Bert 改进： 如何融入知识
作者：老宋的茶书会
知乎专栏：NLP与深度学习
研究方向：自然语言处理
前言
一个合格的博客主需要学会制作高质量的博客（蹭热点），最近最热的，应该就是 Bert 了，一直想捋一遍预训练语言模型的前世今生，但随便瞅了瞅 GPT-2， 感觉，emmm，放弃。
但最近有两篇文章引起了我的注意，这两篇文章的名字都叫 ERNIE， 一篇是百度的，另一篇清华与华为诺亚方舟合作的，很巧的是，二者的重点都是在于如何将知识融入到模型中，都很厉害。
虽然咱们没有资源搞预训练语言模型，但看看长长见识还是需要的，免得面试官问起了： 你觉得 Bert 有啥缺陷，emmm，咱也不能哑口无言不是。
本文从 Bert 谈起，主要是为了各个模型的对比，并分析每个模型内部各个模块所起到的作用。
先从 Bert 谈起
1， Transformer vs LSTM， 单向 vs 双向
Bert 采用双向Transformer 来做特征抽取的基本单元，而 ELMO 中采用双向 LSTM ，对比二者， LSTM 被碾压，主要有以下几个方面。
并行能力。这对于语言模型这种需要大规模数据来说，如果无法并行，那么运行时间真的是一个噩梦，这是扼制 RNN 落地的主要因素。
捕捉距离与抽取特征能力：LSTM 与 GRU 依旧无法摆脱长距离依赖的问题，主要是因为二者是通过维护一个全局的向量信息来做信息融合，这意味着，可能会有一些重要信息在融合过程中丢失了，可以参见 RNN vs LSTM vs GRU -- 该选哪个？， 而距离越长，这种问题可能会越严重。
LSTM 不是真正的双向：LSTM 是双向，但不能完全捕捉双向的信息，我个人的理解依旧在于：LSTM 在时序传播的过程中，会损失一部分信息（单一向量维护全局信息），这使得双向的 LSTM 在特征提取方面不如Transformer， 因为它不是真正的双向。
其实，这二者之间的更好的对比在： 放弃幻想，全面拥抱Transformer：自然语言处理三大特征抽取器（CNN/RNN/TF）比较， 张俊林大佬写的，厉害的一批。
至于 GPT-1 与 GPT-2 中为何采用单向的 Transformer，这点我一直没搞懂，难道是为了独树一帜？我个人认为双向的 Transformer 无疑完胜单向啊。
2， Large vs Base
Bert 提供了两个不同 size 的模型，Base的参数量有110M， Large 的参数量在340M， 而据我个人的实验，大概率情况下，Large 效果会更好，好多少得看具体的任务和数据集，分类这种简单任务一般差不太多，1-2个百分点，复杂任务如阅读理解就有点东西了。
这说明一点： 大力出奇迹啊
3，不同粒度的Embedding
Bert 的输入包含有两个粒度：token 以及 segment， 这从侧面反映了，不同粒度的信息的融合是有帮助的，我觉得可以试试段落粒度等更粗的粒度信息，但我等乞丐实验室还是，默默看大佬们装逼吧。
4. 预训练任务：Masked LM
Masked LM 其实很像是完形填空问题，其具体指的是， 随机 mask 输入 tokens 中的15%的 tokens ， 然后将隐层向量输出到softmax，在整个词表中做softmax， 预测被遮住的 tokens。这么做的目的在于实现双向，举例来说：
妈妈再也不用[MASK]心我[MASK]学习。这句话中，双向 Transformer 在预测 [MASK]位置时会结合左右上下文信息， 而在训练时，两个 [MASK] 的损失会相加，然后再反向传播。
注意，对于一个序列而言，Bert 选取 15% 个词来 mask， 一个序列只能生产一个样本，这个样本中有 15% 是被 mask 的。
对于这种 mask 方式，其的确能够获得双向预训练模型，但该方法存在两个缺陷：
首先第一个问题是训练与微调之间的不匹配。 这是因为在微调时并没有 [MASK] 这个 token，它只出现在预训练任务中。为了减轻该问题， Bert 采用了以下策略：
序列：my dog is hairy
mask的词为 hairy
则 hairy 的替换过程如下：
- 80% 情况下：用 [MASK] 替换 hairy
