酷应用

阅读理解得分超越人类：谷歌推出最强预训练语言理解模型BERT

百家作者：DeepTech深科技 2018-10-14 09:41:02

点击图片查看详情↑

近日，谷歌提出了一个新的预训练语言模型 BERT，该模型横扫 11 项不同的自然语言处理任务，并在 SQuAD v1.1 的阅读理解任务上超越人类两个百分点。

该模型究竟有哪些创新？有为什么会有如此突出的效果呢？这一切需要从语言模型讲起。

语言模型 (Language Model) 通过在大规模数据上完成特定的任务来建立，在自然语言处理领域拥有里程碑式的地位。在之前的工作中，其在训练过程中设定的任务一般是给定文本中已出现词语，预测下一个单词。这可以算是最简单的语言处理任务，但通过针对这一目标的训练，模型可以把握词语的含义等语言特性。

语言模型的建立是一种无监督学习，因此可以利用现实世界大规模无标注的语料数据。尽管其概念十分简单，但却与其后自然语言处理领域的许多重要进展息息相关，例如词向量、序列到序列的学习。

目前，语言模型在自然语言处理领域的重要应用方向是，通过迁移学习与特定的任务结合。即首先在大规模语料上预训练语言模型，再在其基础上根据具体任务进行进一步处理。结合方式主要有两种：第一种是 feature-based，也就是利用预训练的语言模型获得特征向量，将其用于具体任务。第二种则是 fine-tuning，在预训练的语言模型基础上稍作改变，根据具体任务引入新的结构和参数，再次进行训练。通过与预训练语言模型的结合，许多原有的模型在任务上的效果进一步提升。这其实很好理解——以阅读理解为例，人类在做一道阅读理解题目时，并不仅仅从这一篇文章，以及类似的阅读理解任务（训练集）中学习，而是会使用在此之前积累的各项知识。大规模语料预训练的语言模型正提供了这种知识的积累。

BERT 也是一个语言模型，其基本结构由多层的双向 Transformer 组成。Transformer 是谷歌 2017 年发表的的著名论文《Attention is all you need》中提出的架构，在机器翻译任务上取得了非常好的效果。Transformer 舍弃了以往该任务上常用的 CNN、RNN 等神经网络结构，利用自注意力机制将文本中的上下文内容联系起来，并行处理序列中的单词符号。这样的结构使训练速度显著提升，效果也更为优秀。目前这一结构已经被广泛应用。

图 | 预训练语言模型间的差异 BERT 的 Transformer 使用了双向的自注意力机制（self-attention），OpenAI GPT 使用的是由左到右的 Transformer。ELMo 则使用了两个不同方向的 LSTM，将其输出结果拼接在一起。（来源：arXiv）

BERT 中，每个 token 的输入向量由三部部分组成：token embeddings、segment embeddings、position embeddings，如下图所示。

图 | BERT 输入的表示（来源：arXiv）

其中，token embeddings（上图中黄色部分）表示 token 的含义；segment embeddings 表示 token 所属的部分（上图中绿色部分。每个词语属于 A 或 B）；position embeddings 表示 token 在序列中所处的位置（上图中灰白色部分）。[CLS] 标志序列的开始，在分类任务中具有重要的作用。[SEP] 出现在句子末尾，用来标注序列中不同的句子。

这样特别的输入与 BERT 的训练目标有关，与以往语言模型不同的训练目标也正是其强大性能的来源。BERT 设立了两个训练目标：MLM（Masked Language Model，马赛克语言模型）和预测下一个句子。

Task1——Masked Language Model

之前提出的语言模型在预测单词时大多是单向的，即依次通过左侧（右侧）出现的词语预测下一个词语。这样的逐个对词语进行预测无法双向进行，否则模型就可以“看到答案”。但我们知道，对语言的理解不应仅仅是单向的，一个词语的含义与其之前和之后出现的词语都紧密相关。为了达到双向理解的目的，BERT 随机为句子中的一些词语打上马赛克，用 [MASK] 进行替换，在训练的过程中对这些被遮盖的词语进行预测。在本论文中，研究人员随机遮盖了 15% 的词语。

不过，这样的做法又会带来一些问题，因为这些被遮盖的词语相当于从数据集中被抹去，再也不会出现了。为了解决这一问题，研究人员又对这些随机抽取的词语进行了三种不同的处理：

80% 的情况下用 [MASK] 替换：my dog is hairy——> my dog is [MASK]

10% 的情况下，使用其他词语随机替换：my dog is hairy——> my dog is apple

10% 的情况下保持不变：my dog is hairy——> my dog is hairy 这也可以保证模型预测的结果偏向正确结果。

Task2——Next Sentence Prediction

问答和自然语言推理任务都需要理解句子之间的关系，而这无法由语言模型直接建模。为此，研究人员引入了二值任务：预测下一个句子。

图 | Next Sentence Prediction（来源：arXiv）

每个输入序列中包含不同的句子 A 与 B。在 50% 的数据中，B 为 A 的下一个句子，另外 50% 的数据中句子 B 不是 A 的下一个句子，而是从文本中随机抽取的。训练的过程中，模型对标签进行预测，从而对句子之间的关系建模。训练后模型判断的准确性达到 97%-98%。

BERT 在 BooksCorpus 和英文维基百科组成的大规模语料上进行预训练。预训练后，模型通过 fine-tuning 的方式与具体任务结合，在 11 个自然语言处理任务上超越了之前的最佳结果。

图 | GLUE 测试结果，由 GLUE evaluation server 评测（来源：arXiv）

GLUE（General Language Understanding Evaluation）是一系列自然语言处理任务的集合。其中包含的数据集大多已经存在多年，而 GLUE 将其划分为训练集、测试集和验证集，并建立了测评服务以缓解测评机制不一致和测试集的过拟合问题。GLUE 不公布测试集答案，使用者需要提交自己的预测结果进行测评。如下图所示，BERT 在 GLUE 的各项任务上均取得了最佳结果。而图中显示的仅仅是 BERT 在单个任务上进行训练的结果。若模型进行多任务的联合训练，效果还会进一步提升。