层次分解位置编码，让BERT可以处理超长文本

©PaperWeekly 原创 · 作者｜苏剑林

单位｜追一科技

研究方向｜NLP、神经网络

大家都知道，目前的主流的 BERT 模型最多能处理 512 个 token 的文本。导致这一瓶颈的根本原因是 BERT 使用了从随机初始化训练出来的绝对位置编码，一般的最大位置设为了 512，因此顶多只能处理 512 个 token，多出来的部分就没有位置编码可用了。当然，还有一个重要的原因是 Attention的 复杂度，导致长序列时显存用量大大增加，一般显卡也 finetune 不了。

本文主要面向前一个原因，即假设有足够多的显存前提下，如何简单修改当前最大长度为 512 的 BERT 模型，使得它可以直接处理更长的文本，主要思路是层次分解已经训练好的绝对位置编码，使得它可以延拓到更长的位置。

位置编码

BERT 使用的是训练出来的绝对位置编码，这种编码方式简单直接，效果也很不错，但是由于每个位置向量都是模型自己训练出来的，我们无法推断其余位置的编码向量，因此有了长度限制。

解决这个问题的一个主流思路是换成相对位置编码，这是个可行的办法，华为的 NEZHA [1] 模型便是一个换成了相对位置编码的 BERT 模型。相对位置编码一般会对位置差做个截断，使得要处理的相对位置都在一个有限的范围内，因此相对位置编码可以不受限于序列长度。

但相对位置编码也不是完美的解决方案，首先像 NEZHA 那样的相对位置编码会增加计算量（如果是 T5 那种倒是不会），其次是线性 Attention 则没法用相对位置编码，也就是不够通用。

读者可能会想起 Attention is All You Need 不是提出了一种用 表示的 Sinusoidal 绝对位置编码吗？直接用那种不就不限制长度了？理论上是这样，但问题是目前没有用 Sinusoidal 位置编码的模型开放呀，难道我们还要自己从零训练一个？这显然不大现实呀。

层次分解

所以，在有限资源的情况下，最理想的方案还是想办法延拓训练好的 BERT 的位置编码，而不用重新训练模型。下面给出笔者构思的一种层次分解方案。

▲ 位置编码的层次分解示意图

具体来说，假设已经训练好的绝对位置编码向量为 ，我们希望能在此基础上构造一套新的编码向量 ，其中 。为此，我们设：

其中 且 是一个超参数， 是该套位置编码的“基底”。这样的表示意义很清晰，就是将位置 层次地表示为 ，然后 i, j 对应的位置编码分别为 ，而最终 的编码向量则是两者的叠加。不难理解，要求 是为了区分 (i, j) 和 (j, i) 两种不同的情况。

我们希望在不超过 n 时，位置向量保持跟原来的一样，这样就能与已经训练好的模型兼容。换句话说，我们希望 ，这样就能帮助我们把各个 给确定下来了：

这样一来，我们的参数还是 ，但我们可以表示出 个位置的编码，并且前 n 个位置编码跟原来模型是相容的。

自我分析

事实上，读懂了之后，读者就会发现其实这个分解几乎没什么技术含量，就是一个纯粹的拍脑袋的结果而已。

至于为什么会觉得这样做有效？一是由于层次分解的可解释性很强，因此可以预估我们的结果具有一定外推能力，至少对于大于 n 的位置是一个不错的初始化；二则是下一节的实验验证了，毕竟实验是证明 trick 有效的唯一标准。

本质上来说，我们做的事情很简单，就是构建一种位置编码的延拓方案，它跟原来的前 n 个编码相容，然后还能外推到更多的位置，剩下的就交给模型来适应了。这类做法肯定有无穷无尽的，笔者只是选择了其中自认为解释性比较强的一种，提供一种可能性，并不是最优的方案，也不是保证有效的方案。

此外，讨论一下 的选取问题，笔者默认的选择是 。理论上来说， 且 都成立，但是从实际情况出发，还是建议选择 的数值。

因为我们很少机会碰到上万长度的序列，对于个人显卡来说，能处理到 2048 已经很壕了，如果 n=512，那么这就意味着 i = 1, 2, 3, 4 而 ，如果 的话，那么从分解式（1）看 就会占主导，因为位置编码之间差异变小，模型不容易把各个位置区分开来，会导致收敛变慢；如果 ，那么占主导的是 ，位置编码的区分度更好，模型收敛更快一些。

实践测试

综上所述，我们可以几乎无成本地延拓 BERT 的绝对位置编码，使得它最大长度可以达到 ！这绝对能满足我们的需求了吧？该改动已经内置在 bert4kera>=0.9.5 中，用户只需要在 build_transformer_model 中传入参数 hierarchical_position=True 即可启用，True 也可以换为 0～1 之间的浮点数，代表上述 的值，为 True 时则默认 。

至于效果，笔者首先测了 MLM 任务，直接将最大长度设为 1536，然后加载训练好的 RoBERTa 权重，发现 MLM 的准确率大概是 38% 左右（如果截断到 512，那么大概是 55% 左右），经过 finetune 其准确率可以很快（2000 步左右）恢复到 55% 以上。

这个结果表明这样延拓出来的位置编码在 MLM 任务上是行之有效的。如果有空余算力的话，在做其他任务之前先在 MLM 下继续预训练一会应该是比较好的。

然后测了两个长文本分类问题，分别将长度设为 512 和 1024，其他参数不变进行 finetune（直接 finetune，没有 MLM 继续预训练），其中一个数据集的结果没有什么明显变化；另一个数据集在验证集上 1024 的比 512 的要高 0.5% 左右。

这再次表明本文所提的层次分解位置编码是能起作用的。所以，大家如果有足够显存的显卡，那就尽管一试吧，反正在 bert4keras 下就是多一行代码的事情，有提升就是赚到了，没提升也没浪费多少精力。

最后提供一个 finetune 阶段最大长度与最大 batch_size 的参照表（RoBERTa Base 版，24G 的 TITAN RTX）：

文章小结

本文分享了笔者构思的一种基于层次分解的位置编码延拓方案，通过这个延拓，BERT理论上最多可以处理多达 26 万长度的文本，只要显存管够，就没有 BERT 处理不了的长文本。

所以，你准备好显存了吗？

参考文献

[1] https://github.com/huawei-noah/Pretrained-Language-Model/tree/master/NEZHA-TensorFlow

[2] https://github.com/bojone/bert4keras

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。