BERT：深度双向预训练语言模型

作者: 酷酷的群 | 来源:发表于2021-01-10 12:41 被阅读0次

论文标题：BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding
论文链接：https://arxiv.org/abs/1810.04805

一、概述

简介

BERT（Bidirectional Encoder Representations from Transformers）通过预训练来学习无标注数据中的深度双向表示，预训练结束后通过添加一个额外的输出层进行微调，最终在多个NLP任务上实现了SOTA。

预训练语言模型在实践中证明对提高很多自然语言处理任务有效，其中包括句子层级的任务，比如自然语言推断（natural language inference）和复述（paraphrasing），还有token层级的任务，比如命名实体识别（named entity recognition）和问答（question answering）。

预训练模型使用方法

在下游任务中应用预训练语言模型表示的方法有两种：feature-based的方法和fine-tuning的方法。举例来说，ELMo这种预训练语言模型使用feature-based的方法，通过将ELMo的预训练的表示作为额外的特征输入到特定于任务的模型中去；GPT使用fine-tuning的方法，通过引入少量的特定于任务的参数，在下游任务中训练时所有的预训练参数。

语言模型的单向与双向

截止BERT之前的预训练语言模型都是单向的（unidirectional），包括GPT和ELMo，这样的方法对句子层级的任务不是最优的，而且对于token层级的任务比如问答非常有害。BERT使用masked language model（MLM）的方法来预训练，这种方法能够训练一个双向的（directional）语言模型。除了masked language model的预训练的方法，BERT还使用了next sentence prediction的预训练方法。

BERT的贡献

BERT证明了双向预训练的重要性；
BERT减少了对精心设计的特定于下游任务中的架构的依赖；
BERT在11个下游任务上达到了SOTA。

二、BERT

BERT的使用分为两个阶段：预训练（pre-training）和微调（fine-tuning）。预训练阶段模型通过两种不同的预训练任务来训练无标注数据。微调阶段模型使用预训练参数初始化，然后使用下游任务（downstream task）的标注数据来微调参数。

BERT的一个显著特点是它在不同的任务上有统一的架构，使用时只需要在BERT后面接上下游任务的结构即可使用。

模型架构

BERT的模型架构是一个多层双向的Transformer的encoder。我们标记模型的层数（每一层是一个Tranformer的block）为 $L$ ，模型的hidden size为 $H$ ，self-attention head的数量为 $A$ 。两个比较通用的BERT架构为 $BERT_{BASE}(L=12,H=768,A=12,Total\; Parameters=110M)$ 和 $BERT_{LARGE}(L=24,H=1024,A=16,Total\; Parameters=340M)$ 。

对比GPT，BERT使用了双向self-attention架构，而GPT使用的是受限的self-attention，即限制每个token只能attend到其左边的token。

BERT输入和输出的表示

BERT的输入表示能够是一个句子或者是一个句子对，这是为了让BERT能够应对各种不同的下游任务。BERT的输入是一个序列，该序列包含一个句子的token或者两个句子结合在一起的token。

具体地，我们会将输入的自然语言句子通过WordPiece embeddings来转化为token序列。这个token序列的开头要加上[CLS]这个特殊的token，最终输出的[CLS]这个token的embedding可以看做句子的embedding，可以使用这个embedding来做分类任务。

由于句子对被pack到了一起，因此我们需要在token序列中区分它们，具体需要两种方式：
①在token序列中两个句子的token之间添加[SEP]这样一个特殊的token；
②我们为每个token添加一个用来学习的embedding来区分token属于句子A还是句子B，这个embedding叫做segment embedding。

具体地，BERT的输入由三部分相加组成：token embeddings、segment embeddings和position embeddings。如下图所示：

BERT input

BERT的预训练

BERT使用两个无监督的任务进行预训练，分别是Masked LM和Next Sentence Prediction(NSP)。如下图所示，我们定义输入的embedding为 $E$ ，BERT最终输出的[CLS]的embedding为 $C\in \mathbb{R}^{H}$ ，最终输出的第 $i^{th}$ 个token的embedding为 $T_{i}\in \mathbb{R}^{H}$ 。

pre-training

Task 1: Masked LM

我们有理由相信一个深度双向模型比left-to-right模型和left-to-right和right-to-left简单连接的模型的效果更加强大。不幸的是，标准的条件语言模型只能够够left-to-right或者right-to-left地训练，这是因为双向条件会使每个token能够间接地“看到自己”，并且模型能够在多层上下文中简单地预测目标词。

为了能够双向地训练语言模型，BERT的做法是简单地随机mask掉一定比例的输入token（这些token被替换成[MASK]这个特殊token），然后预测这些被遮盖掉的token，这种方法就是Masked LM(MLM)，相当于完形填空任务（cloze task）。被mask掉的词将会被输入到一个softmax分类器中，分类器输出的维度对应词典的大小。在预训练时通常为每个序列mask掉15%的token。与降噪自编码器（denoising auto-encoders）相比，我们只预测被mask掉的token，并不重建整个输入。

