自然语言处理---Transformer机制详解之BERT模型介绍

1 BERT简介

BERT是2018年10月由Google AI研究院提出的一种预训练模型.

• BERT的全称是Bidirectional Encoder Representation from Transformers.
• BERT在机器阅读理解顶级水平测试SQuAD1.1中表现出惊人的成绩：全部两个衡量指标上全面超越人类，并且在11种不同NLP测试中创出SOTA表现。包括将GLUE基准推高至80.4% (绝对改进7.6%)，MultiNLI准确度达到86.7% (绝对改进5.6%)，成为NLP发展史上的里程碑式的模型成就。

2 BERT的架构

总体架构： 如下图所示，最左边的就是BERT的架构图，可以很清楚的看到BERT采用了Transformer Encoder block进行连接，因为是一个典型的双向编码模型。

从上面的架构图中可以看到，宏观上BERT分三个主要模块：

• 最底层黄色标记的Embedding模块
• 中间层蓝色标记的Transformer模块
• 最上层绿色标记的预微调模块

2.1 Embedding模块

BERT中的该模块是由三种Embedding共同组成而成，如下图：

• Token Embeddings 是词嵌入张量，第一个单词是CLS标志，可以用于之后的分类任务

• Segment Embeddings 是句子分段嵌入张量，是为了服务后续的两个句子为输入的预训练任务

• Position Embeddings 是位置编码张量，此处注意和传统的Transformer不同，不是三角函数计算的固定位置编码，而是通过学习得出来的

• 整个Embedding模块的输出张量就是这3个张量的直接加和结果

2.2 双向Transformer模块

BERT中只使用了经典Transformer架构中的Encoder部分，完全舍弃了Decoder部分。而两大预训练任务也集中体现在训练Transformer模块中。

2.3 预微调模块

• 经过中间层Transformer的处理后，BERT的最后一层根据任务的不同需求而做不同的调整即可
• 比如对于sequence-level的分类任务，BERT直接取第一个[CLS] token 的final hidden state，再加一层全连接层后进行softmax来预测最终的标签
• 对于不同的任务，微调都集中在预微调模块，几种重要的NLP微调任务架构图展示如下

• 在面对特定任务时，只需要对预微调层进行微调，就可以利用Transformer强大的注意力机制来模拟很多下游任务，并得到SOTA的结果(句子对关系判断，单文本主题分类，问答任务(QA)，单句贴标签(NER))。
• 若干可选的超参数建议如下:
  • Batch size: 16, 32
  • Learning rate (Adam): 5e-5, 3e-5, 2e-5
  • Epochs: 3, 4

3 BERT的预训练任务

BERT包含两个预训练任务：

• 任务一：Masked LM (带mask的语言模型训练)
• 任务二：Next Sentence Prediction (下一句话预测任务)

3.1 任务一：Masked LM

带mask的语言模型训练

• 关于传统的语言模型训练，都是采用left-to-right，或者left-to-right + right-to-left结合的方式，但这种单向方式或者拼接的方式提取特征的能力有限。为此BERT提出一个深度双向表达模型(deep bidirectional representation)，即采用MASK任务来训练模型。
• 1: 在原始训练文本中，随机的抽取15%的token作为参与MASK任务的对象。
• 2: 在这些被选中的token中，数据生成器并不是把它们全部变成[MASK]，而是有下列3种情况。
  • 2.1: 在80%的概率下, 用[MASK]标记替换该token, 比如my dog is hairy -> my dog is [MASK]
  • 2.2: 在10%的概率下, 用一个随机的单词替换token, 比如my dog is hairy -> my dog is apple
  • 2.3: 在10%的概率下, 保持该token不变, 比如my dog is hairy -> my dog is hairy
• 3: 模型在训练的过程中, 并不知道它将要预测哪些单词? 哪些单词是原始的样子? 哪些单词被遮掩成了[MASK]? 哪些单词被替换成了其他单词? 正是在这样一种高度不确定的情况下, 反倒逼着模型快速学习该token的分布式上下文的语义, 尽最大努力学习原始语言说话的样子. 同时因为原始文本中只有15%的token参与了MASK操作, 并不会破坏原语言的表达能力和语言规则.

3.2 任务二: Next Sentence Prediction

下一句话预测任务

• 在NLP中有一类重要的问题比如QA(Quention-Answer)，NLI(Natural Language Inference)，需要模型能够很好的理解两个句子之间的关系，从而需要在模型的训练中引入对应的任务。在BERT中引入的就是Next Sentence Prediction任务。采用的方式是输入句子对(A, B)，模型来预测句子B是不是句子A的真实的下一句话。
• 1: 所有参与任务训练的语句都被选中作为句子A
  • 1.1: 其中50%的B是原始文本中真实跟随A的下一句话(标记为IsNext, 代表正样本)
  • 1.2: 其中50%的B是原始文本中随机抽取的一句话(标记为NotNext, 代表负样本)
• 2: 在任务二中, BERT模型可以在测试集上取得97%-98%的准确率.