【论文精读】BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

【论文精读】BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

作者: Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova
发表会议: NAACL 2019
论文地址: arXiv:1810.04805

BERT是近年来NLP领域影响最大的模型。

在CV领域，很早的时候就可以实现迁移学习。在一个大的数据集上面，例如ImageNet上，预先训练好一个模型，对于一般的CV任务，在预训练模型的基础上稍微改一改，就可以得到很好的效果。

而在NLP领域，很长一段时间内，都需要研究者自己构造神经网络，从零开始训练。

BERT的出现，使得我们终于可以事先训练好一个模型，然后将这个模型应用在各种NLP任务上。既简化了模型训练，也提升了任务性能。

也是就说，BERT出现之后，NLP领域终于也可以用迁移学习了。

目录

1. Introduction

1.1 语言模型预训练方法

现有的语言模型预训练方法主要分为两类：

  1. 基于特征的方法(Feature-based)：
    • 代表模型：ELMo
    • 需要针对具体任务设计特定的神经网络架构
    • 预训练模型的输出仅作为任务模型的额外特征输入
    • 预训练参数在下游任务中保持固定不变
  2. 基于微调的方法(Fine-tuning)：
    • 代表模型：OpenAI GPT
    • 不需要针对具体任务设计特定架构
    • 在预训练模型的基础上添加简单的输出层
    • 在下游任务训练时微调全部参数

1.2 BERT的改进和优势

相比传统方法，BERT的改进和优势在于：

  1. 使用了双向注意力：

    • ELMo采用两个单向LSTM(前向和后向)，但仅仅将前向表示和后向表示进行简单拼接
    • GPT使用Transformer，但使用单向注意力
    • BERT使用双向Transformer，使用双向注意力机制。

  2. Bert是基于微调的方法，也是第一个超过特定任务架构表现的微调方法。

    "BERT is the first fine-tuning based representation model that achieves state-of-the-art performance on a large suite of sentence-level and token-level tasks, outper-forming many task-specific architectures."

  3. BERT在11个NLP任务中表现良好。

2. BERT

2.1 BERT训练的两个阶段

BERT的训练过程分为两个阶段：预训练（pre-training）和微调（fine-tuning）。

在预训练阶段：模型使用大量的无标注数据，在不同的预训练任务上进行训练。

在微调阶段，首先用预训练好的参数对 BERT 模型进行初始化，然后使用下游任务中的标注数据对BERT中的参数进行微调。

值得注意的是,尽管不同下游任务共享相同的预训练参数，但最终，每个任务都会得到一个独立的微调模型,以适应其特定的目标。

2.2 BERT基础架构

BERT有两个版本。\(BERT_{BASE}\)用来和GPT做比较，\(BERT_{LARGE}\)用来冲榜。

BERT的基础架构是双向Transformer Encoder：

  • \(BERT_{BASE}\): L=12, H=768, A=12, 参数量110M
  • \(BERT_{LARGE}\): L=24, H=1024, A=16, 参数量340M

其中:

  • L: Transformer层数
  • H: 隐藏层维度
  • A: 多头注意力头数

2.3 输入

BERT的输入很灵活，可以是单句输入，也可以同时输入一个句子对。

单句输入和句子对输入分别对应不同的预训练任务。

BERT的输入表示由三部分Embedding相加得到:

  1. Token Embeddings: WordPiece 分词后的词向量
  2. Segment Embeddings: 区分不同句子的Embedding
  3. Position Embeddings: 位置编码

image-20241103214817440

Token Embeddings：首先，使用WordPiece进行分词。然后，在输入的最前方加一个特殊标记[cls] 。此外，在句子和句子之间，用特殊标记[sep]分割。

Segment Embeddings：除了用[sep]分割句子之外，BERT还使用了Segment Embeddings来分割句子。例如，输入一个句子对：句子A和句子B。那么对于句子A的全部token，Segment Embedding取相同的值\(E_A\)；对句子B的所有token，Segment Embedding取另一个相同的值\(E_B\)。

Position Embeddings：和Transformer不同，Transformer采用的是位置编码，即人为的设定好了位置和编码之间的映射关系。而BERT使用Embedding，让模型自己学习位置和编码之间的映射关系。

2.4 预训练阶段

使用两个预训练任务，对BERT进行预训练

  • 任务1，Masked LM（MLM）：随机mask（遮盖）一定比例的tokens（输入词元），BERT需要预测这些被mask的token。

    具体来说，需要随机mask 15%的token；在这15%的token中

    • 80%替换为[MASK]标记
    • 10%随机替换为其他词
    • 10%保持不变

    目标是：预测这些被mask的原始token。

    【例】输入是：my dog is hairy，假设我们选中了第四个token进行mask，那么

    有80%的概率：将第四个token替换为[MASK]，例如， my dog is hairy \(\rightarrow\) my dog is [MASK]

    有10%的概率：将第四个token随机替换为其他词，例如， my dog is hairy \(\rightarrow\) my dog is apple

    有10%的概率：第四个token保持不变，例如，my dog is hairy \(\rightarrow\) my dog is hairy

  • 任务2，Next Sentence Prediction (NSP) ：给BERT输入一个句子对。其中，50%是真实的连续句子对(IsNext)，50%是随机组合的句子对(NotNext)。

    目标是：判断输入的句子对是否是连续的。

    【例】

    image-20241105123536153

  • 两个预训练任务，MLM和NSP的作用不同：其中MLM负责让BERT捕捉token和token之间的关系；NSP负责让BERT捕捉句子和句子间的关系

2.5 微调阶段

在微调阶段，只需要：

  1. 在预训练的BERT后加一个输出层。（例如，可以在BERT后面加一个线性层）
  2. 调整BERT的输入格式，把BERT的部分输出送入输出层
  3. 微调参数

