哈工大刘挺：如何训练一个更强大的中文语言模型？

自从Google提出预训练语言模型BERT，关于语言模型的玩法层出不穷。

然而，大部分模型都是在英文场景中提出的，迁移到中文场景效果往往有不同程度的下降。

之前我和朋友参加了CCKS机器阅读理解比赛，查资料时发现哈工大崔一鸣、车万翔、刘挺等人提出了一个针对中文的预训练语言模型 MacBERT，刷新了众多下游任务的 SOTA。

我们在比赛中实测了MacBERT，提分显著，最终在246支参赛队伍中获得了第3。

本文来带你了解这项更强大的中文语言模型 MacBERT。

论文链接

https://arxiv.org/pdf/2004.13922.pdf

开源权重

https://github.com/ymcui/MacBERT

1. MacBERT是什么？

我们先简单回顾一下什么是BERT。

BERT本质上是一个自编码语言模型，为了见多识广，BERT使用3亿多词语训练，采用12层双向Transformer架构。注意，BERT只使用了Transformer的编码器部分，可以理解为BERT旨在学习庞大文本的内部语义信息。

具体训练目标之一，是被称为掩码语言模型的MLM。即输入一句话，给其中15%的字打上“mask”标记，经过Embedding和12层Transformer深度理解，来预测“mask”标记的地方原本是哪个字。

input: 欲把西[mask]比西子，淡[mask]浓抹总相宜
output: 欲把西[湖]比西子，淡[妆]浓抹总相宜

例如我们给BERT输入苏东坡的诗“欲把西[mask]比西子，淡[mask]浓抹总相宜”，模型需要根据没有被“mask”的上下文，预测出掩盖的地方是“湖”和“妆”。

相比之下，MacBERT 沿用了 BERT 的整体架构，主要在训练目标上做了改进。

针对 MLM 任务改进

Mac = MLM as correction，即校正的 mask 策略。

原始 BERT 模型的缺点之一是预训练和微调阶段任务不一致，pretrain 有 [mask] 字符，而 finetune 没有。

MacBERT 用目标单词的相似单词，替代被 mask 的字符，减轻了预训练和微调阶段之间的差距。

具体实现分2步：1）我们使用全词mask以及Ngram mask策略来替代随机mask，其中单词级别的1-gram到4-gram的比例为40％，30％，20％，10％。

2）抛弃 [mask] 字符，而是通过word2vec查找被考察单词的语义相似单词进行mask。在极少数情况下，当没有相似的单词时，会降级以使用随机单词替换。

最终，我们对15％的输入单词进行mask，其中80％替换为相似的单词，10％替换为随机单词，其余10％则保留原始单词。

如果感觉有点抽象，看这张图就一目了然。

假设原始中文句子是“使用语言模型来预测下一个词的概率”。BEP切词后，按BERT的随机 masking 策略，可能得到：

1. 使 用 语 言 [M] 型 来 [M] 测 下 一 个 词 的 概 率。

如果加入全词掩码策略，会以实体为单位进行 masking：

2. 使 用 语 言 [M] [M] 来 [M] [M] 下 一 个 词 的 概 率。

继续加入 N-gram 掩码：

3. 使 用 [M] [M] [M] [M] 来 [M] [M] 下 一 个 词 的 概 率。

最后加入 Mac 掩码，用语义相似的词代替 [M]：

4. 使 用 语 法 建 模 来 预 见 下 一 个 词 的 几 率。

以上就是 MacBERT 的核心思想。

针对 NSP 任务改进

原始NSP已被证明贡献不大，MacBERT 引入了 ALBERT 的句子顺序预测(SOP)任务，通过切换两个连续句子的原始顺序来创建负样本。

后续的消融实验证明，SOP 效果好于 NSP。

2. 实验设置与结果

从中文维基百科中，我们获得了大约0.4B的单词。此外，还从收集的扩展数据中获得了 5.4B 个字，包含百科全书，新闻和问答网站，比中文维基百科大十倍。

为了识别中文单词的边界，我们使用LTP进行中文单词分割，词表沿用原始BERT。

微调实验

最终我们在分类、匹配、阅读理解等众多下游任务上对比了不同预训练模型的效果。

CMRC 2018 机器阅读理解：

情感分类+长文本分类：

文本相似匹配：

实验证明，MacBERT 在多种中文 NLP 任务上都获得了显著改进。

这些改进的重要部分又来自何处呢？详细的消融实验给出了答案。

消融实验

实验结论：

1. 所有提出的改进点，对于总体结果都有帮助。

2.最有效的修改是N-gram masking和相似单词替换。

3.NSP任务的重要性不如MLM，设计更好的MLM任务以充分释放文本建模能力十分重要。

4.SOP任务确实比NSP表现出更好的性能，删除SOP将导致阅读理解任务明显下降。

我们在CCKS比赛中实测了MacBERT，在编码器中将RoBertA替换为MacBERT，验证集 F1 从 0.780 上升到 0.797，获得了将近 2% 的提升。

3. 总结

MacBERT 将 MLM 任务作为一种语言校正方式进行了修改，减轻了预训练和微调阶段的差异。

下游各种中文NLP数据集的微调实验表明，MacBERT 可以在多数任务中获得显著收益。

通过分析消融实验，我们应该更多关注MLM任务，而不是NSP及其变体，因为类似NSP的任务并没有显示出彼此的压倒性优势。

这篇收录于 EMNLP 2020 子刊的论文，是对中文场景预训练语言模型的创新与尝试，由于模型结构并没有改动，可以很好地兼容现有任务(替换 checkpoint 和配置文件即可)。

感兴趣的小伙伴，快来动手试试吧！