Monodyee

这个屌丝很懒，什么也没留下！

热门标签

BERT: Pre-training of Deep Bidirectional Transformers forLanguage Understanding_bert:pre-training of

作者：Monodyee | 2024-04-07 09:15:26

踩

bert:pre-training of

题目：BERT：用于语言理解的深度双向transformers的预训练
作者：Jacob Devlin Ming-Wei Chang Kenton Lee Kristina Toutanova
发布地方：arXiv
面向任务：自然语言处理
论文地址：https://arxiv.org/abs/1810.04805
论文代码：GitHub - google-research/bert: TensorFlow code and pre-trained models for BERT

摘要

语言表示模型BERT（Bidirectional Encoder Representations from Transformers），首先通过在所有层中联合调节左右上下文，从未标记文本中预训练深度双向表示。然后增加一个输出层，对预训练的BERT模型进行微调，从而应用于下游任务（如问答和语言推理），而无需对特定于任务的架构进行修改。

BERT在11个自然语言处理任务上获得了最先进的结果，包括将GLUE分数提高到80.5%（提升7.7%），MultiNLI准确性提高到86.7%（提升4.6%），SQuAD v1.1 F1提高到93.2（提升1.5），SQuAD v2.0 F1提高到83.1（提升5.1）。

备注：预训练就是不使用标注文本，只使用原始的文本语料，通过掩码预测的方式（后边说），让模型在给定上下文的条件下，预测文本中空缺的词。

1 介绍

语言模型预训练对于改善许多自然语言处理任务是有效的。这些任务包括句子级任务，如自然语言推理（NLI）和复述（paraphrasing），整体分析预测句子之间的关系；包括词级（token）任务，如命名实体识别和问答，模型需要在词级别产生细粒度输出（具体到词）。
●自然语言推理：判断两个句子是否存在推理蕴含关系。
●复述：一句话用另外一句话表达出相同的意思。
●实名实体识别：识别文本中具有特定意义的实体，包括人名、地名、机构名、专有名词等。
●问答：这里的问答指给定文本句子（或段落）和基于句子的问题，答案是从句子的抽取的。

将预训练的语言表示应用到下游任务有两种方法：
①基于特征，如ELMo（Embeddings from Language Models），使用特定于任务的架构，其中包括预训练的表示作为附加特征。
②微调，例如Generative Pre-trained Transformer（OpenAI GPT），引入了最小的特定任务参数，并通过简单微调所有预训练参数对下游任务进行训练。
这两种方法在预训练期间具有相同的目标函数，它们使用单向语言模型来学习一般的语言表示。语言模型是单向的限制了预训练表示的能力。如在OpenAI GPT中，作者使用了左到右架构，其中每个词（token）只能关注先前词（token）。这种限制对于句子级任务来说影响不大，应用于词（token）级任务（如问答）时可能影响较大，在问答中，从两个方向关注上下文至关重要。

本文提出BERT，受完形填空任务的启发，BERT通过使用“masked language model”（MLM，掩码语言模型）预训练目标来解决单向性约束。MLM随机屏蔽输入中的一些词（token），目标是仅根据其上下文预测屏蔽词的原始词。与左到右语言模型预训练不同，MLM目标使表示能够融合左右上下文信息。除了MLM外，本文还使用了“Next sentence prediction”任务，该任务预训练句子对表示。本文的贡献如下：
  ①证明了双向预训练对于语言表示的重要性。与使用单向语言模型进行预训练不同，BERT使用MLM来实现预训练的深度双向表示。
  ②预训练的表示减少了对许多任务特定架构的需求（先前问答任务需要问答框架，命名实体识别任务需要命名实体识别框架等等，而BERT把文本表示的模型预训练好，只需加一个特定于任务的输出端即可）。BERT是第一个基于微调的表示模型，它在一系列句子级和词级任务上实现了最先进的性能，优于许多特定于任务的架构。
  ③BERT在11项自然语言处理任务表现出最先进水平。

2 BERT

两个步骤：预训练和微调。
①预训练，模型基于未标记数据（通用的数据集）进行训练。
②微调，使用先前预训练的参数初始化BERT模型，并使用来自不同下游任务的标记数据微调所有参数。每个下游任务都有单独的微调模型。图1中的问答示例：

图1：BERT预训练和微调。[CLS]是添加在每个输入示例前面的特殊符号（用于分类），[SEP]是一个分隔符（如分隔问题/答案）。

模型架构
结构：多个transformer encoder（编码器）的堆叠
符号表示：层数：L 隐藏大小：L 注意力头：A
两种模型：
①BERTBASE（L=12，H=768，A=12，总参数=110M，尺寸与OpenAI GPT相同，但BERT使用双向自注意力，而GPT使用受约束自注意力）和
②BERTLARGE（L=24，H=1024，A=16，总参数=340M）。

