中文最佳，哈工大訊飛聯合釋出全詞覆蓋中文BERT預訓練模型

機器之心發表於2019-06-21
模型

昨日，機器之心報導了 CMU 全新模型 XLNet 在 20 項任務上碾壓 BERT 的研究，引起了極大的關注。而在中文領域，哈工大訊飛聯合實驗室也於昨日釋出了基於全詞覆蓋的中文 BERT 預訓練模型，在多箇中文資料集上取得了當前中文預訓練模型的最佳水平，效果甚至超過了原版 BERT、ERINE 等中文預訓練模型。

基於 Transformers 的雙向編碼表示（BERT）在多個自然語言處理任務中取得了廣泛的效能提升。在預訓練語言模型時，需要對語料進行 mask 操作，使模型在看不見 token 的情況下對 mask 的詞語進行預測。

然而，基於單個 token 的 mask 方法訓練中文語料，可能忽略了中文分詞的作用。因此，如果能夠 mask 詞語中每一個組成的 token，可以更好的捕捉詞與詞的邊界關係。

為了利用這種思想提升預訓練模型在中文的表現，百度釋出了知識增強的表示模型 ERNIE，在中文資料集的表現中超過了 BERT。近期，谷歌釋出了基於全詞覆蓋（Whold Word Masking）的 BERT 預訓練模型，則進一步提升了 BERT 模型的效能水平。

然而，由於全詞覆蓋的 BERT 模型的研究測試集中於國外公開資料集，缺乏一種中文語言的相關模型。昨天，哈工大訊飛聯合實驗室釋出了全詞覆蓋的中文 BERT 預訓練模型。模型在多箇中文資料集上取得了當前中文預訓練模型的最佳水平，效果甚至超過了原版 BERT、ERINE 等中文預訓練模型。

  • 論文地址：https://arxiv.org/abs/1906.08101
  • 開源模型地址：https://github.com/ymcui/Chinese-BERT-wwm
  • 哈工大訊飛聯合實驗室的專案介紹：https://mp.weixin.qq.com/s/EE6dEhvpKxqnVW_bBAKrnA

中文最佳，哈工大訊飛聯合釋出全詞覆蓋中文BERT預訓練模型

引言

基於 Transformer 的雙向編碼表示（Bidirectional Encoder Representations from Transformers）已經在多個自然語言處理資料集，如 SQuAD、CoQA、QuAC 等上取得了當前的最佳水平。而在這之後，谷歌釋出了全詞覆蓋的預訓練 BERT 模型。在全詞 Mask 中，如果一個完整的詞的部分 WordPiece 被 [MASK] 替換，則同屬該詞的其他部分也會被 [MASK] 替換。和原有的 BERT 模型相比，全詞模型主要更改了原預訓練階段的訓練樣本生成策略。

由於谷歌官方釋出的 BERT-base（Chinese）中，中文是以字為粒度進行切分，沒有考慮中文需要分詞的特點。應用全詞 mask，而非字粒度的中文 BERT 模型可能有更好的表現，因此研究人員將全詞 mask 方法應用在了中文中——對組成同一個詞的漢字全部進行 [MASK]。模型使用了中文維基百科（包括簡體和繁體）進行訓練，並且使用了哈工大語言技術平臺 LTP（http://ltp.ai）作為分詞工具。和原版 BERT 中文模型，以及百度開源中文預訓練模型 ERNIE 相比，全詞覆蓋的中文 BERT 預訓練模型 BERT-wwm 在多箇中文任務中取得了較好的表現。

全詞 Mask 方法

Whole Word Masking (wwm) 是谷歌在 2019 年 5 月 31 日釋出的一項 BERT 的升級版本，主要更改了原預訓練階段的訓練樣本生成策略。在過去的 BERT 預訓練中，mask 方式為按照字粒度進行 mask，而全詞模型則有所不同。

中文最佳，哈工大訊飛聯合釋出全詞覆蓋中文BERT預訓練模型

圖 1：全詞 mask 的方式。


如圖 1 所示，全詞 mask 需要首先對中文語料進行分詞，然後對同屬於一個詞的每個 token 進行 mask 操作。這樣一來，預訓練模型並非預測被 mask 的單個 token，而是預測同一個詞中的每一個被 mask 的 token。

資料集

論文采用了維基百科作為語料進行預訓練，並同時使用了簡體和繁體中文。清洗資料後，採用了 1360 萬條資料作為輸入。研究人員分別設定了兩組預訓練樣本，一組設定的最長樣本長度為 128，另一組為 512。除了使用全詞 mask 方式以外，其他的資料清洗方式和原版 BERT 相同。

訓練

研究人員認為，全詞覆蓋的 BERT 模型是原有 BERT 模型的改進版本，可以使 BERT 模型學習詞的邊界。因此，他們沒有從零開始訓練，而是在官方 BERT 中文模型（BERT-base Chinese）上訓練。模型首先在最長樣本長度為 128，批大小為 2560，使用 1e-4 的學習率，初始預熱為 10% 的條件下訓練了 100k 輪，然後在序列長度為 512，批大小為 384 的樣本上進行了同樣輪次的訓練。訓練使用了 LAMB 目標函式，而非 AdamWeightDecayOptimizer。訓練使用的是 Google Cloud TPU v3，有 128G HBM。

實驗結果對比

論文對比了原版的 BERT 模型，百度的 ERNIE 模型，以及本次論文的模型 BERT-wwm 在不同任務和資料集上的表現。論文在以下幾個任務中使用中文資料集進行了測試。對於同一模型，研究人員執行模型 10 遍（不同隨機種子），彙報模型效能的最大值和平均值。