- 10% 情况下：随机从词表中选择一个词来替换 hairy
- 10% 情况下：不改变这句话，这样的目的是使得最终的表示偏向于实际的词该策略能够很好的解决不匹配的问题， 下面一段是我个人的理解：
首先，80% 的情况替换为 [MASK] 符合语言模型本身，最原始就是这么做的，可以参见 Word2Vec 的 CBOW。
其次， 随机选择一个词来替换，我个人认为是为了增加泛化，文章也指出， 1.5%(10% * 15%) 的随机替换似乎并不会对模型的语言理解能力带来坏处。
最后，10% 不做替换，目的是减少训练与微调的不匹配，使得最终的表示偏向于实际的词。
第二个问题是对于每个序列而言，标记的token只有 15%，这使得模型收敛较慢，需要更长的训练步数。 在 Word2Vec 的CBOW 中， 序列中的每个词都有被预测过，而文章此处的改进是基于经验的， 只预测 15% 的词的确要比全都预测更好，只是对应的训练步数需要增加才能获得收敛。
对于如何生成样本数据的代码参见：pytorch-pretrained-BERT 下的
random_word函数。对于预训练模型的训练代码参见：pytorch-pretrained-BERT 下的
BertForPreTraining。
5， Next Sentence Prediction
对于许多NLP任务来说，句子之间的关系信息是有帮助的，如QA， NLI 等，而这种关系恰恰是语言模型难以捕捉的， 而 Next Sentence Prediction 模块就是为了弥补这个缺陷。
该模型更详细的说是，选定两个句子 A， B 作为预训练样本，B 有 50% 的可能为A的下一句， 有 50% 的可能是语料库中的随机句子，举例如下：
Input: [CLS] the man went to [MASK] store [SEP] he bought a gallon [MASK] milk [SEP]
Label: IsNext
Input: [CLS] the man [MASK] to the store [SEP] penguin [MASK] are flight ##less birds [SEP]
Label: NotNext该模块实现了 97%-98% 的 accuracy， 并且实验表明，对于 QA 与 NLI 效果显著。
这也充分说明了，不同粒度的信息对于深层次的理解是有帮助的，或许段落级别的融入也会有一些作用，对于长文本来说。
ERNIE - 百度
百度的这篇文章更像是 Bert 模型对于中文的针对性改进，当然对英文也有一定的作用，但对于中文来说更明显。
1， 双向Transformer
ERNIE 同样采用多层的双向Transoformer 来作为特征提取的基本单元，Transformer 的重要性可见一斑，所以深入 Transformer 对于我们来说是十分必要的。
这部分没啥创新，就是简单提一下。
2， 不同粒度的信息融合
ERNIE 同样采用了多种粒度信息，只不过不同粒度信息的预训练过程与 Bert 不同， 对于一个 token， 其同样由 token embedding + segment embedding + position embedding 组成，与 bert 相同， 每一句话的第一个 token 都为 [CLS]。
3， Basic-Level Masking 预训练
这个过程与 Bert 中的 MLM 类似，是对于词粒度的预训练。对于英文而言，粒度为 word， 对于中文而言，粒度为字。
随机 Mask 输入序列中 15% 的 token， 然后预测这些被 mask 掉的 tokens。这点与 Bert 相同， 不同的是，其论文中没有提到十分采用类似 Bert 的那种 Mask 的Trick 来降低预训练与预测的不一致性，这点需要看代码确认一下。
4， Phrase-level Masking 预训练
我个人认为短语级别的粒度信息对于中文，英文来说都是有用的。
对于中文来说， 比如 “放你一马”， 这从单单的字粒度信息是学习不到的，且这种信息相当多。而对于英文来说，英文短语也不在少数，就像： pull up, pull down, push up, push down 我觉得word粒度对这种短语信息也是难以捕捉的。