这种方法允许我们预训练一个双向的语言模型，但是有一个缺点就是造成了预训练和微调之间的mismatch，这是因为[MASK]这个token不会在微调时出现。为了缓解这一点，我们采取以下做法：在生成训练数据时我们随机选择15%的token进行替换，被选中的token有80%的几率被替换成[MASK]，10%的几率被替换成另一个随机的token，10%的几率该token不被改变。然后 $T_i$ 将使用交叉熵损失来预测原来的token。

Task 2: Next Sentence Prediction (NSP)

一些重要的NLP任务如Question Answering (QA)或者Natural Language Inference (NLI)需要理解句子之间的关系，而这种关系通常不会被语言模型直接捕捉到。为了使得模型能够理解句子之间的关系，我们训练了一个二值的Next Sentence Prediction任务，其训练数据可以从任何单语语料库中生成。具体的做法是：当选择句子A和句子B作为训练数据时，句子B有50%的几率的确是句子A的下一句（标签是IsNext），50%的几率是从语料库中随机选择的句子（标签是NotNext）。[CLS]对应的最后一个隐层输出向量被用来训练NSP任务，这个embedding就相当于sentence embedding。虽然这个预训练任务很简单，但是事实上在微调时其在QA和NLI任务上表现出了很好的效果。在前人的工作中，只有sentence embedding被迁移到下游任务中，而BERT会迁移所有的参数来初始化下游任务模型。

BERT的微调

Transformer的self-attention机制允许BERT建模多种下游任务。对于包含句子对的任务，通常的做法是先独立地对句子对中的句子进行编码，然后再应用双向交叉注意（bidirectional cross attention）。而BERT使用self-attention机制统一了这两个过程，这是因为对拼接起来的句子对进行self-attention有效地包含了两个句子之间的双向交叉注意（bidirectional cross attention）。

对于每个任务来说，我们只需要将任务特定的输入输出插入到BERT中然后端到端地微调即可。举例子来说，BERT的预训练输入句子A和句子B在微调时可以类比为：
①paraphrasing任务中的句子对；
②entailment任务中的hypothesis-premise对；
③question answering任务中的question-passage对；
④text classification或者sequence tagging任务中的text-∅对（也就是只输入一个text，不必一定需要两个句子）。

对于BERT的输出，对于一些token-level的任务，BERT的token表示将被输入到一个输出层，比如sequence tagging或者question answering任务；对于entailment或者sentiment analysis这样的任务，可以将[CLS]对应的表示输入到一个输出层。

三、实验

GLUE

我们使用[CLS]这个token的最后一层的隐层向量 $C\in \mathbb{R}^{H}$ 作为聚合的表示，可以认为是sentence embedding。在微调时只引入一个新的权重 $W\in R^{K\times H}$ ，这里的 $K$ 代表标签的数量，然后计算标准分类损失 $log(softmax(CW^{T}))$ 。下图展示了BERT在GLUE上的效果：

GLUE

SQuAD v1.1

在这个数据集上，我们将question和passage拼接起来作为一个输入序列（中间是[SEP]）。在微调时引入一个start向量 $S\in \mathbb{R}^{H}$ 和一个end向量 $E\in \mathbb{R}^{H}$ ，计算 $T_i$ 和 $S$ 的点积然后通过 $softmax$ 函数作为word $i$ 是答案的span起始位置的概率： $P_{i}=\frac{e^{S\cdot T_{i}}}{\sum _{j}e^{S\cdot T_{j}}}$ 。答案的终止位置也做上述类似处理。从 $i$ 到 $j$ 的候选区间的得分记作 $S\cdot T_{i}+E\cdot T_{j}$ ，我们挑选 $j>i$ 的最大得分区间作为预测的结果。下图展示了BERT在SQuAD v1.1上的效果：

SQuAD v1.1

SQuAD v2.0

SQuAD v2.0有的question在提供的passage中没有答案存在。在微调时我们设置没有答案的问题的span的起始和结束位置都是[CLS]这个token，也就是start和end的可能性空间包含进了[CLS]的位置。在预测时，我们比较没有答案的span得分 $s_{null}=S\cdot C+E\cdot C$ 和最优的有答案得分 $\hat{s}_{i,j}=max_{j\geq i}S\cdot T_{i}+E\cdot T_{j}$ 。当 $\hat{s}_{i,j}>s_{null}+\tau$ 时，我们预测这是一个有答案的问题，这里的 $\tau$ 用来在dev set上选择最优的 $F1$ 。下图展示了BERT在SQuAD v2.0上的效果：