输入（未介绍位置嵌入，在transformer论文中有介绍）：

图2：BERT输入表示。输入是词（token）嵌入、分段嵌入和位置嵌入的总和

输入序列：单个句子 [CLS] 句子A
一对句子 [CLS] 句子A [SEP] 句子B
[CLS]：每个序列的第一个位置，即分类符
词嵌入：使用具有30000个词的词汇表的WordPiece嵌入
[SEP]：句子分隔符，将两个句子分开
E：不同句子不止用[SEP]分割，另外添加学习嵌入，指示每个词（token）属于句子A还是B
输出（结合图1看）：
C∈ $R^{H}$ 是与分类符[SEP]对应的最终隐藏状态向量，用作分类任务，例如 [CLS] 今天天气真好 [SEP] 我们出去玩 -> C：1（两个句子有上下文联系），[CLS] 今天天气真好 [SEP] 我的书包很好看 -> C：0（两个句子没有上下文联系）。
$T_{i}$ ∈ $R^{H}$ ：第i个输入词（token）的最终隐藏向量，用于后续处理，在问答中，根据 $T_{i}$ 推理出答案的起始终止字符串位置

2.1 预训练

BERT使用两个无监督任务预训练BERT：MLM和NSP

任务1：Masked Language Model（MLM）
（深度双向模型）比（从左到右模型）、（从左到右模型与从右到左模型连接）更强大，因为双向每个单词既能联系左边也能联系右边。为了训练深度双向表示，只需随机掩盖输入序列的词（token），然后预测这些掩盖词（token）。随机处理输入的15%的词（token），例如 my dog is hairy，其中：


80%用[MASK]掩盖，my dog is hairy → my dog is [MASK]
10%用词表中的词随机替换，my dog is hairy → my dog is apple
10%不变，my dog is hairy → my dog is hairy.

然后， $T_{i}$ 将用于预测具有交叉熵损失的原始token。交叉熵损失函数如下：

M：类别数量，这里为词表的数量，30000
$y_{ic}$ ：符号函数，如果样本i的真实类别为c取1，否则0
$p_{ic}$ ：样本i属于类别c的预测概率

示例如上图，有20个单词的句子，选取其中15%（3个词），将3个词的80%（2个词）替换为[MASK]，effective->[MASK]、NATURAL->[MASK]；其中10%（1个词）随机替换成其他单词，including->dog；这里数量太少，另外10%不做处理了。假设经过BERT模型迭代一次，三个词 $T_{i}$ 向量用softmax激活，得到遮盖词（MASK，随机）的各个词是原词的概率，整理成表格如下：

样本	预测	真实	正确
1 effective	please 0.34 effective 0.33 hello 0.15	please 0 effective 1 hello 0	否
2 dog	apple 0.54 activate 0.4 including 0.02	apple 0 activate 0 including 1	否
3 including	gold 0.54 temper 0.27 natural 0.19	gold 0 temper 0 natural 1	否

在这里，M为词表的数量，3000类，i为样本数3，由上述公式得：

样本1 loss=-(0*log0.34 + 1*log 0.33 + 0*log0.15 + ...)=A
样本2 loss=-(0*log0.54 + 0*log 0.4 + 1*log0.02 + ...)=B
样本3 loss=-(0*log0.54 + 0*log 0.27 + 1*log0.19 + ...)=C
所有样本的loss求平均L= $\frac{A+B+C}{3}$

目的是让损失L最小，并接近于0，经过多次迭代后，预测原词的概率接近1。

任务2：Next Sentence Prediction（NSP）
问答（QA）和自然语言推理（NLI）都是基于理解两个句子之间的关系，为了得到一个理解句子关系的模型，预先训练了一个二分类的NSP预测任务。输入是两个句子A、B，[CLS] A[SEP]B，50%的B是A后面的实际下一个句子（标记为IsNext，即正样本），50%的B是随机句子（标记为NotNext，即负样本）。例如 [CLS] 今天天气真好 [SEP] 我们出去玩 -> C：1（两个句子有上下文联系），[CLS] 今天天气真好 [SEP] 我的书包很好看 -> C：0（两个句子没有上下文联系）。

