BERT 论文解读_bert 论文 arxiv

BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

论文地址：https://arxiv.org/abs/1810.04805

代码地址：https://github.com/google-research/bert

Abstract

BERT (Bidirectional Encoder Representations from Transformers) 在未标记的文本上进行预训练，调节各个层的参数，学习上下文表示。因此只需要增加一个输出层进行微调，就能在多个任务上达到 SOTA 水平。

1 简介

将预训练语言模型应用在下游任务中，一般有两种策略：feature-based 和 fine-tuning。feature-based 例子是 ELMo，fine-tuning 例子是 GPT。作者认为影响当前预训练语言模型的瓶颈是——“模型是单向的”。如 GPT 选择从左到右的架构，这使得每个 token 只能注意到它前面的 token，这对 sentence 级的任务影响还是次要的，但对于 token 级的任务来说影响就很巨大。

BERT 通过使用受完形填空任务启发的 Mask Language Model （MLM）缓解了先前模型的单向性约束问题。MLM 随机 mask 掉一些输入文本中的 token，然后根据剩下的上下文预测 masked 的 token。除了 Mask Language Model，作者还提出了 Next Sequence Predict 任务，来联合训练文本对表示。

BERT 贡献在于：

1. 证明了双向预训练对于语言表示模型的重要性
2. 减少了为特定任务精心设计网络架构的必要性
3. BERT 在11个 NLP 任务上达到了 SOTA 水平

2 BERT

BERT 模型有两个步骤：预训练、微调。预训练时，模型在不同的预训练任务中基于未标记数据进行训练；微调时，先使用预训练模型的参数初始化 BERT 模型，再在特定任务的标注数据上对参数进行微调。以问答为例，如下图所示：

[CLS] 是每个输入示例开头的特殊标记；[SEP] 是一个特殊的标记用于区分 question/answer

模型架构

BERT 的模型架构是一种多层的双向 transformer encoder，BERT 在实现上与 transformer encoder 几乎完全相同。

定义：transformer block 的个数为 $L$ ; hidden 大小为 $H$ ; self-attentions head 的个数为 $A$. 作者主要展示了两种规模的 BERT 模型：

输入输出表示

为了使 BERT 能处理大量不同的下游任务，作者将模型的输入设计成可以输入单个句子或句子对，这两种输入被建模成同一个 token 序列。作者使用了有 30000 个 token 的 vocabulary 词嵌入。

输入序列：第一个 token 都是一个特殊标记 [CLS]，该标记的最终隐藏状态用来聚合句子的表征，从而实现分类任务。对于 sentence 对，作者使用特殊标记 [SEP] 来区分不同的句子。

输出序列：用 $E$​ 来表示输入的 embedding，[CLS] 的最终隐藏状态为 $C\in {\mathbb{R}}^H$，输入序列的第 $i$​ 个 token 的隐藏向量为 $T_i\in {\mathbb{R}}^H$​ 。对于 $T_i$ ，都是通过 token embedding、segment embedding、position embedding 加和构造出来的。如下图所示：

2.1 Pre-training BERT

Task #1: Masked LM

标准的语言模型只能实现从左到右或从右到左的训练，不能实现真正的双向训练，这是因为双向的条件是每个单词能直接“看到自己”，并且模型可以在多层上下文中轻松的预测出目标词。

为了能够实现双向的深度预训练，作者选择随机 mask 掉一些比例的 token，然后预测这些被 masked 的 token，在这种设置下，被 masked 的 token 的隐藏向量表示被输出到词汇表的 softmax 上，这就与标准语言模型设置相同。作者将这个过程称为“Masked LM”，也被称为“完形填空”。

Masked LM 预训练任务的缺点在于由于 [MASK] 标记不会出现在微调阶段，这就造成了预训练和微调阶段的不一致。为了解决该问题，作者提出了一种折中的方案：随机选择 15% 的 token，这些要被 masked 的 token 并不会真的全替换成 [MASK]，而是从这些 token 中，随机选择 80% 替换成 [MASK] ；随机选择 10% 替换成随机 token；随机选择 10% 不改变原 token。然后 $T_i$​ 使用交叉熵损失来预测原始的 token。

