2020/08/31 15:26

Xinsong Zhang、李航作者杜伟小舟编辑

李航等提出多粒度AMBERT模型，CLUE、GLUE上优于BERT，中文提升显著

自谷歌 BERT 模型问世以来，各式各样的 BERT 变体模型在自然语言理解任务上大显身手。近日，字节跳动 AI 实验室李航等研究者提出了一种新型多粒度 BERT 模型，该模型在 CLUE 和 GLUE 任务上的性能超过了谷歌 BERT、Albert、XLNet 等。

BERT 等预训练语言模型在自然语言理解（Natural Language Understanding, NLU）的许多任务中均表现出了卓越的性能。

可以看到，模型中的 token 通常是细粒度的，对于像英语这样的语言，token 是单词或子词；对于像中文这样的语言，则是单个汉字。例如在英语中有多个单词表达式构成的自然词汇单元，因此使用粗粒度标记化（tokenization）似乎也是合理的。实际上，细粒度和粗粒度标记化对于学习预训练语言模型都各有利弊。

近日，字节跳动 Xinsong Zhang、李航两位研究者在细粒度和粗粒度标记化的基础上，提出了一种新的预训练语言模型，他们称之为 AMBERT（一种多粒度 BERT）。在构成上，AMBERT 具有两个编码器。

对于英文，AMBERT 将单词序列（细粒度标记）和短语序列（粗粒度标记）作为标记化后的输入，其中使用一个编码器处理单词序列，另一个编码器处理短语序列，并利用两个编码器之间的共享参数，最终分别创建单词和短语的上下文表示序列。

论文链接：https://arxiv.org/pdf/2008.11869.pdf

研究团队已经在一些中文和英文的基准数据集（包括 CLUE、GLUE、SQuAD 和 RACE）上进行了实验。实验结果表明，AMBERT 的性能几乎在所有情况下都优于现有的最佳性能模型。尤其是对于中文而言，AMBERT 的提升效果显著。

我们首先看一下中英文任务中细、粗粒度模型层的注意力图。

下图 1 显示了适用于中英文句子的细粒度模型的首层注意力图。可以看到，某些 token 不恰当地出现在句子的其他 token 上。

例如在英文句子中，「drawing」、「new」和「dog」分别对「portrait」、「york」和「food」这几个词有高注意力权重，但这是不合适的。而在中文句子中，汉字「拍」、「北」和「长」分别对「卖」「京」「市」有高注意力权重，这也是不合适的。

下图 2 显示了中英文相同句子粗粒度模型的首层注意力图。

在英文句子中，单词组成的短语包括「drawing room」、「york minister」和「dog food」，前两个句子中的注意力是恰当的，但最后一个句子则因为不正确的标记化而出现了不恰当的注意力。类似地，在中文句子中，高注意力权重的「球拍（bat）」和「京城（capital）」都是合理的，但「市长（mayor）」不合理。但请注意：错误的标记化是不可避免的。

接下来详细解读 AMBERT 模型的细节和实验结果。

AMBERT 模型

研究者在下图 3 中给出了 AMBERT 的整体框架。AMBERT 以文本作为输入，其中，文本要么是单个文档中的长序列，要么是两个不同文档中两个短序列的级联。接着在输入文本上进行标记化，以获得细、粗粒度的 token 序列。

AMBERT 模型整体框架

具体来说，AMBERT 具有两个编码器，分别用于处理细、粗粒度 token 序列。每个编码器具有与 BERT（Devlin 等人，2018）或 Transformer 编码器（Vaswani 等人，2017）完全相同的架构。

此外，两个编码器在每个对应层共享相同的参数，但两者的嵌入参数不同。细粒度编码器在对应层上从细粒度 token 序列中生成上下文表示，而粗粒度编码器在对应层上从粗粒度 token 序列中生成上下文表示。

最后，AMBERT 分别输出细、粗粒度 token 的上下文表示序列。

预训练

AMBERT 的预训练主要基于掩码语言建模（mask language modeling, MLM）进行，并从细、粗粒度两个层面展开。出于比较的目的，研究者在实验中只使用了预测下一个句子（next sentence prediction, NSP）。

预训练过程被定义为以下函数的优化：

微调

在分类任务上的 AMBERT 微调中，细、粗粒度编码器分别创建特定的 [CLS] 表示，并且这些表示都用于分类任务。微调过程被定义为以下函数的优化：

类似地，我们可以对跨度检测（span detection）任务上的 AMBERT 进行微调，其中细粒度 token 的表示与对应粗粒度 token 的表示实现了级联。

替代模型

研究者还提出了 AMBERT 的两种替代模型 AMBERT-Combo 和 AMBERT-Hybrid，它们也依赖于多粒度的标记化。研究者在实验部分也将三者进行了比较。

实验

在实验部分，研究者分别在中英文基准数据集上，将 AMBERT 与细、粗粒度 BERT 基线以及 AMBERT-Combo 和 AMBERT-Hybrid 替代模型进行了比较。

中文任务

下表 1 展示了分类任务的结果。可以看到，AMBERT 将 BERT 基线方法的平均得分提升了约 1.0%，并且其性能优于 AMBERT-Combo 和 AMBERT-Hybrid 替代模型。

下表 2 展示了机器阅读理解（Machine Reading Comprehensive, MRC）任务上的结果。可以看到，AMBERT 将 BERT 基线的平均得分提升了约 3.0%。

此外，研究者还在 CLUE 排行榜上将 AMBERT 与当前最优模型进行了比较，结果如下表所示：

英文任务

研究者在 GLUE 任务上将 AMBERT 与 BERT 模型以及 AMBERT-Combo、AMBERT-Hybrid 替代模型进行了比较。Google BERT 的结果出自原论文，Our BERT 的结果由研究者获得。

如下表 4 所示，AMBERT 在大多数任务上的性能优于其他模型，并且 AMBERT 等多粒度模型能够取得优于单粒度模型的结果。在多粒度模型中，AMBERT 在参数和计算量更少的情况下依然实现了最佳性能。

研究者在 SQuAD 任务上将 AMBERT 与其他 BERT 模型进行了比较。Google BERT 结果出自原论文或者由研究者使用官方代码运行获得。

如下表 5 所示，AMBERT 在 SQuAD 任务上显著优于 Google BERT。Our BERT (word)通常表现良好，Our BERT (phrase) 在跨度检测任务上表现糟糕。

此外，在 RACE 任务上，AMBERT 在所有开发集和测试集的基线中表现最好。

AMBERT 是最佳的多粒度模型。

最后，研究者在 GLUE 和 MRC 任务上将 AMBERT 与 SOTA 模型进行了比较，结果如下表 6 所示：

案例研究

研究者对 BERT 和 AMBERT 的结果进行了定性研究，结果如下表 7 所示，研究者给出了蕴含任务 QNLI 和 CMNLI 的一些随机示例。其中数值「0」表示有蕴含关系，数值「1」表示无蕴含关系。WORD/PHRASE 表示 Our BERT 的词或者短语。

理论BERT李航NLP