字节跳动 | AMBERT：一种多粒度Tokenization的预训练语言模型

论文标题：AMBERT: A Pre-trained Language Model with Multi-Grained Tokenization（多粒度分词的预训练语言模型AMBERT）

作者：Xinsong Zhang, Hang Li

机构：字节跳动

论文地址：https://www.aminer.cn/pub/5f48cdef91e011096f956039

摘要

以BERT为代表的预训练语言模型在自然语言理解（NLU）中的霸主地位毋庸置疑。这些模型中的token通常是细粒度的，对于英文，token是单词或子词；对于中文这类语言，token则是单个汉字。在英语中也存在多个单词组成的自然词汇单元，例如New York，因此使用粗粒度的tokenization也是合理的。事实上，细粒度和粗粒度tokenization对于预训练语言模型的学习各有利弊。据此，字节跳动提出联合使用细粒度和粗粒度的预训练语言模型：AMBERT。对于英文，将tokenization之后得到的细粒度（一串的单词）信息和粗粒度（一串的短语）信息输入到AMBERT，细粒度和粗粒度分别使用一个encoder，这2个encoder仅仅是嵌入层参数不同，其他参数共享，从而获取词级别的上下文表征和短语级别的上下文表征。在中文上的细粒度和粗粒度分别对应字和词。在中英文benchmark（包括CLUE, GLUE, SQuAD and RACE）上分别进行实验。结果表明，AMBERT模型在几乎所有情况下都优于现有性能最好的模型，特别是对中文的性能改善显著。

模型

AMBERT的整体框架如Figure 3所示。先对输入文本上进行tokenization，以获得细、粗粒度的token序列。细、粗粒度token序列再分别输入到两个encoder。这里的encoder与BERT或Transformer的encoder的架构完全相同。此外，两个encoder在每个对应层共享相同的参数，但二者的嵌入层参数不同。最后分别得到细粒度token序列和粗粒度token序列的的上下文表征。

模型结构简单到爆，有木有啊？

预训练

预训练的目标还是MLM，由于NSP已经是树倒猢狲散，墙倒众人推，AMBERT当然站在巨人的肩膀上（踩上一脚），在需要的时候拿过来比（数）较（落）一番。

其中$\overline{\mathbf{x}}$表示被mask掉的细粒度token(即需要重建出来的token)，$\hat{\mathbf{x}}$表示原文被mask的细粒度token序列。$\overline{\mathbf{z}}$表示被mask掉的粗粒度token(即需要重建出来的token)，$\hat{\mathbf{z}}$表示原文被mask的粗粒度token序列。

微调

以分类任务上微调为例，将细、粗粒度encoder中 [CLS]的表征，用于下游分类任务。微调过程的优化函数如下：

其中，$\mathbf{x}$为输入的文本，$\boldsymbol{y}$表示待预测的文本类别，$\boldsymbol{r}_{x 0}$和$\boldsymbol{r}_{z 0}$分别是细粒度和粗粒度encoder中特殊token [CLS]的表征。而最后一项则是通过归一化让两个粒度得到的[CLS]表征尽量保持一致。此外，文章还对AMBERT稍作修改，就得到了下述2种变体：

AMBERT-Combo：

用两个非参数共享的encoder分别编码两种粒度的句子；

AMBERT-Hybrid：

用单个encoder而不是两个encoder去同时编码两种粒度的句子，也就是把粗细粒度的句子先拼接起来再送到BERT里，这就会让自注意力在不同粒度的句子中进行交互。

实验

数据说明

中文预训练数据集使用一个包含2500万文档（57G未压缩文本)）的今日头条语料库（估计不会公开的，sad+1）。英文预训练数据集则来自Wikipedia和OpenWebText的1390万文档（47G未压缩文本）的语料库。对于中文，粗细粒度分别是词和字，在CLUE上进行评测。分词工具则是字节跳动内部开发的分词工具(估计也不会开源了sad+10086)。这两种token的生成过程都利用了WordPiece技术，最终产生的中文词典分别包含21128个字和72635个词。对于英文，粗细粒度分别短语和词。英文单词是天然的细粒度token，至于粗粒度是先利用KenLM构建n-gram，用频率足够高的短语构建短语级别的字典，这些短语的最后一个单词高度依赖于其前置单词。最后利用贪心算法对文本进行短语级切分，得到30522个单词和77645个短语。英文评测任务是在GLUE上进行的，此外还在英文阅读理解数据集SQuAD和RACE进行进一步实验。

实验结果：中文数据集

中文CLUE上的实验结果如Table 1和Table 2所示。从实验结果看，AMBERT在CLUE上确实一枝独秀，在其中4个任务上取得最优结果，但在WSC和CMRC数据集上与最优结果存在较大差距，特别是CMRC数据集上堪称大型翻车现场（3个百分点的差距）。

实验结果：英文数据集

Table 4和Table 6是AMBERT在GLUE上的实验结果。在多数数据集上AMBERT要优于其他baseline模型，且多粒度的效果确实好于单粒度。但是如果放到更大范围的模型比较，AMBERT整体上逊色于RoBERTa，但是优于其他模型。另外，从机器阅读理解数据集的对比结果Table 5可以看出，在SQuAD上AMBERT大大优于Google官方的BERT，而在检测span任务中，单词级的BERT通常表现良好，短语级BERT较差。另外，在RACE的dev set 和 test set上，AMBERT发挥稳定，全场最佳。

总结

文章提出多粒度的预训练模型AMBERT，联合使用粗细粒度的语言单元对句子进行切分，从而充分利用二者各自的优势。在中文和英文的自然语言理解任务上证明该模型的有效性，尤其是对中文而言提升效果更加显著。但是，在中文数据集上的比较上有几个不足：

(1) 中文的分词工具属于字节跳动内部，尚未开源。

(2) 更重要的是，预训练的数据集也是字节跳动内部的数据集，而不是通常中文预训练使用的中文维基百科语料。作者自己也一再强调，只能作为参考。

(3) 预训练模型包含代码和模型均没有发布。

基于现况，如此就在CLUE上其他模型比较，似乎有失公允。到底是分词、数据、还是模型优势？虽然作者也一直在强调，对比仅仅作为参考，仅作为参考，作为参考，为参考，参考。。。但是，作为一个既没有开放源码也没有发布预训练模型的预训练语言模型，应该是第一个吧，所以各相关从业人员于此颇有微词。未来或许可期，先让子弹飞一会，让我们拭目以待。

点击 阅读原文 ，查看更多精彩！

喜欢本篇内容，请 分享、点赞、在看