不拆分单词也可以做 NLP,哈工大最新模型在多项任务中打败 BERT,还能直接训练中文

众所周知,BERT 在预训练时会对某些单词进行拆分 (术语叫做“WordPiece”)。比如把“loved”、“loving”和“loves”拆分成“lov”、“ed”、“ing”和”es”。

目的是缩减词表、加快训练速度,但这样一来,在某些时候反而会阻碍模型的理解能力。比如把”lossless”分成”loss”和”less”的时候。

现在,来自哈工大和腾讯 AI Lab 的研究人员,尝试利用不做单词拆分的词汇表开发了一个 BERT 风格的预训练模型 ——WordBERT。结果,这个 WordBERT 在完形填空测试和机器阅读理解方面的成绩相比 BERT 有了很大提高。

在其他 NLP 任务,比如词性标注 (POS-Tagging)、组块分析 (Chunking) 和命名实体识别 (NER) 中,WordBERT 的表现也都优于 BERT。由于不用分词,这个 WordBERT 还可以直接进行中文训练。更值得一提的是,它在性能提升的同时,推理速度并没有变慢。

可谓一举多得。

NO WordPieces

与 BERT 类似,WordBERT 包含两个组件:词向量(word embedding)和 Transformer 层。和以前的模型一样,WordBERT 采用多层双向 Transformer 来学习语境表示(contextualized representation)。

word embedding 则是用来获得单词向量表示的参数矩阵,与把单词分成 WordPiece 的 BERT 相比,WordBERT 的词汇由完整的单词组成。他们用自然语言处理软件包 Spacy 处理数据,生成了两个词汇表,一个规模为 500K,一个为 1M。词汇表中还被单独添加了 5 个特殊单词:[PAD]、[UNK]、 [CLS]、[SEP] 和 [MASK]。

通过不同的词汇表规模、初始化配置和不同语言,最后研究人员一共训练出四个版本的 WordBERT:WordBERT-500K、WordBERT-1M、WordBERT-Glove 和 WordBERT-ZH。

它们的配置如上,嵌入参数都是随机初始化的,嵌入维数和基准 BERT 保持一致。其中 WordBERT-Glove 用的词汇表是现成的 Glove vocabulary,里面包含约 190 万个未编码的单词,该模型由相应的单词向量(word vectors)在 WordBERT 之上初始化而来。WordBERT-ZH 则是用中文词汇训练出来的 WordBERT,它也保持了 768 的词嵌入维数。

性能与速度兼具

在测试环节中,完形填空的测试数据集来自 CLOTH,它由中学教师设计,通常用来对中国初高中学生进行入学考试。其中既有只需在当前句子中进行推理的简单题,也有需要在全文范围内进行推理的难题。结果如下:

△ M 代表初中,H 代表高中

WordBERT-1M 获得了最佳成绩,并接近人类水平。它在高中题比 BERT 高了 3.18 分,初中题高了 2.59 分,这说明 WordBERT 在复杂任务中具有更高的理解和推理能力。在词性标注、组块分析和命名实体识别(NER)等分类任务中,WordBERT 的成绩如下:

相比来看,它在 NER 任务上的优势更明显一些(后两列)。

研究人员推测,这可能是 WordBERT 在学习低频词的表征方面有优势,因为命名实体(named entities)往往就是一些不常见的稀有词。对于“中文版”WordBERT-ZH,研究人员在 CLUE benchmark 上的各种任务中测试其性能。除了 BERT,对比模型还包括 WoBERT 和 MarkBERT,这也是两个基于 BERT 预训练的中文模型。

结果,WordBERT-ZH 在四项任务中都打败了所有其他对比模型,在全部五项任务上的表现都优于基线 BERT,并在 TNEWS(分类)、OCNLI(推理)和 CSL(关键字识别)任务上取得了 3 分以上的差距。这说明,基于词的模型对中文也是非常有效的。

最后,实验还发现:性能不差的 WordBERT,在不同任务上的推理速度也并未“落于下风”。

关于作者

一作为哈工大计算机专业在读博士生冯掌印,研究方向为 NLP、文本生成。

他曾在微软亚研院自然语言计算组、哈工大和科大讯飞联合实验室实习,在 NLP 领域的顶会 ENNLP 发表过一篇一作论文。

通讯作者为史树明,来自腾讯 AI Lab。

论文地址:

https://arxiv.org/abs/2202.12142

Published by

风君子

独自遨游何稽首 揭天掀地慰生平

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注