Task #2: Next Sentence Prediction (NSP)

很多下游任务都是基于对两句话之间的关系的理解，语言模型不能直接捕获这种信息。为了训练模型理解这种句间关系，作者设计了 next sentence prediction 的二分类任务。具体来说，就是选择两个句子作为一个训练样本，有 50% 的概率是下一句关系，有 50% 的概率是随机选择的句子对，预测将 [CLS] 的最终隐状态 $C$​​ 输入​ sigmoid 实现。

Pre-training data

作者选用了BooksCorpus (800M words) 和 English Wikipedia (2,500M words) 作为预训练的语料库，作者只选取了 Wikipedia 中的文本段落，忽略了表格、标题等。为了获取长的连续文本序列，作者选用了 BIllion Word Benchmark 这样的文档级语料库，而非打乱的句子级语料库。

2.2 Fine-tuning BERT

因为 transformer 中的 self-attention 机制适用于很多下游任务，所以可以直接对模型进行微调。对于涉及文本对的任务，一般的做法是独立 encode 文本对，然后再应用双向的 cross attention 进行交互。Bert 使用 self-attention 机制统一了这两个阶段，该机制直接能够实现两个串联句子的交叉编码。

对于不同的任务，只需要简单地将特定于该任务的输入输出插入到 Bert 中，然后进行 end2end 的fine-tuning。

• 对于输入，预训练中的 sentence A 和 sentence B 能够替换成：1）同义关系中的句子对；2）蕴含关系中的“假设-前提对”；3）问答中的“段落-问题对”；4）文本分类或序列标注中的“文本-null”
• 对于输出，对于 token-level 的任务，如序列标注、问答，将 Bert 输出的 token 编码输入到输出层；对于 sentence-level 的任务，如句子的蕴含关系、情感分析等，将 [CLS] 作为输入序列的聚合编码，输入到输出层。

3 实验

3.1 GLUE

GLUE (General Language Understanding Evaluation) 是多个 NLP 任务的集合。作者设置 batch size 为 32；训练 3 个 epochs；在验证集上从（5e-5, 4e-5, 3e-5, 2e-5）中选择最优的学习率。结果如下：

其他实验略…

4 消融实验

4.1 预训练任务的影响

进行了如下消融测试：

• “No NSP” ：不进行 nsp 任务，只进行 Masked LM task；
• “LTR & No NSP” ：不进行 nsp 任务，且使用标准语言模型采用的 Left-to-Right 训练方法。

结果如下：

如果采用像 ELMo 那样训练 LTR 和 RTL 模型，再对结果进行拼接，有以下缺点：

• 相对于单个双向模型来说，表征长度翻倍，代价相对提高
• 这种拼接不直观，因为对于 QA 任务来说，RTL 任务做的事实际上是 “根据答案推导问题” 这是不靠谱的。
• 与深度双向模型相比，这种在上下文上的双向交互的能力较弱，因为双向模型在每层都能进行双向的上下文交互。

4.2 模型大小的影响

结果如下：

作者证明了：如果模型经过充分的预训练，即使模型尺寸扩展到很大，也能极大改进训练数据规模较小的下游任务。

4.3 将 Bert 应用于 Feature-based 的方法

feature-based 的方法是从预训练模型中提取固定的特征，不对具体任务进行微调。这样的方法也有一定的有点：1. 并非所有任务都能用 transformer 架构简单表示，因此这些任务都需要添加特定的架构；2. feature-based 的方法还有一定的计算成本优势。

作者进行了如下实验：在 CoNLL-2003 数据集上完成 NER 任务，不使用 CRF 输出，而是从一到多个层中提取出激活值，输入到 2 层 768 维的 BiLSTM 中，再直接分类。结果如下：

结果说明：无论是否进行微调，Bert 模型都是有效的。

5 总结

个人认为 Bert 的意义在于：

1. 成功实践了 pre-training + fine-tuning 的深度学习范式；
2. 发掘了在 NLP 中“深度双向架构”在预训练任务中的重要意义；