在这部分的预训练过程中，首先采用对应的工具识别出句子中存在的 Phrase， 然后随机 Mask 句子中的一些短语（文章并没有说 mask 多少百分比）， 然后预测 mask 掉的 Phrase 中的 word（字）， 即以 word（字）为预测单元。
5. Entity-level Masking 预训练
实体信息包括人名，地名，组织名称，产品名称等， 而实体又是一种抽象的概念，且通常包含着一些重要的信息，且实体之间的关系也十分重要。ERNIE 先用命名实体识别找出句子中的实体，然后与 Phrase-level 一样， mask 其中的一些实体并预测这些mask掉的 word (字)。
对此，Entity-level Masking 预训练能够捕捉到实体的语义信息，这点是毋庸置疑的，但对于实体间关系的抽取，从模型上来看并不突出，希望有大佬解释一下（论文中是提到可以学习到实体间关系，只是我对此存疑）。
6. 多源数据
ERNIE 在预训练时采用了多源数据，包括：中文维基百科，百度百科，百度新闻，百度贴吧。其中，百度贴吧由于其社区的特性，里面的内容是对话形式的，而 ERNIE 中对于 Segement Embedding 预训练与 Bert 的 NSP 不同的是，其采用 DLM 来获得这种句子粒度级别的信息，而这对于句子语义的把握更佳准确。
7， DLM：Dialogue Language Model
对比 Bert 中的 NSP， 似乎 DLM 更能把握句子的语义信息，且对于对话，问答这种形式的任务效果更好。DLM 的训练过程与 NSP 也有很大的区别，其输入如下：
为了使得 ERNIE 能够表示多轮对话，其输入采用QRQ, QQR,QRR（Q表示Query， R表示Response) 这几种形式， 如上图就是 QRQ 的一个例子。ERNIE 会 mask 掉输入的一些 token， 然后让模型去预测这些被 mask 掉的 token（文章并没有给出mask比例以及如何分配mask）。
同样有趣的是，ERNIE 也通过随机替换 Query 或 Response的方式来会添加一些 fake 样本来让模型去预测该输入是 real 还是 fake。
DLM 与 NSP 相比， 其更加复杂也更倾向于对话这种更高难度的任务，我个人认为，这种方式对于对话这种任务来说帮助很大。
我个人认为，句子粒度的信息还有很大的发展空间，希望有大神能出一个比较文章。
实验表现
这部分一部分参见论文，一部分参见[4]。ERNIE 至少在中文领域完全超越了Bert， 尤其是对于实体短语相关如命名实体识别，QA 相关的任务上表现突出。
百度的实力还是相当的屌啊，话说，为啥百度市值降到了400多亿美元，有没有大佬解释一下。
ERNIE: 清华 + 华为诺亚方舟
清华的这篇文章与百度的有很大的差异，同样是引入外部知识，清华走了与百度完全不一样的道路，我们先来看看他们是怎么做的。
两篇文章对比，百度那篇文章更侧重于训练一个更好的预训练语言模型， 而清华的这篇文章更侧重于如何融入知识图谱。
融入知识图谱面临的两大挑战
知识图谱本质是 实体 + 实体间关系， 其中实体为点，实体间关系为边。而将知识图谱引入到预训练语言模型，有两个主要的挑战：
Structed Knowledge Encoding：对于给定的文本，如何有效的提取其中的知识图谱信息并对其进行 encode。
Heterogeneous Information Fusion：即如何将 encode 后的知识图谱信息融入预训练模型。
1， 模型架构
我们看到，上述整个模型可以整体分为两部分：
T-Encoder：与 Bert 的预训练过程完全相同，是一个多层的双向 Transformer encoder， 用来捕捉词汇和语法信息。
K-Encoder：本文创新点，描述如何将知识图谱融入到预训练模型。
2， 模型输入
对于一个给定的句子， 以下是其对应的 token 序列，划分按照word（字）：
同时，文章采用命名实体识别的方式识别出句子中的实体，并与知识图谱中的实体进行对应， 由于实体往往不止一个token， 因此实体序列的长度与token序列的长度往往并不相等：
