文 | 花小花Posy

大家好，我是小花。

对比学习的大火???? 越来越旺了，已然从CV蔓延到NLP了。今天给大家介绍的正是一篇将对比学习应用到文本聚类上的工作，NAACL21新鲜出炉的paper——《Supporting Clustering with Contrastive Learning》。该工作在8个短文本聚类数据集上取得了显著提升(比如正确率提升3%~11%)。

所谓对比学习，重点在于对比，那对比的对象是谁？
答曰：增强的数据。假设如果两个增强句子的原句子一样，那么拉近它们，否则推远它们。

在CV领域，对比学习是和携数据增强一起出道的。给定一张图片，生成不同的变体去增强它，然后用对比思想去学习。NLP领域也如法炮制。给一个句子，使用数据增强去生成和原句子语义相似的句子。比如下面的例子[1]：

如果两个增强句子来自同一个原句子，那么它们是同源的，否则是不同源的。本文发现，利用对比学习的特性，即拉近同源句子、拉远不同源句子，可以解决短文本聚类问题中一个令人头疼的问题——如果学习过程开始时，不同类别在表示空间中就彼此重叠，那么不管怎么学习都很难将各个类别区分开。

下图是原文中对比的原始数据的分布(Original) 和使用聚类（Clustering）模型学习后的分布。

可以看到，Clustering整体效果还不错，但相邻类别黏在一起、无法区分的现象仍然是存在。

而本文发现，使用对比学习（Instance-CL)可以很好地解决该问题。对比学习可以将各个重叠的类别分散开。

更进一步，本文发现将对Instance-CL和Clustering结合（SCCL），不仅可以可以更好地区分不同类别；而且通过显示地拉近同一类的数据的距离，可以促使类内分布更加紧凑，从而达到更优质的聚类效果。

简单讲，本文提出了一个训练框架SCCL，它结合了bottom-up的实例对比学习和top-down的聚类学习，收获了更好的类内距离和类间距离。

论文题目:
Supporting Clustering with Contrastive Learning

论文链接:
https://arxiv.org/pdf/2103.12953.pdf

Arxiv访问慢的小伙伴也可以在【夕小瑶的卖萌屋】订阅号后台回复关键词【0422】下载论文PDF~

对比学习扫盲

对比学习的目标是区分两个实例是否是由同一个源数据采样/增强得来，如果是，让它们在表示空间中越接近；如果不是，让它们在表示空间中远离。 早在2006年，Hadsell等人[2]就提出了通过对比正负例来学习表示的思想，但其真正火起来是始于谷歌在19年提出的SimCLR[3]框架。下图展示了SimCLR中对比学习思想的示例图，可以更加直观理解整个流程。具体来说，对于一个源数据 , 使用某种数据增强的方式，给它生成一对增强数据和，然后对它们哥俩进行编码、映射，接着最大化它们的相似度。

对比学习的一个关键点是如何生成增强数据。在CV中，数据增强依赖图片的空间不变性，通过旋转、缩放、裁剪等方式去给图片增强。在NLP领域中，数据增强主要依靠的是语义不变性，常用方法有词汇替换、回译、字面转换、随机噪声注入等等[3]。本文尝试了3种不同的替换方式，分别是：

WordNet Augmenter：使用WordNet中的同义词对输入进行替换。
Paraphrase via back translation：使用回译的方式生成输入的复述。
Contextual Augmenter：对于输入 , 利用预训练Transformer找到其中N个候选位置，对其进行插入或替换。

说完了对比学习，接下来我们聊一聊本文是如何使用对比学习及它的效果如何。

SCCL的训练框架

上图展示了SCCL的训练框架，相比以前的聚类方法（蓝色部分），SCCL使用了数据增强，并利用了对比学习去优化增强的数据。相对应的，模型针对Clustering有一个损失函数对源数据进行优化，Instance-CL有一个损失函数对增强数据进行优化。

模型概念了解起来相对简单，就不放公式了。想看公式加深理解的朋友们可以去看原论文。下面看看实验结果如何。

简单的模型，大大的提升

文中使用 ACC（Accuracy）和 NMI（Normalized Mutual Information）两个评价指标来衡量聚类性能。下图展示了SCCL在8个短文本聚类的数据集上的实验结果（几乎完爆所有数据集）：

除了大规模的SOTA外，文中还总结了SCCL相比其它模型的优点：

训练更简单：SCCL只需要端到端的训练，有的模型（STCC）却需要分多步训练，或者使用了垂直领域的特征进行增强（比如HAC-SD）。
对数据噪声更鲁棒：SCCL不需要任何的数据预处理，其它大部分模型都对数据进行了预处理，比如移除停用词、标点符号、小写化处理。

