不拆分單詞也可以做NLP，哈工大最新模型在多項任務中打敗BERT，還能直接訓練中文

豐色 發自 凹非寺

量子位 | 公眾號 QbitAI

眾所周知，BERT在預訓練時會對某些單詞進行拆分 （術語叫做“WordPiece”）。

比如把“loved”、“loving”和“loves”拆分成“lov”、“ed”、“ing”和”es”。

目的是縮減詞表、加快訓練速度，但這樣一來，在某些時候反而會阻礙模型的理解能力。

比如把”lossless”分成”loss”和”less”的時候。

現在，來自哈工大和騰訊AI Lab的研究人員，嘗試利用不做單詞拆分的詞彙表開發了一個BERT風格的預訓練模型——WordBERT。

結果，這個WordBERT在完形填空測試和機器閱讀理解方面的成績相比BERT有了很大提高。

在其他NLP任務，比如詞性標註（POS-Tagging）、組塊分析（Chunking）和命名實體識別（NER）中，WordBERT的表現也都優於BERT。

由於不用分詞，這個WordBERT還可以直接進行中文訓練。

更值得一提的是，它在效能提升的同時，推理速度並沒有變慢。

可謂一舉多得。

NO WordPieces

與BERT類似，WordBERT包含兩個元件：詞向量（word embedding）和Transformer層。

和以前的模型一樣，WordBERT採用多層雙向Transformer來學習語境表示（contextualized representation）。

word embedding則是用來獲得單詞向量表示的引數矩陣，與把單詞分成WordPiece的BERT相比，WordBERT的詞彙由完整的單片語成。

他們用自然語言處理軟體包Spacy處理資料，生成了兩個詞彙表，一個規模為500K，一個為1M。

詞彙表中還被單獨添加了5個特殊單詞：［PAD］、［UNK］、 ［CLS］、［SEP］和［MASK］。

透過不同的詞彙表規模、初始化配置和不同語言，最後研究人員一共訓練出四個版本的WordBERT：

WordBERT-500K、WordBERT-1M、WordBERT-Glove和WordBERT-ZH。

它們的配置如上，嵌入引數都是隨機初始化的，嵌入維數和基準BERT保持一致。

其中WordBERT-Glove用的詞彙表是現成的Glove vocabulary，裡面包含約190萬個未編碼的單詞，該模型由相應的單詞向量（word vectors）在WordBERT之上初始化而來。

WordBERT-ZH則是用中文詞彙訓練出來的WordBERT，它也保持了768的詞嵌入維數。

效能與速度兼具

在測試環節中，完形填空的測試資料集來自CLOTH，它由中學教師設計，通常用來對中國初高中學生進行入學考試。

其中既有隻需在當前句子中進行推理的簡單題，也有需要在全文範圍內進行推理的難題。

結果如下：

△ M代表初中，H代表高中

WordBERT-1M獲得了最佳成績，並接近人類水平。

它在高中題比BERT高了3。18分，初中題高了2。59分，這說明WordBERT在複雜任務中具有更高的理解和推理能力。

在詞性標註、組塊分析和命名實體識別（NER）等分類任務中，WordBERT的成績如下：

相比來看，它在NER任務上的優勢更明顯一些（後兩列）。

研究人員推測，這可能是WordBERT在學習低頻詞的表徵方面有優勢，因為命名實體（named entities）往往就是一些不常見的稀有詞。

對於“中文版”WordBERT-ZH，研究人員在CLUE benchmark上的各種任務中測試其效能。

除了BERT，對比模型還包括WoBERT和MarkBERT，這也是兩個基於BERT預訓練的中文模型。

結果，WordBERT-ZH在四項任務中都打敗了所有其他對比模型，在全部五項任務上的表現都優於基線BERT，並在TNEWS（分類）、OCNLI（推理）和CSL（關鍵字識別）任務上取得了3分以上的差距。

這說明，基於詞的模型對中文也是非常有效的。

最後，實驗還發現：

效能不差的WordBERT，在不同任務上的推理速度也並未“落於下風”。

一作為哈工大計算機專業在讀博士生馮掌印，研究方向為NLP、文字生成。

他曾在微軟亞研院自然語言計算組、哈工大和科大訊飛聯合實驗室實習，在NLP領域的頂會ENNLP發表過一篇一作論文。

通訊作者為史樹明，來自騰訊AI Lab。

論文地址：

https：//arxiv。org/abs/2202。12142

— 完 —

原標題：《不拆分單詞也可以做NLP，哈工大最新模型在多項任務中打敗BERT，還能直接訓練中文》