER 的方法——将所有语言嵌入到同一共享空间。）

LASER 的方法建立在与神经机器翻译相同的基础技术之上：编码器/解码器方法，也称为序列到序列处理。Facebook 为所有输入语言使用一个共享编码器，并使用共享解码器生成输出语言。编码器是五层双向 LSTM（长短期记忆）网络。与神经机器翻译相比，Facebook 不使用注意机制，而是使用1024维固定大小的向量来表示输入句子。它是通过对 BiLSTM 的最后状态进行最大池化来获得的。这使得句子表示能够被比较并直接输入到分类器。下图说明的是 LASER 的结构。

零样本、跨语言的自然语言推理

该模型在跨语言自然语言推理（NLI）中取得好的成绩，而这项任务的表现是一个强有力的指标，代表着模型可以表示句子的意义。关于零样本设置，可以在英语上训练 NLI 分类器，然后在没有微调或目标语言资源的情况下将其应用于所有目标语言。14种语言中的8种，零样本性能在英语表现的5％以内，其中包括俄语，中文和越南语等。此外，也在斯瓦希里语和乌尔都语等低资源语言上取得好的成绩。在最后，14种语言中，LASER 有13种语言的表现优于所有以前的零样本迁移方法。

与之前需要句子为英语的方法相比，该系统是完全可以多语言的，并且支持不同语言的前提和假设的组合。下表显示了 LASER 如何能够确定不同语言的 XNLI 语料库中句子之间的关系，而以前的方法只考虑了同一语言的前提和假设。

此外，相同的句子编码器也被用于挖掘大量单语文本中的并行数据，只需要计算出所有句子间的距离，并选择距离最小的一对句子（语言对）。这在共享 BUCC 任务上的表现远远超过了现有水平。（该方法的详细描述可见论文：https://arxiv.org/abs/1812.10464）

一样的方法可以用在使用任何语言对，来挖掘90多种语言的并行数据。预计这将改善许多依赖于并行训练数据的 NLP 应用程序，包括低资源语言的神经机器翻译。

未来的应用

LASER 库也可用于其他相关任务。比如多语言语义空间的属性，就可用于对同种语言或 LASER 现支持的其他93种语言做出句子的解释、或是搜索相似含义的句子。Facebook 表示将继续改进模型、新增更多的语言。