2.2 微调

对于每个不同任务，只需改变输入格式和输出格式，并微调所有参数。

对于不同的几种下周任务：（1）左上为句对判断任务，比如自然语言推断、复述。输入两个句子，隐藏向量C用于输出二分类判断结果。（2）右上为单句情感判断，比如电影情感分类。输入是一个句子，隐藏向量C用于输出句子的多分类情感结果。（3）左下为问答任务。输入是问题和段落，输出为答案在段落的起始、终止位置。（4）右下为序列标注任务，比如命名实体识别。输入是一个句子，输出是各个词所属的标签，O代表非实体，B代表实体的开头。
（1）（2）为句子级任务，（3）（4）为词级任务。

3 实验

3.1 GLUE

通用语言理解评估（The General Language Understanding Evaluation，GLUE）是各种自然语言理解任务的集合（只有模型在GLUE多个任务中表现出现，才说明模型具有通用性）。GLUE为分类任务，以二分类为主，有任务如下：


MNLI（Multi-Genre Natural Language Inference）：一项大规模的众包蕴涵分类任务。给定一对句子，目标是预测第二个句子相对于第一个句子是蕴涵句、矛盾句还是中性句。
 
QQP（Quora Question Pairs）：是一项二元分类任务，其目标是确定在Quora上提出的两个问题在语义上是否等价。
 
QNLI（Question Natural Language Inference）：斯坦福问答数据集的一个版本，已转换为二进制分类任务。正例是包含正确答案的（问题、句子）对，负例是不包含答案的同一段落中的（问题、句子）。
 
SST-2（The Stanford Sentiment Treebank）：一项二元单句分类任务，由从电影评论中提取的句子和对其情感的人类注释组成。
 
CoLA（The Corpus of Linguistic Acceptability）：二元单句分类任务，目标是预测英语句子在语言上是否“可接受”，即是否符合语法。
 
STS-B（The Semantic Textual Similarity Benchmark）：来自新闻标题和其他来源的句子对集合。用1到5的分数进行注释，表示这两个句子在语义上有多相似。
 
MRPC（Microsoft Research Paraphrase Corpus）：由自动从在线新闻源中提取的句子对组成，带有对句子中的句子是否语义等价的人工注释
 
RTE（Recognizing Textual Entailment）：与MNLI类似的二进制蕴涵任务，但训练数据少得多
 
WNLI（Winograd NLI）：一个小型自然语言推理数据集。GLUE指出，该数据集的构建存在问题，并且提交给GLUE的每个经过训练的系统的性能都低于预测大多数类的65.1基线精度。因此，排除了这一设置。

微调超参数：epoch：3，批量大小：32。学习率：（5e-5、4e-5、3e-5和2e-5）。
设置：引入一个分类层权重（全连接网络）W∈ $R^{K*H}$ （W是需要微调得到的），K为类别数，H为[CLS]的隐藏向量C∈ $R^{H}$ 的维度。

表1：GLUE平台测试结果(https://gluebenchmark.com/leaderboard)。每个任务下面数字表示训练示例的数量。“Average”列与官方GLUE分数略有不同，因为作者排除了有问题的WNLI集。模型报告QQP和MRPC的F1分数，报告STS-B的Spearman相关性，其他报告的是准确性分数。

效果：①BERT-BASE和BERT-LARGE在所有任务上都优于所有系统，与现有技术相比，平均精度分别提高了4.5%和7.0%。
②对于MNLI，BERT获得了4.6%的绝对精度提高（86.7，82.1）。
③在官方GLUE排行榜中，BERT-LARGE获得80.5分，而OpenAI GPT在撰写本文之日获得了72.8分。
④BERTLARGE在所有任务中都优于BERTBASE，尤其是那些训练数据很少的任务。

3.2 SQuAD v1.1

斯坦福问答数据集（SQuAD v1.1）是通过众包方式得到的10万个问答对。给定段落和基于该段落的问题，任务是预测段落中的答案字符串（span）（这里span指段落中的子字符串）。

在问答任务中，将输入问题和段落表示为一个序列（中间加SEP作为分割）。这里只引入起始向量S∈ $R^{H}$ 和结束向量E∈ $R^{H}$ （S、E是需要微调得到的）。单词 i 作为答案字符串开始（start）的概率计算为（ $T_{i}$ （单词i的隐藏向量）和S之间的点积）除以（段落中所有单词对应的隐藏向量和S点击之和），即softmax为:

其中 j 代表段落的词数，答案字符串结束也使用相同公式。候选字符串从位置 i 到位置 j 的得分定义为 $S*T_{i}+E*T_{j}$ （ j ≥ i，这里 j 代表答案字符串结束位置，前边的 j 代表段落的词数），求答案字符串的最大得分（这里其实也就是求 $P_{i}$ + $P_{j}$ 的最大值）。训练目标是正确起始位置和结束位置的对数似然总和：log( $P_{i}$ )+log( $P_{j}$ )。

