CoSENT（三）：作为交互式相似度的损失函数
原文链接 | 2022-11-09 | 苏剑林
在《CoSENT（一）：比Sentence-BERT更有效的句向量方案》中，笔者提出了名为“CoSENT”的有监督句向量方案，由于它是直接训练cos相似度的，跟评测目标更相关，因此通常能有着比Sentence-BERT更好的效果以及更快的收敛速度。在《CoSENT（二）：特征式匹配与交互式匹配有多大差距？》中我们还比较过它跟交互式相似度模型的差异，显示它在某些任务上的效果还能直逼交互式相似度模型。
然而，当时笔者是一心想找一个更接近评测目标的Sentence-BERT替代品，所以结果都是面向有监督句向量的，即特征式相似度模型。最近笔者突然反应过来，CoSENT其实也能作为交互式相似度模型的损失函数。那么它跟标准选择交叉熵相比孰优孰劣呢？本文来补充这部分实验。
基础回顾#
CoSENT提出之初，是作为一个有监督句向量的损失函数：
\[\begin{equation}\log \left(1 + \sum\limits_{\text{sim}(i,j) \gt \text{sim}(k,l)} e^{\lambda(\cos(u_k, u_l) - \cos(u_i, u_j))}\right)\end{equation}\]
其中\(i,j,k,l\)是四个训练样本（比如四个句子），\(u_i, u_j, u_k, u_l\)是它们想要学习的句向量（比如它们经过BERT后的[CLS]向量），\(\cos(\cdot,\cdot)\)代表两个向量的余弦相似度，\(\text{sim}(\cdot,\cdot)\)则代表它们的相似度标签。所以这个损失函数的定义也很清晰，就是如果你认为\((i,j)\)的相似度应该大于\(\text{sim}(k,l)\)的相似度，那么就往\(\log\)里边加入一项\(e^{\lambda(\cos(u_k, u_l) - \cos(u_i, u_j))}\)。
从这个形式就可以看出，当时CoSETN就是为了有监督训练余弦相似度的特征式模型的，包括“CoSENT”这个名字也是这样来的（Cosine Sentence）。然而，抛开余弦相似度这一层面不谈，CoSENT本质上是一个只依赖于标签相对顺序的损失函数，它跟余弦相似度没有必然联系，我们可以将它一般化为
\[\begin{equation}\log \left(1 + \sum\limits_{\text{sim}(i,j) \gt \text{sim}(k,l)} e^{\lambda(f(k,l) - f(i,j))}\right)\end{equation}\]
其中\(f(\cdot,\cdot)\)是任意标量输出函数（一般不需要加激活函数），代表要学习的相似度模型，包括将两个输入拼接成一个文本输入到BERT中的“交互式相似度”模型！
实验比较#
训练交互式相似度的常规方式是最后构建一个两节点的输出，然后加上softmax，用交叉熵（下表简称CE）作为损失函数，这也等价于在前面的\(f(\cdot,\cdot)\)上加sigmoid激活，然后用单节点的二分类交叉熵。不过这种做法也就适合二分类形式的标签，如果连续型的打分（比如STS-B是1～5分），就不大适合了，此时通常要转化为回归问题。但CoSENT没有这个限制，因为它只需要标签的序信息，这个特点跟常用的评测指标spearman系数是一致的。
两者的对比实验，参考代码如下：
https://github.com/bojone/CoSENT/blob/main/accuracy/interact_cosent.py
实验结果为
\[\begin{array}{c} \text{评测指标为spearman系数} \\ {\begin{array}{c|ccccc} \hline & \text{ATEC} & \text{BQ} & \text{LCQMC} & \text{PAWSX} & \text{avg}\\ \hline \text{BERT + CE} & 48.01 & 71.96 & 78.53 & 68.59 & 66.77 \\ \text{BERT + CoSENT} & 48.09 & 72.25 & 78.70 & 69.34 & 67.10 \\ \hline \text{RoBERTa + CE} & 49.70 & 73.20 & 79.13 & 70.52 & 68.14 \\ \text{RoBERTa + CoSENT} & 49.82 & 73.09 & 78.78 & 70.54 & 68.06 \\ \hline \end{array}} \\ \\ \text{评测指标为accuracy} \\ {\begin{array}{c|ccccc} \hline & \text{ATEC} & \text{BQ} & \text{LCQMC} & \text{PAWSX} & \text{avg}\\ \hline \text{BERT + CE} & 85.38 & 83.57 & 88.10 & 81.45 & 84.63 \\ \text{BERT + CoSENT} & 85.55 & 83.73 & 87.92 & 81.85 & 84.76 \\ \hline \text{RoBERTa + CE} & 85.97 & 84.67 & 88.14 & 82.85 & 85.41 \\ \text{RoBERTa + CoSENT} & 86.06 & 84.23 & 88.14 & 83.03 & 85.37 \\ \hline \end{array}} \end{array}\]
可以看到，没有惊喜，CE和CoSENT的效果基本一致。非要挖掘一些细致区别的话，可以看到在BERT中，CoSENT的效果相对好些，在RoBERTa中基本没区别了，以及在PAWSX这个任务上，CoSENT的提升相对明显些，其他任务基本持平。如此，可以“弱弱地”下一个结论：
当模型较弱（BERT弱于RoBERTa）或者任务较难（PAWSX相对来说比其他三个任务都难）时，CoSENT****或许****能取得比CE更好的效果。
注意，是“或许”，笔者也不能保证。实事求是地说，我也不认为两者构成什么显著差异。不过可以猜测，因为两种损失函数的形式有明显的差异，所以哪怕最终指标上差不多，模型内部应该也有一定差异，这时候或许可以考虑模型融合？
文章小结#
本文主要思考和实验了CoSENT在交互式相似度模型中的可行性，最终结论是“可行但效果没什么提升”。