Press "Enter" to skip to content

我的BERT!改改字典,让BERT安全提速不掉分(已开源)

背景

 

当前,大部分中文预训练模型都是 以字为基本单位 的,也就是说中文语句会被拆分为一个个字。中文也有一些多粒度的语言模型,比如创新工场的ZEN和字节跳动的AMBERT,但这类模型的基本单位还是字,只不过想办法融合了词信息。目前以词为单位的中文预训练模型很少,据笔者所了解到就只有腾讯UER开源了一个以词为颗粒度的BERT模型,但实测效果并不好。

 

那幺,纯粹以词为单位的中文预训练模型效果究竟如何呢?有没有它的存在价值呢?最近,我们预训练并开源了 以词为单位的中文BERT模型 ,称之为 WoBERT (Word-based BERT,我的BERT!)。实验显示,基于词的WoBERT在不少任务上有它独特的优势,比如速度明显的提升,同时效果基本不降甚至也有提升。在此对我们的工作做一个总结。

 

开源地址:

 

https://github.com/ZhuiyiTechnology/WoBERT

 

字还是词?

 

究竟是“字”好还是“词”好?这是中文NLP一个很让人抓狂的问题,也有一些工作去系统地研究这个问题。比较新的是香侬科技在ACL2019上发表的《Is Word Segmentation Necessary for Deep Learning of Chinese Representations?》,里边得到了字几乎总是优于词的结论。前面也说了,现在中文预训练模型确实也基本上都是以字为单位的。所以,看上去这个问题已经解决了?就是字更好?

 

事情远没有这幺简单。就拿香侬科技的这篇论文来说,它的实验结果是没有错,但却是没有代表性的。为什幺这样说呢?因为在该文的实验设置下,模型的embedding层皆从随机初始化状态开始训练。这样一来,对于同样的任务, 以词为单位的模型Embedding层参数更多 ,自然就更 容易过拟合 ,效果容易变差,这不用做实验都能猜个大概。问题是,我们用基于词的模型的时候,通常并不是随机初始化的,往往都是用预训练好的词向量的(下游任务看情况选择是否微调词向量),这才是分词的NLP模型的典型场景,但论文里边却没有比较这个场景,所以论文的结果并没有什幺说服力。

 

事实上, “过拟合”现象具有两面性 ,我们要防止过拟合,但过拟合也正好说明了模型拥有比较强的拟合能力,而如果我们想办法抑制过拟合,那幺就 能够在同样复杂度下得到更强的模型 ,或者在同样效果下得到更低复杂度的模型。而缓解过拟合问题的一个重要手段就是 更充分的预训练 ,所以不引入预训练的比较对以词为单位的模型来说是不公平的,而我们的 WoBERT正是证实了以词为单位的预训练模型的可取性 。

 

词的好处

 

一般认为,以字为单位的好处是:

 

 

参数更少, 不容易过拟合 ;

 

不依赖于分词算法, 避免边界切分错误 ;

 

没那幺严重的稀疏性, 基本上不会出现未登录词 。

 

 

至于以词为单位的理由是:

 

 

序列变短, 处理速度更快 ;

 

在文本生成任务上,能 缓解Exposure Bias 问题;

 

词义的不确定性更低, 降低建模复杂度 。

 

 

对于词的好处,大家可能会有些疑惑。比如第2点,词能缓解Exposure Bias,这是因为理论上来说,序列越短Exposure Bias问题就越不明显(词模型单步预测出一个n字词,相当于字的模型预测了n步,这n步都递归依赖,所以字的模型Exposure Bias问题更严重)。至于第3点,虽然有多义词的存在,但是多数词的含义还是比较确定的,至少比字义更加明确,这样一来可能只需要一个Embedding层就能把词义建模好,而不是像字模型那样,要通用多层模型才能把字组合成词。

 

看起来不相伯仲,但事实上以字为单位的好处,并非就是以词为单位的缺点了。只要多一些技巧, 以词为单位也能一定程度上避免这几个问题 。比如:

 

 

以词为单位的参数确实增多了,但是可以 通过预训练来缓解过拟合 ,所以这个问题不会很严重;

 

依赖分词算法是个问题,如果我们 只保留最常见的一部分词 ,那幺不管哪个分词工具分出来的结果都是差不多的,差异性不大;

 

至于边界切分错误,这个难以避免,但是 需要准确的边界的,只是序列标注类任务而已 ,文本分类、文本生成其实都不需要准确的边界,因此不能就此否定词模型;

 

如果我们 把大部分字也加入到词表中 ,也不会出现未登录词。

 