3， T - Encoder
前面提到，就是与 Bert 完全相同的，一个多层的双向 Transformer encoder， 其输出为：
4， TransE：encode 知识图谱
TransE 能够将实体与实体间关系转化为一种分布式表示， 而论文中就是采用这种方法，具体的我也不介绍了，对这方面了解有限：
5， K - Encoder
K - Encoder 的输入 tokens embedding 以及 entity embedding 首先分别经过一个多层的 Multi-head self-attentions(MH-ATTs)：
然后要将 entity embedding 与 token embedding 融合， 其中，emtity 与 token 之间是有对应的，文中采用第一个 token 作为对应方式，一部分token有对应的entity， 一部分没有（如上图）。
对于有对应实体的情况，则有：
对于没有对应实体的情况，则有：
此处的激活函数可以选择 GELU，
将上述操作简单描述， 那么第 i 个 aggregator 操作可以简述为：
6， dEA: denoising entity auto-encoder
从上式我们可以看出，该阶段的目的就是对于token序列与entity序列，计算每个token所对应的 entity 序列概率分布，以此来进行预训练。
该预训练模块的目的其实很明确，就是为了将 K-Encoder 输出的信息结合，毕竟不是每一个 token 都有对应的实体信息的。
在 dEA 的预训练过程中，考虑到 token 与 entity 之间的对齐误差， 因此采用一些策略进行调整：
5% 的情况下，对于给定的 token-entity 对，我们将实体替换为其他随机实体， 旨在减轻对齐过程所带来的误差。
15% 情况下，mask token-entity 对， 旨在减轻对于新 token-entity 所带来的误差
剩下80% ， 保持不变。
6， 其余
论文中的细节与创新点就是这些，其余的我觉得看的意义不是很大，因此我就简单过了，感兴趣的可以看一看，毕竟咱也没有资源去试。
最后
这两篇文章的质量都很高，可以说我是近一年来看的国内质量最高的几篇文章之二了。
对于百度的那篇文章，预训练过程的 entity-level 能否把握住实体之间的关系，我对此存疑，需要做实验证明一下。
对于清华的那篇文章，我个人感觉，太过复杂了，中间变化太多， 无论是命名实体识别， token-entity 对齐以及知识图谱的encode， 都会引入噪声，但无疑，这篇文章打开了一扇大门，相对创新性更高。
相信接下来是知识图谱研究者的时代了，对于这方面的知识融入，我个人更看好百度这个方向，不过目前百度的工作是不够的，相信如果能够验证百度的模型能否表示实体关系这个方向，绝对会是一篇不错的文章，如果可以，那么百度的这个方向无疑是接下来的最热点。
此外，还有一点有趣的是，句子粒度的预训练任务，句子的关系有：是它的下一句，上一句，回答，无关等关系，哪种预训练更能全面把握这种关系，也是值得思考的一个方向。
最后，段落粒度的方向，也值得一试，万一出结果了呢，哈哈哈哈。
个人水平不够，主要还是提一些我个人的看法，希望大家友善批评，不要骂我哦。
最后，大声喊出我们NLP新时代的口号： 大力出奇迹。
此时，某乞丐玩家路过，，，一群乞丐玩家留下了羡慕的泪水，哈哈哈哈。
Reference
[1] BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding
[2] ERNIE: Enhanced Representation through Knowledge Integration
[3] ERNIE: Enhanced Language Representation with Informative Entities
[4] 如何评价百度新发布的NLP预训练模型ERNIE？
本文由作者授权AINLP原创首发于公众号平台，点击'阅读原文'直达原文链接，欢迎投稿，AI、NLP均可。