BERT模型详解

1 简介

• BERT全称Bidirectional Enoceder Representations from Transformers，即双向的Transformers的Encoder。是谷歌于2018年10月提出的一个语言表示模型（language representation model）。

1.1 创新

• 预训练方法（pre-trained）：
  • 用Masked LM学习词语在上下文中的表示；
  • 用Next Sentence Prediction来学习句子级表示。

1.2 成功

• 强大，效果好。出来之时，在11种自然语言处理任务上霸榜。
• 

2 模型

2.1 基本思想

• Bert之前的几年，人们通过DNN对语言模型进行“预训练”，得到词向量，然后在一些下游NLP任务（问题回答，自然语言推断，情感分析等）上进行了微调，取得了很好的效果。

• 对于下游任务，通常并不是直接使用预训练的语言模型，而是使用语言模型的副产物--词向量。实际上，预训练语言模型通常是希望得到“每个单词的最佳上下文表示”。如果每个单词只能看到自己“左侧的上下文”，显然会缺少许多语境信息。因此需要训练从右到左的模型。这样，每个单词都有两个表示形式：从左到右和从右到左，然后就可以将它们串联在一起以完成下游任务了。

• 综上，从直觉上讲，如果可以训练一个高度双向的语言模型，那将非常棒。

2.2 建模目标

可以和同是双向的ELMo对比一下：

• ELMo:
• \(P(w_i|w_1, w_2, ..., w_{i-1})\) 和 \(P(w_i|w_{i+1}, w_{i+2},...,w_n)\)作为目标函数，独立训练处两个representation然后拼接。
• BERT的目标函数：
• \(P(w_i|w_1, ..., w_{i-1}, w_{i+1},...,w_n)\)以此训练LM。

2.3 词嵌入（Embedding）

-

• Bert的Embedding由三种Embedding求和而成。

2.3.1 Token Embeddings

• token embedding 层是要将各个词转换成固定维度的向量。在BERT中，每个词会被转换成768维的向量表示。
• 输入文本在送入token embeddings 层之前要先进行tokenization处理。 假设输入文本是：”my dog is cute he likes playing“， 会将两个特殊的token会插入到tokenization的结果的开头 ([CLS])和结尾 ([SEP]) 。这两个token为后面的分类任务和划分句子对服务的。
• tokenization使用的方法是WordPiece tokenization. 这是一个数据驱动式的tokenization方法，旨在权衡词典大小和oov词的个数。这种方法把例子中的“strawberries”切分成了“straw” 和“berries”（此处不详细展开）。使用WordPiece tokenization让BERT在处理英文文本的时候仅需要存储30,522 个词，而且很少遇到oov的词。
• 经过处理，上述句子被转换成”[CLS] my dog is cute [SEP] he likes play ##ing [SEP]“， 也就是11个token。这样，例子中的7个词的句子就转换成了11个token， 然后接着得到了一个(11, 768) 的矩阵或者是(1, 11, 768)的张量（如果考虑batch_size的话）。这就是Token Embeddings 层。

2.3.2 Segment Embeddings

• 用来区别两种句子，预训练除了LM，还需要做判断两个句子先后顺序的分类任务。
• 前一个句子的每个token都用0表示，后一个句子的每个token都用1表示。如”[CLS] my dog is cute [SEP] he likes play ##ing [SEP]“ 表示成”0 0 0 0 0 0 1 1 1 1 1“。 如果输入仅仅只有一个句子，那么它的segment embedding就是全0。 这也是一个(11, 768)维的向量。

2.3.3 Position Embeddings

• 这和Transformer的Position Embeddings不一样，在Transformer中使用的是公式法， 在bert中是通过训练得到的。加入position embeddings会让BERT理解”I think, therefore I am“中的第一个 “I” 和第二个 “I”应该有着不同的向量表示。
• BERT能够处理最长512个token的输入序列。论文作者通过让BERT在各个位置上学习一个向量表示来讲序列顺序的信息编码进来。这意味着Position Embeddings layer 实际上就是一个大小为 (512, 768) 的lookup表，表的第一行是代表第一个序列的第一个位置，第二行代表序列的第二个位置，以此类推。因此，如果有这样两个句子“Hello world” 和“Hi there”, “Hello” 和“Hi”会由完全相同的position embeddings，因为他们都是句子的第一个词。同理，“world” 和“there”也会有相同的position embedding。

2.3.4 合成

• 长度为n的输入序列将获得的三种不同的向量表示，分别是：
  • Token Embeddings， (1, n, 768) ，词的向量表示
  • Segment Embeddings， (1, n, 768)，辅助BERT区别句子对中的两个句子的向量表示
  • Position Embeddings ，(1, n, 768) ，让BERT学习到输入的顺序属性
• 这些表示会被按元素相加，得到一个大小为(1, n, 768)的合成表示。这一表示就是BERT编码层的输入了。

