BERT是在OpenAI GPT基础上发展起来的,是一种动态词向量技术。与传统静态词向量不同,动态词向量可以根据具体的上下文信息,动态生成词向量。对于一词多义等现象较为友好。BERT的牛逼之处在于对于许多具体的下游任务,预训练的BERT表示可以通过仅仅一个额外的输出层的微调便可以取得state-of-the-art的结果,而不需要为特定的任务在结构上做很大的改动。
作者认为当前的技术手段严重的限制了预训练表示的力量,特别是fine-tuning。最主要的限制是标准的语言模型是单向的,这限制了可以被用来做预训练的结构的选择。比如,在OpenAI GPT中,作者使用了从左至右的结构,其中每一个字词在Transformer中的self-attention中只能关注前一个字词,这种约束对于句子级的任务是一种次优的解决方案。并且当把fine-tuning应用到诸如SQuAD这样的问答系统中会造成很严重的错误。因为双向的相关上下文对这种系统至关重要。
这篇文章的贡献主要在于以下几点:
- 阐述了语言表示双向与训练的重要性,BERT使用Masked LM (Language Model)来做深度双向表示预训练
- 展示了预训练表示(BERT)可以消除为任务设计的特定网络结构。BERT是第一个在大量句子级和字词级任务中都达到state-of-the-art结果的基于微调的表示模型,比很多任务特定结构的系统表现得更好
- BERT在11个自然语言处理任务上都得到state-of-the-art结果。并且阐述了BERT的扩展能力
Background
- Transformer
- 动态词向量
BERT
Model Architecture
BERT的模型结构是一个多层双向Transformer。与OpenAI GPT和ELMo的对比如下图所示,它与OpenAI GPT的区别就在于采用了Transformer Encoder,也就是每个时刻的Attention计算都能够得到全部时刻的输入,而OpenAI GPT采用了Transformer Decoder,每个时刻的Attention计算只能依赖于该时刻前的所有时刻的输入,因为OpenAI GPT是采用了单向语言模型。
Input Representation
BERT的输入为如图所示三个部分的求和:
- token embedding:文章采用的是WordPiece embedding。
- segment embedding:在做两个序列任务(比如Q&A)的时候对不同序列做标识
- position embedding:文章对512长度的序列都做了position embedding。由于预训练的时候,position embedding的长度已经固定死了,因此这样设定实际上阻碍了BERT的扩展性
为了一个输入能够针对两个任务,输入构造规则如下:
- 为了能够同时表示单句子和句子对,多句子(例如QA中的Q/A)需要进行拼接作为单个句子,用segment embedding和[SEG]来进行区分
- 句子第一个token总是有特殊含义,例如分类问题中是类别,如果不是分类问题那么就忽略
- 三个embedding进行sum得到输入的向量
Pre-training Tasks
Task #1: Masked LM
现有的语言模型的问题在于,没有同时利用到Bidirectional信息,现有的语言模型例如ELMo号称是双向LM(BiLM),但是实际上是两个单向RNN构成的语言模型的拼接。
因为语言模型本身的定义是计算句子的概率:
前向RNN构成的语言模型计算的是:
而后向RNN构成的语言模型计算的是:
也就是当前词的概率只依赖后面出现的词的概率。
那么如何才能同时利用好前面词和后面词的概率呢?BERT提出了Masked Language Model,也就是随机去掉句子中的部分token,然后模型来预测被去掉的token是什么。这样实际上已经不是传统的神经网络语言模型(类似于生成模型)了,而是单纯作为分类问题,根据这个时刻的hidden state来预测这个时刻的token应该是什么,而不是预测下一个时刻的词的概率分布了。
这里的操作是随机mask语料中15%的token,然后预测masked token,那么masked token 位置输出的final hidden vectors喂给softmax网络即可得到masked token的预测结果。
这样操作存在一个问题,fine-tuning的时候没有[MASK] token,因此存在pre-training和fine-tuning之间的mismatch,为了解决这个问题,采用了下面的策略:
- 80%的时间中:将选中的词用[MASK]token来代替,例如
my dog is hairy → my dog is [MASK]
- 10%的时间中:将选中的词用任意的词来进行代替,例如
my dog is hairy → my dog is apple
- 10%的时间中:选中的词不发生变化,例如
my dog is hairy → my dog is hairy
这样存在另一个问题在于在训练过程中只有15%的token被预测,正常的语言模型实际上是预测每个token的,因此Masked LM相比正常LM会收敛地慢一些,后面的实验也的确证实了这一点。
Task #2: Next Sentence Prediction
很多需要解决的NLP tasks依赖于句子间的关系,例如问答任务等,这个关系语言模型是获取不到的,因此将下一句话预测作为了第二个预训练任务。该任务的训练语料是两句话,来预测第二句话是否是第一句话的下一句话,如下所示
fine-tuning
这里fine-tuning之前对模型的修改非常简单,例如针对sequence-level classification problem(例如情感分析),取第一个token的输出表示,喂给一个softmax层得到分类结果输出;对于token-level classification(例如NER),取所有token的最后层transformer输出,喂给softmax层做分类。
总之不同类型的任务需要对模型做不同的修改,但是修改都是非常简单的,最多加一层神经网络即可。如下图所示