  • 篇章抽取型機器閱讀理解
  • 命名實體識別
  • 文字分類

篇章抽取型機器閱讀理解

1. CMRC 2018

CMRC 2018 資料集是哈工大訊飛聯合實驗室釋出的中文機器閱讀理解資料。根據給定問題，系統需要從篇章中抽取出片段作為答案，形式與 SQuAD 相同。

中文最佳，哈工大訊飛聯合釋出全詞覆蓋中文BERT預訓練模型

表 3：三個模型在 CMRC 2018 資料集上的表現。最好的學習率分別為：BERT (3e-5)、 BERT-wwm (3e-5)、ERNIE (8e-5)。


2. DRCD

DRCD 資料集由台灣台達研究院釋出，其形式與 SQuAD 相同，是基於繁體中文的抽取式閱讀理解資料集。

中文最佳，哈工大訊飛聯合釋出全詞覆蓋中文BERT預訓練模型

表 4：各個模型的表現。最好的模型學習率分別為：BERT (3e-5)、 BERT-wwm (3e-5)、ERNIE (8e-5)。


命名實體識別

中文命名實體識別（NER）任務中，論文采用了經典的人民日報資料以及微軟亞洲研究院釋出的 NER 資料。

中文最佳，哈工大訊飛聯合釋出全詞覆蓋中文BERT預訓練模型

表 6：在人民日報資料集（People Daily）和微軟研究院 NER 資料集（NSRA-NER）上的表現。人民日報資料集上最好的模型學習率是：BERT (3e-5)、 BERT-wwm (3e-5)、 ERNIE (5e-5)。在微軟亞洲研究院資料集上最好的模型學習率是：BERT (3e-5)、 BERT-wwm (4e-5)、 ERNIE (5e-5)。


文字分類

由清華大學自然語言處理實驗室釋出的新聞資料集，需要將新聞分成 10 個類別中的一個。

中文最佳，哈工大訊飛聯合釋出全詞覆蓋中文BERT預訓練模型

表 10：模型在清華新聞資料集的表現。最好的模型學習率分別是：BERT (2e-5）、BERT-wwm (2e-5)、 ERNIE (5e-5)。


更多模型在不同自然語言處理任務上的表現對比，可以參考原文論文。

模型使用

為了方便使用，論文作者們已經將 BERT-wwm 開源。論文說，模型的使用非常簡單，只需要把官方提供的模型替換成新的模型即可，不需要改動其他程式碼。

下載

專案現已有 TensorFlow 和 PyTorch 兩個版本。

1. TensorFlow 版本（1.12、1.13、1.14 測試透過）

  • Google：https://storage.googleapis.com/hfl-rc/chinese-bert/chinese_wwm_L-12_H-768_A-12.zip
  • 訊飛雲：https://pan.iflytek.com/link/4B172939D5748FB1A3881772BC97A898，密碼：mva8

2. PyTorch 版本（請使用 PyTorch-BERT > 0.6，其他版本請自行轉換）

  • Google：https://storage.googleapis.com/hfl-rc/chinese-bert/chinese_wwm_pytorch.zip
  • 訊飛雲：https://pan.iflytek.com/link/F23B12B39A3077CF1ED7A08DDAD081E3 密碼：m1CE

3. 原版中文 BERT 模型

  • BERT-base, Chinese (Whole Word Masking) : 12-layer, 768-hidden, 12-heads, 110M parameters，地址：https://storage.googleapis.com/hfl-rc/chinese-bert/chinese_wwm_L-12_H-768_A-12.zip

4. 原版英文 BERT 模型

  • BERT-Large, Uncased (Whole Word Masking): 24-layer, 1024-hidden, 16-heads, 340M parameters，地址：https://storage.googleapis.com/bert_models/2019_05_30/wwm_uncased_L-24_H-1024_A-16.zip
  • BERT-Large, Cased (Whole Word Masking): 24-layer, 1024-hidden, 16-heads, 340M parameters，地址：https://storage.googleapis.com/bert_models/2019_05_30/wwm_cased_L-24_H-1024_A-16.zip

以 TensorFlow 版本為例，下載完畢後對 zip 檔案進行解壓得到：

中文最佳，哈工大訊飛聯合釋出全詞覆蓋中文BERT預訓練模型

其中 bert_config.json 和 vocab.txt 與谷歌原版**BERT-base, Chinese**完全一致。

使用建議

論文作者提供了一系列建議，在此供讀者參考。

  • 初始學習率是非常重要的一個引數（不論是 BERT 還是其他模型），需要根據目標任務進行調整。
  • ERNIE 的最佳學習率和 BERT/BERT-wwm 相差較大，所以使用 ERNIE 時請務必調整學習率（基於以上實驗結果，ERNIE 需要的初始學習率較高）。
  • 由於 BERT/BERT-wwm 使用了維基百科資料進行訓練，故它們對正式文字建模較好；而 ERNIE 使用了額外的百度百科、貼吧、知道等網路資料，它對非正式文字（例如微博等）建模有優勢。
  • 在長文字建模任務上，例如閱讀理解、文件分類，BERT 和 BERT-wwm 的效果較好。
  • 如果目標任務的資料和預訓練模型的領域相差較大，請在自己的資料集上進一步做預訓練。
  • 如果要處理繁體中文資料，請使用 BERT 或者 BERT-wwm。因為 ERNIE 的詞表中幾乎沒有繁體中文。

相關文章