[CLS] representation表示BERT输出中，对应[CLS]的那部分； token representation表示BERT完整的输出序列。

【例】

  1. 情感分析任务
  • 输入形式： text-∅ 对。text部分为待分析的目标句子，∅表示第二部分为空
  • 输出层： 将 [CLS] representation送入输出层。
  1. 问答任务
  • 输入形式: question-passage 对。question: 输入的问题文本，passage: 包含答案的上下文段落
  • 输出层: 将 token representation送入输出层。
  1. 序列标注任务
  • 输入形式: text-∅ 对。text: 需要进行标注的文本序列，∅表示第二部分为空
  • 输出层: 将 token representation送入输出层。

3. 实验

3.1 GLUE

GLUE：包括判断两句话是蕴含/矛盾/中性关系、判断两个问题是否语义等价、判断句子是否包含问题的答案、情感判断等9个子任务

微调阶段的模型架构：

flowchart TB A["BERT"]-->B["[CLS] representation"] B-->C[分类层] C-->output

性能：

  • \(BERT_{BASE}\)和\(BERT_{LARGE}\)在GLUE的所有任务上都显著优于之前的所有系统
  • 相比之前最好的结果,平均准确率分别提升了4.5%和7.0%
  • 在最大规模的MNLI任务上，获得了4.6%的绝对准确率提升
  • 在官方GLUE排行榜上,\(BERT_{LARGE}\)获得了80.5分,而OpenAI GPT为72.8分

3.2 SQuAD

SQuAD ：给定一个问题和一段文本，要求从文本中找出问题的答案。

微调阶段的模型架构：

flowchart TD A["输入: 问题和段落文本"] --> B["BERT模型处理"] B --> C["得到每个token的表示Ti"] C --> D["起始向量 S"] C --> E["结束向量 E"] D --> F["计算起始位置得分"] subgraph 得分计算 F --> G["Pi = exp(S·Ti) / Σj exp(S·Tj)"] end E --> H["计算结束位置得分"] subgraph 结束得分 H --> I["Pj = exp(E·Tj) / Σk exp(E·Tk)"] end G --> J["寻找最优得分片段"] I --> J J --> K["使得S·Ti + E·Tj最大,且j ≥ i"] K --> L["输出答案片段"]

性能：

  • SQuAD v1.1上F1分数达到93.2,超过之前最好成绩1.5个点
  • SQuAD v2.0上F1分数达到83.1,超过之前最好成绩5.1个点

3.3 SWAG

SWAG数据集：给定1句话，和4个可能的后续句子，要求从4个选项中选择最合理的那一个。

微调阶段的模型架构：

flowchart TD A["输入: 给定句子 + 4个候选延续句"] --> B["构建4个输入序列"] B --> C1["BERT #1"] B --> C2["BERT #2"] B --> C3["BERT #3"] B --> C4["BERT #4"] subgraph 每个候选项的处理 C1 --> D1["[CLS]表示"] C2 --> D2["[CLS]表示"] C3 --> D3["[CLS]表示"] C4 --> D4["[CLS]表示"] end D1 & D2 & D3 & D4 --> E["得分向量计算层"] E --> F["Softmax归一化"] F --> G["选择得分最高的候选项作为答案"] style C1 fill:#e0f7fa style C2 fill:#e0f7fa style C3 fill:#e0f7fa style C4 fill:#e0f7fa

性能：

  • \(BERT_{LARGE}\)比baseline提高27.1%，比OpenAI GPT提高8.3%

4. 消融实验

4.1 调整预训练任务

结论：MLM和NSP两个预训练任务缺一不可

使用与\(BERT_{BASE}\)相同的设置，评估了两种预训练目标：

  • No NSP：去掉"下一句预测"任务，只保留"掩码语言模型"(MLM)
  • LTR & No NSP：使用传统的从左到右语言模型，而不是MLM，同时也去掉NSP任务

实验结果显示：

  • No NSP vs. \(BERT_{BASE}\) ：移除NSP任务显著降低了QNLI、MNLI和SQuAD的性能
  • LTR & No NSP vs. No NSP：从双向MLM改为单向LTR，模型在所有任务上表现都变差，在MRPC和SQuAD上性能下降特别明显。
  • 即使在LTR模型上添加BiLSTM层也无法弥补性能差距

4.2 调整模型大小

对基于微调的模型（如BERT）来说，几乎不存在过拟合问题，更大即更好。

通过改变层数(L)、隐藏单元数(H)和注意力头数(A)来测试不同规模的模型：

  • 发现更大的模型在所有任务上都能带来持续的性能提升。即使在只有3600训练样本的MRPC任务上，大模型仍然更有效

  • 当基于微调的预训练语言模型（如BERT）得到充分预训练后，增大模型规模（如增加层数、扩大隐藏层维度）能够持续提升模型性能。即使在训练样本极其稀少的任务上，更大的预训练模型依然能带来更好的效果。

    PS：对基于特征的预训练方法（feature-based）来说，一味增大模型规模确实不会带来太多效果。但是对基于微调的预训练方法（fine-tuning）来说，模型越大，效果越好。

4.3 把BERT当作基于特征的方法（feature-based）使用

既可以把BERT看作是基于特征的预训练方法，也可以把BERT看作是基于微调的预训练方法

  • 两种方法都能取得很好的效果
  • 最佳的特征提取方法与微调方法的效果相差很小
  • BERT既可以用作特征提取器，也可以直接微调

5. 结论

  • BERT是一个深度双向的预训练模型。
  • 使用BERT，可以很好的处理很多NLP任务。
posted @ 2024-11-07 15:02  Brain404  阅读(145)  评论(0)  编辑  收藏  举报