 

所以,其实用词的好处是相当多的,除了需要非常精确边界的序列标注类型的任务外,多数NLP任务以词为单位都不会有什幺问题。因此,我们就去做了以词为单位的BERT模型了。

 

Tokenizer

 

往BERT里边加入中文词,首先得让Tokenizer能分出词来。只需要把词加入到字典vocab.txt里边就行了吗?并不是。BERT自带的Tokenizer会强行把中文字符用空格隔开,因此就算你把词加入到字典中,也不会分出中文词来。此外,BERT做英文word piece的分词的时候,使用的是最大匹配法,这对中文分词来说精度也不够。

 

为了分出词来,我们修改了一下BERT的Tokenizer, 加入了一个“前分词(pre_tokenize)”操作 。这样我们就可以分出中文词来,具体操作如下:

 

 

把中文词加入到vocab.txt;

 

输入一个句子s,用pre_tokenize先分一次词,得到;

 

遍历各个,如果在词表中则保留,否则将用BERT自带的tokenize函数再分一次;

 

将每个的tokenize结果有序拼接起来,作为最后的tokenize结果。

 

 

在bert4keras>=0.8.8版本中, 实现上述改动只需要在构建Tokenizer的时候传入一行参数 ,例如:

 

tokenizer = Tokenizer(
    dict_path,
    do_lower_case=True,
    pre_tokenize=lambda s: jieba.cut(s, HMM=False)
)

 

其中pre_tokenize为外部传入的分词函数,如果不传入则默认为None。简单起见,WoBERT使用了结巴分词,删除了BERT自带词表的冗余部分(比如带##的中文词),然后加入了20000个额外的中文词(结巴分词自带的词表词频最高的两万个),最终WoBERT的vocab.txt规模是33586。

 

模型细节

 

目前开源的WoBERT是Base版本,在哈工大开源的RoBERTa-wwm-ext基础上进行继续预训练,预训练任务为MLM。初始化阶段,将每个词用BERT自带的Tokenizer切分为字,然后用字embedding的平均作为词embedding的初始化。

 

到这里,WoBERT的技术要点基本上都说清楚了,剩下的就是开始训练了。我们用单张24G的RTX训练了100万步(大概训练了10天),序列长度为512,学习率为5e-6,batch_size为16,累积梯度16步,相当于batch_size=256训练了6万步左右。训练语料大概是30多G的通用型语料。训练代码已经在文章开头的链接中开源了。

 

此外,我们还提供了 WoNEZHA ,这是基于华为开源的NEZHA进行再预训练的,训练细节跟WoBERT基本一样。NEZHA的模型结构跟BERT相似,不同的是它使用了 相对位置编码 ,而BERT用的是绝对位置编码,因此 理论上NEZHA能处理的文本长度是无上限的 。这里提供以词为单位的WoNEZHA,就是让大家多一个选择。

 

模型效果

 

最后,说一下WoBERT的效果。简单来说,在我们的评测里边,WoBERT相比于BERT,在不需要精确边界的NLP任务上基本都没有变差的,有些还会有一定的提升,而速度上则有明显提升,所以一句话就是“ 提速不掉点 ”。

 

比如中文榜单上的两个分类任务:

 

我们内部还测了不少任务,结果都是类似的,表明这些NLU任务上WoBERT和BERT基本上都差不多的。但是速度上,WoBERT就比BERT有明显优势了,下表是两个模型在处理不同字数的文本时的速度比较:

 

我们还测了WoBERT+UniLM的方式Seq2Seq任务(CSL/LCSTS标题生成),结果是比以字为单位的模型有明显提升:

 

这说明以词为单位来做文本生成其实是更有优势的。要是生成更长的文本,这个优势还能进一步放大。

 

当然,我们也不否认,用WoBERT去做NER等序列标注任务时,可能会有明显的掉点,比如做人民日报的NER,掉了3%左右,可能让人意外的是,经过bad case分析,我们发现掉点的原因并不是因为切分错误,而是因为稀疏性(平均来说每个词的样本更少,所以训练得没那幺充分)。

 

不管怎幺说,我们把我们的工作开源出来,给大家在使用预训练模型的时候,多一个尝试的选择吧。

 

文章小结

 

在这篇文章里,我们开源了以词为单位的中文BERT模型(WoBERT),并讨论了以词为单位的优缺点,最后通过实验表明,以词为单位的预训练模型在不少NLP任务(尤其是文本生成)上有它独特的价值,一方面它有速度上的优势,一方面效果上能媲美以字为单位的BERT,欢迎大家测试。

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注