BERT从零详细解读：如何做预训练 - MLM+NSP_mlm和nsp是什么意思
赞
踩
MLM: mask language model
NSP: 去判断两个句子之间的关系
BERT在预训练时使用的是大量的无标注的语料（比如随手可见的一些文本，它是没有标注的）。所以它在预训练任务设计的时候，一定是要考虑无监督来做，因为是没有标签的。
对于无监督的目标函数来讲，有两组目标函数比较受到重视，
第一种是 AR模型，auto regressive，自回归模型。只能考虑单侧信息，典型的就是GPT。
另一种是AE模型，auto encoding，自编码模型。从损坏的输入数据中预测重建原始数据，可以使用上下文的信息。BERT使用的就是AE。
这么理解这个概念其实比较枯燥，我不做数学公式的推导，我举个最简单的例子。
MLM
【我爱吃饭】
AR： P(我爱吃饭)=P(我)P(爱|我)P(吃|我爱)P(饭|我爱吃)；
AE：
AE模型是对句子做一个mask， mask也就是面具的意思，简单来说就是用面具去掩盖掉句子中某些，或者某几个单词。
mask之后：【我爱mask饭】
我们自己知道，虽然它是无监督的，mask之后，我知道它是“吃”这个字。
P(我爱吃饭|我爱mask饭）=P(mask=吃|我爱饭）
仔细体会一下mask这个模型，它打破了文本原有的信息，让它文本重建。原有文本是“我爱吃饭”，我把吃这个字打掉了，让模型不知道。然后在预训练的时候，让它去做文本重建。在做文本重建的时候，这个模型绞尽脑汁地从周围地文本中学习各种信息，来让自己预测出来的词汇，无限地接近原本的词汇。也就是说模型在学习\训练的时候，要做到让自己的mask的词汇出来，无限地接近，或者就是”吃“这个字。
仔细探究一下，mask这个模型，有没有缺点呢？当然是有的。
还讲刚才这个例子
【我爱吃饭】 mask之后：【我爱mask mask】
优化目标： P(我爱吃饭|我爱mask mask) = P(吃|我爱)P(饭|我爱)；这个式子中”吃“和”饭“是相互独立的，也就是mask和mask之间是相互独立的。但是我们知道”吃“和”饭“，也就是这两个mask之间是相互有关系的，很大概率情况下，mask之间不是独立的。
BERT在预训练的时候呢，第一个任务就是MLM，就是用到了mask策略。需要注意的是mask的概率问题：
随机mask 15%的单词，也就是100个单词里面挑出15个单词来mask。这15%的单词又不是全部真正的mask，而是10%替换成其它单词，10%原封不动，80%替换成mask。没有看到一个很好地解释讲为什么这么去做。
mask代码实践:
for index in mask_indices:
#80% of the time, replace with [MASK]
if random.random() < 0.8:
masked_token = "[MASK]"
else
# 10% of the time, keep original
if random.random() < 0.5:
masked_token = tokens[index]
# 10% of the time, replace with random word
else:
masked_token = random.choice(vacab_list)
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
NSP
NSP一个最重要的点，就是去理解它样本的构造模式。
NSP之间有谈到过，就是在做input embedding的时候，为什么区分有两个特殊符号[CLS]和[SEP]。
NSP样本如下：
- 从训练语料库中取出两个连续的段落作为正样本
两个连续的段落说明两个段落来自同一文档，一个文档就是一个主题，所以是同一个主题下两个连续的段落，顺序没有颠倒。 - 从不同的文档中随机创建一对段落作为负样本，区别于这里，它使用的是不同文档中随机创建一对段落，也就是说不同的主题，随便抽一个过来，直接连一下，作为负样本。
缺点：主题预测和连贯性预测合并为一个单项任务。
由于主题预测是非常简单的，导致整个任务
相比于连贯性预测，主题预测非常容易学习。后续的改进，比如ALbert，直接抛弃了主题预测，Albert正样本和负样本都来自同一个文档。
