本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

眾所周知，BERT在預訓練時會對某些單詞進行拆分 （術語叫做“WordPiece”）。

比如把“loved”、“loving”和“loves”拆分成“lov”、“ed”、“ing”和”es”。

目的是縮減詞表、加快訓練速度，但這樣一來，在某些時候反而會阻礙模型的理解能力。

比如把”lossless”分成”loss”和”less”的時候。

現在，來自哈工大和騰訊AI Lab的研究人員，嘗試利用不做單詞拆分的詞匯表開發了一個BERT風格的預訓練模型——WordBERT。

結果，這個WordBERT在完形填空測試和機器閱讀理解方面的成績相比BERT有了很大提高。

在其他NLP任務，比如詞性標注(POS-Tagging)、組塊分析(Chunking)和命名實體識別(NER)中，WordBERT的表現也都優于BERT。

由于不用分詞，這個WordBERT還可以直接進行中文訓練。

更值得一提的是，它在性能提升的同時，推理速度并沒有變慢。

可謂一舉多得。

NO WordPieces

與BERT類似，WordBERT包含兩個組件：詞向量（word embedding）和Transformer層。

和以前的模型一樣，WordBERT采用多層雙向Transformer來學習語境表示（contextualized representation）。

word embedding則是用來獲得單詞向量表示的參數矩陣，與把單詞分成WordPiece的BERT相比，WordBERT的詞匯由完整的單詞組成。

他們用自然語言處理軟件包Spacy處理數據，生成了兩個詞匯表，一個規模為500K，一個為1M。

詞匯表中還被單獨添加了5個特殊單詞：[PAD]、[UNK]、 [CLS]、[SEP]和[MASK]。

通過不同的詞匯表規模、初始化配置和不同語言，最后研究人員一共訓練出四個版本的WordBERT：

WordBERT-500K、WordBERT-1M、WordBERT-Glove和WordBERT-ZH。

它們的配置如上，嵌入參數都是隨機初始化的，嵌入維數和基準BERT保持一致。

其中WordBERT-Glove用的詞匯表是現成的Glove vocabulary，里面包含約190萬個未編碼的單詞，該模型由相應的單詞向量（word vectors）在WordBERT之上初始化而來。

WordBERT-ZH則是用中文詞匯訓練出來的WordBERT，它也保持了768的詞嵌入維數。

性能與速度兼具

在測試環節中，完形填空的測試數據集來自CLOTH，它由中學教師設計，通常用來對中國初高中學生進行入學考試。

其中既有只需在當前句子中進行推理的簡單題，也有需要在全文范圍內進行推理的難題。

結果如下：

△ M代表初中，H代表高中

WordBERT-1M獲得了最佳成績，并接近人類水平。

它在高中題比BERT高了3.18分，初中題高了2.59分，這說明WordBERT在復雜任務中具有更高的理解和推理能力。

在詞性標注、組塊分析和命名實體識別（NER）等分類任務中，WordBERT的成績如下：

相比來看，它在NER任務上的優勢更明顯一些（后兩列）。

研究人員推測，這可能是WordBERT在學習低頻詞的表征方面有優勢，因為命名實體（named entities）往往就是一些不常見的稀有詞。

對于“中文版”WordBERT-ZH，研究人員在CLUE benchmark上的各種任務中測試其性能。

除了BERT，對比模型還包括WoBERT和MarkBERT，這也是兩個基于BERT預訓練的中文模型。

結果，WordBERT-ZH在四項任務中都打敗了所有其他對比模型，在全部五項任務上的表現都優于基線BERT，并在TNEWS（分類）、OCNLI（推理）和CSL（關鍵字識別）任務上取得了3分以上的差距。

這說明，基于詞的模型對中文也是非常有效的。

最后，實驗還發現：

性能不差的WordBERT，在不同任務上的推理速度也并未“落于下風”。

關于作者

一作為哈工大計算機專業在讀博士生馮掌印，研究方向為NLP、文本生成。

他曾在微軟亞研院自然語言計算組、哈工大和科大訊飛聯合實驗室實習，在NLP領域的頂會ENNLP發表過一篇一作論文。

通訊作者為史樹明，來自騰訊AI Lab。

論文地址：

https://arxiv.org/abs/2202.12142