对比学习加在什么阶段？

SCCL模型包含了两个损失函数：一个负责Clustering的优化，一个负责Instance-CL的优化。那么对于有多个损失函数时，是选择pipeline的方式去一个一个训练呢？还是使用jointly训练的方式更好呢？

本文对比了两种方式的区别，并与单独使用其中一个进行对比。下图显示了使用Accuracy作为指标时各个模型的表现：

可以看出，相比单独使用Instance-CL或者Clustering，结合两者使用的两个模型在各个数据集上都取得了提升，而且jointly训练（SCCL）取得的提升一致优于pipeline训练（SCCL-Seq，先训练Instance-CL在训练Clustering）。

数据增强哪家好？

上文提到，本文使用了三种数据增强的方法，那么哪一种最优？ 下图展示了三种方法在各个数据集上的实验结果：

整体来讲，Ctxt在各个数据集上的性能都是最好的，也就是说利用预训练Transformer作为增强器是最好的。同时也可看到，有一部分数据集在不同增强方法下表现差别很大，比如SearchSnippers和GooglenewsS，而有一部分的敏感度则较低，比如AgNews、Biomedical和GooglenewsTS。

说明在我们实际使用过程中，到底使用哪种增强方式有效还是需要做做对比实验才晓得。

这里我们接着问一个问题。要是我们使用多个增强器呢？效果会变得更好吗？文中对比了使用1个增强器和2个增强器的区别，以及当选择替换不同比例的源句子时的区别。

上图中蓝色表示使用1个增强器和橘色表示使用2个增强器。可以看出：

2个增强器在GoogleNewTS上有轻微的提升，并且没有随着增强数据中被替换词的比例上升而下降；
stackoverflow上的表现却截然不同，随着替换比例的增高，使用两个增强器反而导致性能大幅度下降。

为了探究原因，文中对比了在不同替换比例和不同增强器下（1个或2个），原始文本和增强文本在训练之初时的cosine相似度：

可以看出，当使用2个增强器（橘色）时，增强文本与原始文本之间的相似度逐渐降低，从而解释了为什么使用2个增强器并不一定能使模型性能变好。

小结一下

本文提出了一种简单、有效的无监督聚类的模型SCCL，在基于距离的聚类方法上，使用逐例对比学习区分不同类别。通过联合优化逐例对比学习的损失和聚类的损失，使得模型在拉开距离的同时保证类内距离更近。SCCL在8个短文本聚类数据集上进行测试，大部分实验结果都取得了SOTA，Accuracy提升了3% ~ 11%，NMI提升了4%~15%，证明了模型的有效性。

最后的最后，大家不妨思考下，为什么聚类+对比学习可以带来如此大的提升呢？小花的理解是，聚类关注高层级的语义概念，而实例对比的研究对象往下渗透了一层，它的目标是让相似的实例距离更近，不同的实例距离更远。将它们结合起来，可以：

增加细粒度的对比。
数据增强带来了更多的数据，将更多先验知识告诉了模型。
顶层抽象和底层细节的结合，就像我们人学习的时候既需要具体案例的学习，又需要抽象理解。二者搭配，效果更佳。

有趣的是，在CV中，对比学习是为了让模型不关注像素细节,学习高级特征来区分不同对象。但是在NLP中却是反过来了，希望模型学习实例级别的特征。

一起交流

想和你一起学习进步！『NewBeeNLP』目前已经建立了多个不同方向交流群（机器学习 / 深度学习 / 自然语言处理 / 搜索推荐 / 图网络 / 面试交流 / 等），名额有限，赶紧添加下方微信加入一起讨论交流吧！（注意一定要备注信息才能通过）

[1].A Visual Survey of Data Augmentation in NLP https://amitness.com/2020/05/data-augmentation-for-nlp/

[2].Dimensionality Reduction by Learning an Invariant Mapping https://cs.nyu.edu/~sumit/research/assets/cvpr06.pdf

[3].A Simple Framework for Contrastive Learning of Visual Representations. https://arxiv.org/pdf/2002.05709.pdf

- END -

关于BERT，面试官们都怎么问

2021-03-21

如何利用多任务学习提升模型性能？

2021-03-17

增量学习(Incremental Learning)小综述

2021-02-24

Attention！当推荐系统遇见注意力机制

2021-02-22