微调超参数：epoch：3，批量大小：32。学习率：5e-5。

表2：SQuAD 1.1结果

表2最上边一部分显示了SQuAD排行榜最先进性能模型（这只是当时的排名，现在已经变了。网址，The Stanford Question Answering Dataset）。因为该网站只提供测试，所以只显示的了Test的指标；表2中间部分是已发布的性能较好的模型；表2最下边为本文模型。

注意：①Single是单个模型。Ensemble是集成模型，使用预训练期间的多个checkpoints（checkpoint是在每次训练期间保存模型参数（权重），每隔一定时间，就会保存当前模型的参数，以便在需要时从相应位置重新训练）和微调种子，这里使用多个模型（checkpoints）的作用（我的理解）是多个模型的侧重点不同，将多个模型的长处融合起来，比如考数学，A同学擅长做代数题，B同学擅长做集合题，将两个同学结合起来，那代数和集合都能做的很好。
②表2最后两行出现了TriviaQA，意思是模型先在TriviaQA上微调，然后在SQuAD上微调（这样做的目的应该是使模型泛化更好）。

效果：①本文模型BERT-LARGE（Ens.+TriviaQA）比nlnet高1.5F1（93.2，91.7）。
②BERT-LARGE（Sgl.+TriviaQA）比QANet高1.3F1（91.8，90.5）。
③没有TriviaQA微调数据，本文模型在F1上只损失了0.1-0.4，仍然远远超过所有现有系统。

3.3 SQuAD 2.0

SQuAD 2.0在SQuAD 1.1基础上，增加了没有答案的问题，SQuAD 2.0 阅读理解任务的模型不仅要能够在问题可回答时给出答案，还要判断哪些问题是阅读文本中没有材料支持的，并拒绝回答这些问题。

判断无答案的问题：

$s_{null}=S*C+E*C$

判断非空答案字符串：

如下公式τ为阈值（选择dev集上最大化F1），计算如下公式，若（非空答案字符串得分）大于（无答案问题得分+阈值），则能在段落中找到问题答案，否则无法在段落中找到答案。

微调超参数：epoch：2，批量大小：48。学习率：5e-5。

表3：SQuAD2.0结果（BERT模型未使用TriviaQA数据）

表2最上边一部分显示了SQuAD排行榜最先进性能模型；中间为基准模型；最下边为本文模型；BERT-LARGE（Sgl）比F-Net高5.1F1（83.1，78.0）。

3.4 SWAG

The Situations With Adversarial Generations（SWAG）数据集包含113k个句子对示例，用于评估基于常识的推理。给定一个句子，任务是在四个句子选项中选择最符合给定句子下文的句子。

在对SWAG数据集进行微调时，作者构建了四个输入序列，每个序列包含给定句子（句子A）和可能的推理（句子B）的串联。引入一个向量与隐藏向量C的点积表示每个选择的分数，该分数用softmax层归一化。

微调超参数：批量大小：16。学习率：2e-5。

表4：SWAG开发和测试accurary，最下边使用100个样本测量人的表现。

Bertlagle比ESIM+ELMo高27.1%（86.3，59.2），比OpenAI GPT高8.3%（86.3，78.0）。

4 消融研究

4.1 预训练任务的效果

通过使用与BERTBASE完全相同的预训练数据、超参数来评估两个预训练目标（MLM、NSP），证明了BERT深度双向性的重要性：
①No NSP：使用MLM但没有NSP的双向模型。
②LTR&No NSP：使用从左到右（LTR）模型而不是MLM进行训练（如OpenAI GPT）。

效果：①通过比较BERTBASE与No NSP来评估NSP的影响（第一行和第二行）。删除NSP会显著影响QNLI、MNLI和SQuAD 1.1的性能。
②通过比较“No NSP”和“LTR&No NSP”来评估训练双向表示的影响（第二行和第三行），LTR模型在所有任务上的表现都比MLM模型差，MRPC和SQuAD的表现大幅下降。
③对于SQuAD，LTR模型在词级任务方面表现不佳，因为token级隐藏状态没有右侧上下文。为了尝试加强LTR系统，在顶部添加了一个随机初始化的BiLSTM。这确实显著改善了SQuAD的结果，但结果仍远不如预训练的双向模型。

4.2 模型尺寸的影响

训练了具有不同层数、隐藏单元和注意力头的BERT模型探讨模型大小对微调任务精度的影响。

表6：BERT模型尺寸的消融#L=层数#H=隐藏大小#A=注意力头的数量。

效果：模型越大在四个数据集的准确度就越高。

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/Monodyee/article/detail/377691