COLING 2020 | CharBERT：字符敏感的预训练语言模型

©PaperWeekly 原创 · 作者｜张琨

学校｜中国科学技术大学博士生

研究方向｜自然语言处理

论文标题：

CharBERT: Character-aware Pre-trained Language Model

论文链接：

https://arxiv.org/abs/2011.01513

代码链接：

https://github.com/wtma/CharBERT

动机

预训练模型的利用已经成为当前自然语言处理的范式，使用预训练模型处理输出，然后在此基础上根据具体任务进行调整。为了提升预训练模型的效果，人们提出了很多改进的办法，例如更好的 masking 方法，更大的 batch 等。但很少有工作关注于输入的编码，当前的 word piece 编码方式 BPE 虽然能够降低字典大小，同时缓解 OOV 问题，但仍然存在一些问题。

如下图所示，首先 BPE 的方法无法表示完整词的信息以及更细粒度的字符级别的信息，如下图左边所示，第一层和第三层的内容都没有被表示出来，第二 BPE 的方法很容易受到攻击，如果替换了输入词中的一个字符，那么切分出来 word piece 受到的影响就会比较大。为了解决 BPE 存在的这些问题，本文从输入编码的角度提出了 CharBERT，通过更全面的编码方式和更好的融合方式提升预训练模型的效果。

模型

下图就是 CharBERT 模型的结构，为了更好的表示输入词，作者使用了一个双路结构，然后充分 CNN，RNN 的优势，最终实现了效果的提升，接下来，将对模型的技术细节进行分析

2.1 Character Encoding

除了对输入句子使用原始 BERT embedding，作者还考虑字符级别的信息，同时为了考虑全局上下文信息，作者将整个句子的字符序列输入到双向 GRU 中，然后每个词的表示就是这个词的开头和结尾信息的拼接，公式可以表示为如下形式

其中 是指第 i 个 token 的长度。通过这种形式最终得到用字符表示的每个词的向量表示。

2.2 Heterogeneous Interaction

在得到两种不同的 embedding 表示之后，作者提出了一种新的融合方式。具体而言，该方法首先通过 FFN 将两种不同的 embedding 映射到同一空间，然后拼接起来，并在此基础上使用 CNN 抽取局部特征，在得到局部特征之后，分别使用不同的 FFN 再映射会原来各自的空间，然后进行残差链接，通过这样的形式就进行了一次融合，具体过程如下：

这就完成了一次交互，然后再过 transformer，然后再进行交互，不断重复该过程，实现对输入的更好的建模。

2.3 Unsupervised Character Pre-training

除了模型结构上的增加，为了解决 BPE 比较脆弱的问题，作者也增加了一个非监督的字符级别预训练，该过程可以用下图表示：

原来的 MLM 预训练任务保持，但同时作者考虑了一个 NLM（Noise Language Model），该任务针对的就是字符级别的表示，将原始输入中的某些字符替换掉（包括丢掉，增加，交换），模型需要预测数来原始的输入词是什么，通过这种方式实现了更稳定的模型性能。

这里需要说明的是 MLM 和 NLM 是不交叉的，即如果某个词被替换了某个字符，那么这个词就不会被 mask 掉，保证了 MLM 任务的干净。

以上就是整个方法的技术内容。

实验

在实验部分，作者使用了 BERT 和 RoBERTa 作为基本模型，English Wikipedia  作为预训练的语料集，下游测试任务为 SQuAD，Text Classification，Sequence Labeling。相关实验结果如下：

当然作者还进行了一些模型健壮性，消融实验和其他的一些实验，用于支持文中提出的方法

总结

本文最突出的一个地方在于考虑了更好的 embedding 方法，而不是只使用 BPE 的结果，通过结合字符级别和词级别的信息实现了更为全面的输入编码，同时，结合 RNN 和 CNN 的优势也是本文的另一个亮点，基本上 CNN，RNN，Transformer 都使用上了，也体现了新老研究成果的结合在一定程度上能进一步提升方法的性能，可以认为是一个可行的研究方向。

更多阅读

#投 稿 通 道#

 让你的论文被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。 

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学习心得或技术干货。我们的目的只有一个，让知识真正流动起来。

📝 来稿标准：

• 稿件确系个人原创作品，来稿需注明作者个人信息（姓名+学校/工作单位+学历/职位+研究方向） 

• 如果文章并非首发，请在投稿时提醒并附上所有已发布链接 

• PaperWeekly 默认每篇文章都是首发，均会添加“原创”标志

📬 投稿邮箱：

• 投稿邮箱：[e-mail] 

• 所有文章配图，请单独在附件中发送 

• 请留下即时联系方式（微信或手机），以便我们在编辑发布时和作者沟通

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。