BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding
摘要：
提出了一个新的语言表示模型(language representation), BERT: Bidirectional Encoder Representations from Transformers。不同于以往提出的语言表示模型，它在每一层的每个位置都能利用其左右两侧的信息用于学习，因此，它具有强大的表示能力，所以，BERT在预训练之后，只需要加一个简单的输出层，并在新结构上fine-tuned 就能获得 SOTA的结果。
引言
语言模型预训练在自然语言处理任务中占据着越来越重要的位置。当前有两种方法将预训练的特征表示用于具体的任务，分别是：
- feature based。 如 ELMo针对不同的任务使用不同的网络结构，并将预训练的特征表示作为额外的特征输入到具体的网络中。
- fine-tuning。如GPT，对不同的任务只引入很少的额外参数，在应用到下游任务时直接在pre-train的网络上fine-tune。
它们的目标函数都是单向的语言模型。从左到右的单向语言模型的表达能力有限，因为在attention layer中，每个单词只能获取到其左边的信息，而在SQuAD 这样的token-level的任务中，获取左右两边的信息是至关重要的。BERT提出了两个新的预训练的目标函数：
- Masked Language Model
- Next Sentence Prediction
其中MLM的目标函数允许BERT采用双向的attention（一般的LM建模只能是单向的，因为如果采用双向attention，那么对于指定token，其在网络下一层的输入信息会包含当前token的相关信息，因为信息是双向流动的，每个token位置都能获取整个句子的信息，由于LM的任务是给定一个序列，预测序列的下一个token，所以LM不能获取token后面的信息，BERT采用的是双向的attention，相当于Transformer中的encoder部分）。MLM能使用双向的attention是因为其随机屏蔽一段句子中的一部分单词，然后MLM的任务就是预测这些被屏蔽的单词，所以即便信息是双向流动，也不导致信息泄露。
BERT
模型结构
BERT的每一层都是transformer中的双向encoder结构，假设 层数为L，hidden size 为H，self-attention head的个数为A, 设feedforward部分的hidden size为 4H。
BERT base: L=12,H=768，A=12， total parameter：110M
BERT large:L=24, H=1024,A=16, total parameter:340M
BERT 与 GPT和ELMo的结构对比如上图。
bert是language understanding model，因为他的信息是双向流动的，不好做generation的任务，双向的 transformer 也被称为 transformer ecoder。
gpt是language generation model,他基于单向的lm，所以可以做序列生成的任务，也被称为 transformer decoder, 但其实称为transformer decoder并不准确，因为transformer decoder除了 self-attention 之外还有来自encoder的cross-attention，但gpt并没有cross-attention。
输入表示
输入可以分为三部分,分别是token的表示,segment的表示(用于区分句子A和句子B，比如QA等问题需要涉及sentence-level的学习),和positional encoding.
预训练任务
Masked LM
随机屏蔽掉一部分token, MLM的任务是根据未屏蔽的token预测被屏蔽的token. 每个句子屏蔽15%的单词，用[MASK] 替代，但是这种做法会导致 预训练过程和fine-tining阶段不匹配，因为fine-tuning阶段没有[MASK]这个token。所以，并不总是将masked单词替换成[MASK]，具体做法如下：
a. 对于被15%被替换的单词，80%的时间都是用[MASK]替换
b. 10%的时间随机选择一个单词替代
c. 10%的时间保持不变
transformer encoder不知道它要预测的是哪个单词，也不知道哪个单词是被随机替换的，所以，对于每个单词，它都需要学习到上下文的表示分布情况（这个比较玄学）。而且只有1.5%的单词被随机替换了，这并不不会干扰模型的学习。
MLM的另一个缺点是在每个batch中只会预测15%的token，相比于预测全部的token，它需要更多的迭代次数以收敛。
- Next Sentence Prediction
很多nlp任务比如 Question Answering(QA), Natural Language Inference(NLI) 都需要理解句子间的关系，而在 语言建模中这种关系并不会直接体现。bert在预训练中加入了一个二分类任务：判断一个句子是不是另一个句子的下一句。
实验
GLUE dataset
这是一个用于language understanding模型的数据集合，其中有single-sentence 的任务也有 sentence-pair的任务，如上图(a)所示，两个句子拼接在一起，通过segment embedding区分句子A和句子B，取第一个token [CLS]在最后一层对应的hidden state作为整个sequence 的represention C，然后将C与待fine-tunning的参数W相乘之后取softmax就是分类的各类概率。
SQuAD v1.1
问答数据集。如上图(c)所示， 问答的输入一个问题以及一段话，需要在这一段话中找到问题的答案，具体到这里的任务其实是定位答案在这一段话中的位置，所以需要找到 start position和 end position。在fine-tunning阶段需要学习一个 start vector \(S\in R^{H}\)和一个end vector \(E\in R^{H}\)，对于每个token，其最后一层的hidden state表示为 \(T_i\in R^{H}\)，那么每个token为 start token 的概率为:
