Transformers研究方向

BERT 通过改变 NLP 模型的训练方式迎来了 NLP 领域的 ImageNet 时刻。自此之后的预训练模型分别尝试从mask 范围，多语言，下文预测，模型轻量化，预训练方式，模型大小，多任务等方向谋求新突破，有的效果明显，有的只是大成本小收益。

自 2018 年 BERT 提出之后，各种预训练模型层出不穷，模型背后的着眼点也各有不同，难免让人迷糊。本文旨在从以下几个方面探讨系列 Transformers 研究方向：

扩大遮罩范围（MaskedLM）

下文预测（NextSentencePrediction）

其他预训练方式

轻量化

多语言

越大越好？

多任务

要说 BERT 为什么性能卓越，主要是它改变了 NLP 模型的训练方式。先在大规模语料上训练出一个语言模型，然后将这个模型用在阅读理解/情感分析/命名实体识别等下游任务上

Yann LeCun 将 BERT 的学习方式称为“自监督学习”，强调模型从输入内容中学习，又对其中部分内容进行预测的特点。而 BERT 本身实际算是是基于 Transformer 编码器部分改进而来的多任务模型，会同时执行遮罩语言模型学习以及下文预测任务，以此习得潜藏语义。

扩大遮罩范围改进 MaskedLM

遮罩语言模型里的“遮罩”，通常是分词后一小段连续的 MASK 标记

相比于从上下文中猜整个词，给出 ##eni 和 ##zation 猜到 tok 显然更容易些。

也正因单词自身标识间的联系和词与词间的联系不同，所以 BERT 可能学不到词语词间的相关关系。而只是预测出词的一部分也没什么意义，预测出整个词才能学到更多语义内容。所以拓展遮罩范围就显得十分重要了：

字词级遮罩——WWM

短语级遮罩——ERNIE

缩放到特定长度——N-gram 遮罩/ Span 遮罩

短语级遮罩使用时得额外提供短语列表，但加上这样的人工信息可能会干扰模型导致偏差。T5 尝试了不同跨度的遮罩，似乎长一些的会好点

可以看到初期扩大跨度是有效的，但不是越长越好。SpanBERT 有一个更好的解决方案，通过概率采样降低对过长遮罩的采纳数量。

从 SpanBERT 的实验结果来看随机跨度效果不错

此外，也有模型尝试改进遮罩比例。Google 的 T5 尝试了不同的遮罩比例，意外的是替代项都不如原始设置表现好

下文预测

准确地讲应该是下一句预测（NextSentencePrediction，NSP），通过判断两个句子间是否是上下文相关的来学习句子级知识。从实验结果来看，BERT 并没有带来明显改进

BERT 的欠佳表现给了后来者机会，几乎成了兵家必争之地。XLNET / RoBERTa / ALBERT 等模型都在这方面进行了尝试

RoBERTa

ALBERT

XLNet

可以看出 NSP 带来的更多的是消极影响。这可能是 NSP 任务设计不合理导致的——负样本是从容易辨析的其他文档中抽出来的，这导致不仅没学到知识反而引入了噪声。同时，NSP 将输入分成两个不同的句子，缺少长语句样本则导致 BERT 在长句子上表现不好。

其他预训练方式

NSP 表现不够好，是不是有更好的预训练方式呢？各家都进行了各种各样的尝试，私以为对多种预训练任务总结的最好的是 Google 的 T5 和 FaceBook 的 BART

T5 的尝试

BART 的尝试

各家一般都选语言模型作为基线，而主要的尝试方向有

挡住部分标识，预测遮挡内容

打乱句子顺序，预测正确顺序

删掉部分标识，预测哪里被删除了

随机挑选些标识，之后将所有内容前置，预测哪里是正确的开头

加上一些标识，预测哪里要删

替换掉一些标识，预测哪里是被替换过的

试验结果如下

实验表明遮罩模型就是最好的预训练方法。要想效果更好点，更长的遮罩和更长的输入语句似乎是个不错的选择。而为了避免泄露具体挡住了多少个词，每次只能标记一个遮罩，对一个或多个词做预测

轻量化

BERT 模型本身非常大，所以为了运行更快，模型轻量化也是一大研究方向。一网打尽所有 BERT 压缩方法[1]对此有细致描述，主要分几个方向：

修剪——删除部分模型，删掉一些层 / heads 等

矩阵分解——对词表 / 参数矩阵进行分解

知识蒸馏——师生结构，在其他小模型上学习

参数共享——层与层间共享权重

多语言

数据集在不同语言间分布的非常不均匀，通常是英语数据集很多，其他语言的相对少些，繁体中文的话问题就更严重了。而 BERT 的预训练方法并没有语言限制，所以就有许多研究试图喂给预训练模型更多语言数据，期望能在下游任务上取得更好的成绩。

谷歌的 BERT－Multilingual 就是一例，在不添加中文数据的情况下，该模型在下游任务上的表现已经接近中文模型

有研究[2]对多语言版 BERT 在 SQuAD（英语阅读理解任务）和 DRCD（中文阅读理解任务）上进行了测试。最终证明可以取得接近 QANet 的效果，同时多语言模型不用将数据翻译成统一语言，这当然要比多一步翻译过程的版本要好。

从上面的结果可以看出无论是用 Embedding 还是 Transformer 编码器，BERT 都学到了不同语言间的内在联系。另有研究[3]专门针对 BERT 联通不同语言的方式进行了分析。

首先，在相同的 TLM 预训练模型中对不同语言建立关联

然后，通过控制是否共享组件来分析哪个部分对结果影响最大

结果是模型间共享参数是关键

这是因为 BERT 是在学习词和相应上下文环境的分布，不同语言间含义相同的词，其上下文分布应该很接近

而 BERT 的参数就是在学习期间的分布，所以也就不难理解模型在多语言间迁移时的惊人表现了

越大越好？

尽管 BERT 采用了大模型，但直觉上数据越多，模型越大，效果也就应该更好。所以很多模型以此为改进方向

T5 更是凭借 TPU 和金钱的魔力攀上顶峰

然而更大的模型似乎并没有带来太多的回报

所以，简单增大模型规模并不是最高效的方法。

此外，选用不同的训练方法和目标也是一条出路。比如，ELECTRA 采用新型训练方法保证每个词都能参与其中，从而使得模型能更有效地学习表示（representation）

ALBERT 使用参数共享降低参数量，但对性能没有显著影响

多任务

BERT 是在预训练时使用多任务，我们同样可以在微调时使用多任务。微软的用于自然语言理解的多任务深度神经网络[4]（MTDNN）就是这么做的

相交于 MTDNN，GPT-2 更加激进：不经微调直接用模型学习一切，只用给一个任务标识，其余的交给模型。效果出众但仍称不上成功

T5 对此做了平衡

谷歌的 T5 类似于 GPT-2，训练一个生成模型来回答一切问题。同时又有点像 MTDNN，训练时模型知道它是在同时解决不同问题，它是一个训练/微调模型

同时，大体量预训练模型都面临相同的两个难题：数据不均衡和训练策略选定

不均衡数据

不同任务可供使用的数据量是不一致的，这导致数据量小的任务表现会很差。数据多的少采样，数据少的多采样是一种解决思路。BERT 对多语言训练采用的做法就是一例

为平衡这两个因素，训练数据生成（以及 WordPiece 词表生成）过程中，对数据进行指数平滑加权。换句话说，假如一门语言的概率是

，比如   意味着在混合了所有维基百科数据后， 21% 的数据是英文的。我们通过因子 S 对每个概率进行指数运算并重新归一化，之后从中采样。我们的实验中，   ，所以像英语这样的富文本语言会被降采样，而冰岛语这样的贫文本语言会过采样。比如，原始分布中英语可能是冰岛语的 1000 倍，平滑处理后只有 100 倍

训练策略

无监督预训练+微调：在 T5 预训练后对各任务进行微调

多任务训练：所有任务和 T5 预训练一同训练学习，并直接在各任务上验证结果

多任务预训练+微调：所有任务和 T5 预训练一同训练学习，然后对各任务微调训练数据，再验证结果

留一法多任务训练：T5 预训练和目标任务外的所有任务一同进行多任务学习，然后微调目标任务数据集，再验证结果

有监督多任务预训练：在全量数据上进行多任务训练，然后对各任务微调结果

可以看到先在海量数据上进行训练，然后对特定任务数据进行微调可以缓解数据不平衡问题。

审核编辑 ：李倩