2.4 预训练任务（Pre-training Task）

2.4.1 Task 1: Masked LM

• 在将单词序列输入给 BERT 之前，每个序列中有 15％ 的单词被 [MASK] token 替换。然后模型尝试基于序列中其他未被 mask 的单词的上下文来预测被mask的原单词。最终的损失函数只计算被mask掉那个token。

• 如果一直用标记[MASK]代替（在实际预测时是碰不到这个标记的）会影响模型，具体的MASK是有trick的：

• 随机mask的时候10%的单词会被替代成其他单词，10%的单词不替换，剩下80%才被替换为[MASK]。作者没有说明什么原因，应该是基于实验效果？

• 要注意的是Masked LM预训练阶段模型是不知道真正被mask的是哪个词，所以模型每个词都要关注。

• 训练技巧：序列长度太大（512）会影响训练速度，所以90%的steps都用seq_len=128训练，余下的10%步数训练512长度的输入。

• 具体实现注意：

  • i) 在encoder的输出上添加一个分类层。
  • ii) 用嵌入矩阵乘以输出向量，将其转换为词汇的维度。
  • iii) 用softmax计算词汇表中每个单词的概率。

• BERT的损失函数只考虑了mask的预测值，忽略了没有掩蔽的字的预测。这样的话，模型要比单向模型收敛得慢，不过结果的情境意识增加了。

2.4.2 Task 2: Next Sentence Prediction

• LM存在的问题是，缺少句子之间的关系，这对许多NLP任务很重要。为预训练句子关系模型，bert使用一个非常简单的二分类任务：将两个句子A和B链接起来，预测原始文本中句子B是否排在句子A之后。
• 具体训练的时候，50％的输入对在原始文档中是前后关系，另外50％中是从语料库中随机组成的，并且是与第一句断开的。
• 为了帮助模型区分开训练中的两个句子，输入在进入模型之前要按以下方式进行处理：
• 在第一个句子的开头插入 [CLS] 标记，在每个句子的末尾插入 [SEP] 标记。
• 将表示句子 A 或句子 B 的一个句子 embedding 添加到每个 token 上，即前文说的Segment Embeddings。
• 给每个token添加一个位置embedding，来表示它在序列中的位置。
• 为了预测第二个句子是否是第一个句子的后续句子，用下面几个步骤来预测：
• 整个输入序列输入给 Transformer 模型用一个简单的分类层将[CLS]标记的输出变换为 2×1 形状的向量。
• 用 softmax 计算 IsNextSequence 的概率
• 在训练BERT模型时，Masked LM和 Next Sentence Prediction 是一起训练的，目标就是要最小化两种策略的组合损失函数。

2.5 微调（Fine-tunning）

• 对于不同的下游任务，我们仅需要对BERT不同位置的输出进行处理即可，或者直接将BERT不同位置的输出直接输入到下游模型当中。具体的如下：
  • 对于情感分析等单句分类任务，可以直接输入单个句子（不需要[SEP]分隔双句），将[CLS]的输出直接输入到分类器进行分类
  • 对于句子对任务（句子关系判断任务），需要用[SEP]分隔两个句子输入到模型中，然后同样仅须将[CLS]的输出送到分类器进行分类
  • 对于问答任务，将问题与答案拼接输入到BERT模型中，然后将答案位置的输出向量进行二分类并在句子方向上进行softmax（只需预测开始和结束位置即可）
  • 对于命名实体识别任务，对每个位置的输出进行分类即可，如果将每个位置的输出作为特征输入到CRF将取得更好的效果。
  • 对于常规分类任务中，需要在 Transformer 的输出之上加一个分类层

3 优缺点

3.1 优点

• 效果好，横扫了11项NLP任务。bert之后基本全面拥抱transformer。微调下游任务的时候，即使数据集非常小（比如小于5000个标注样本），模型性能也有不错的提升。

3.2 缺点

作者在文中主要提到的就是MLM预训练时的mask问题：

• [MASK]标记在实际预测中不会出现，训练时用过多[MASK]影响模型表现
• 每个batch只有15%的token被预测，所以BERT收敛得比left-to-right模型要慢（它们会预测每个token）
• BERT的预训练任务MLM使得能够借助上下文对序列进行编码，但同时也使得其预训练过程与中的数据与微调的数据不匹配，难以适应生成式任务
• BERT没有考虑预测[MASK]之间的相关性，是对语言模型联合概率的有偏估计
• 由于最大输入长度的限制，适合句子和段落级别的任务，不适用于文档级别的任务（如长文本分类）

4 参考文献

• BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding, 11 Oct 2018 (v1), last revised 24 May 2019 (v2)
• https://www.reddit.com/r/MachineLearning/comments/9nfqxz/r_bert_pretraining_of_deep_bidirectional/
• https://zhuanlan.zhihu.com/p/46652512
• https://mc.ai/why-bert-has-3-embedding-layers-and-their-implementation-details/