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
- Deep contextualized word representations (ELMo)
- OpenAI GPT

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。

image.png

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

image.png

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：

$p(S)=p\left(w_{1}, w_{2}, w_{3}, \dots, w_{m}\right)$
前向RNN构成的语言模型计算的是：
$p\left(w_{1}, w_{2}, w_{3}, \dots, w_{m}\right)=\prod_{i=1}^{m} p\left(w_{i} | w_{1}, w_{2}, \ldots, w_{i-1}\right)$
而后向RNN构成的语言模型计算的是：
$p\left(w_{1}, w_{2}, w_{3}, \ldots, w_{m}\right)=\prod_{i=1}^{m} p\left(w_{i} | w_{i+1}, w_{i+2}, \ldots, w_{m}\right)$
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

image.png

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

image.png

BERT笔记

BERT笔记

Background

BERT

Model Architecture

Input Representation

Pre-training Tasks

Task #1: Masked LM

Task #2: Next Sentence Prediction

fine-tuning

推荐阅读更多精彩内容