解读预训练语言模型的2019：爆款新模型井喷，BERT要被全面碾压了吗？

自Google在2018年推出预训练语言模型BERT，在11项NLP任务上达到最高水平，预训练语言模型的研究与应用成为学术界和工业界广泛关注的重点，被认为开启了自然语言处理的新篇章。在2019年各大公司和高校陆续发布了自己的预训练语言模型，如：Facebook发布的RoBERTa，CMU发布的XLNet，Stanford发布的ELECTRA，还有百度的ERNIE模型等，不断刷新自然语言理解任务的最高表现，并且在细粒度舆情分析，序列化推荐等不同场景下展现了巨大的应用价值。本文着重对预训练语言模型的重要意义，当前的发展，包括模型，训练方法等进行了总结、回顾与探讨，也欢迎同行业的学者，专家交流指正。

预训练语言模型简介

语言模型的任务是根据一个句子里的已知词预测句子里的未知词，在自动填充（如：在电子邮件书写过程中的自动补全），机器翻译，语音识别等方向有着广泛的应用，传统的语言模型包括n-gram，HMM等。在2003年Joshua Bengio首次提出使用神经网络来建模语言模型，由于近期一系列有影响力的预训练语言模型的工作都是基于神经网络的，本章节将重点关注神经语言模型。

神经语言模型不仅提供了强大的建模语言模型的工具，同时，也提供了词，句子以及文本的向量表示。2013年诞生了被大家广泛使用的Word2Vec，利用语言模型作为训练任务，得到词的向量表示，这里每个词的向量表示是固定的，与上下文无关，例如：“bank”的词向量表示在“bank of China”和“river bank”这两个不同的上下文里面都是一样的。2017年ELMo利用双向LSTM获取了一个基于上下文的词向量表示（contextualized word embedding），使得每个词的向量表示包含了上下文的语义信息，例如前面的例子里面，“bank”一词在使用ELMo得到的embedding在不同的上下文是不一样的。此后的一系列工作都采用了基于上下文的词向量表示。

一个革命性的工作是2018年诞生的BERT，该工作将Transformer的架构引入了预训练语言模型，并开启了Pretraining-Finetuning的框架。该框架在预训练阶段基于大规模无监督语料进行两个预训练任务，分别是词级别和句子级别的，一个是MLM（Masked Language Modeling），另外一个是NSP（Next Sentence Prediction），MLM是从一个部分被Mask的句子恢复这些被Mask 掉的确实词，NSP是判断一个句对是不是上下句，从而获取基于上下文的词和句子的表示。在Finetune阶段，针对具体的下游任务，BERT会微调中间层参数以调整词的Embedding以及调整预测层的参数，成功的将预训练学到的词和句子的表示迁移到下游任务中，实现了对低资源任务的有效支撑。

预训练语言模型的发展现状

由于BERT取得的巨大成功，2019年在预训练语言模型方面涌现了一大批有效，实用并且带给人来启发的工作。由于篇幅有限，本文未能列举所有工作，只会挑选一些来阐述。下面在模型，预训练任务和算法三个维度进行总结。

模型方面

模型方面主要有以下几个方面的改进。

位置信息编码方式。BERT的网络架构是一个多层的Transformer网络，由于Transformer并没有直接考虑输入的token的位置信息，原始的Transformer模型和BERT分别采用了函数式和参数式的绝对位置编码方式，即每一个位置上输入的token会叠加一个与位置信息相关的一个embedding（这个embedding称为绝对位置编码：absolute position embedding，APE），前者的位置编码是一个与位置相关的函数，后者则是模型参数的一部分，在预训练过程中学到的。此后，CMU和Google提出的Transformer-XL和XLNet提出了相对位置编码方式，即在每一层计算隐状态的相互依赖的时候考虑它们之间的相对位置关系，这个相对位置信息表示为一个相对位置编码（relative position embedding，RPE），这两个工作均在相对位置编码中加入了可学习的参数。此后，华为发布的NEZHA模型使用了完全函数式的相对位置编码（相对位置编码没有任何需要学习的参数），实验结果表明该位置编码方式使得模型在各个下游任务上的效果均得到明显提升。

词表embedding矩阵的分解与中间层的层共享。 Google发布的ALBERT针对词表embedding矩阵进行了矩阵分解，将原先的大小为VH的词表embedding矩阵分解为两个大小分别为VE和E*H的low-rank矩阵相乘的形式，其中V，H分别为词表大小以及模型隐状态维度，E则是远小于V和H的值，因而这个方法有效的减少了词表embedding的参数。同时，该模型采用了层共享技术，并尝试了共享中间层多头注意力或者是Feed Forward Network的参数。实验证明该方法在显著少于原始BERT参数量的前提下在多个下游任务上大大超越了BERT。

预训练任务方面

在词级别的训练任务方面，一个为大家广泛使用且证明有效的方法是全词Mask技术。不同于原始的BERT模型Mask单个Token，该技术在MLM预训练任务中Mask整个词而不是单个Token（如下图全词Mask方法Mask了一整个词“大兴”），进而提升了任务难度使得BERT学到更多语义信息。此任务在Google发布的英文BERT的训练以及哈工大和科大讯飞联合发布的中文BERT模型以及华为发布的NEZHA模型中得到了应用。

百度发布的ERNIE模型在词法，句法以及语义方面分别引入了若干任务。词法方面，百度ERNIE采用了Knowledge Masking的方法，即MLM预训练任务中Mask若干实体。句法方面，其采用了句子重排序以及句子距离计算的任务。语义方面，百度ERNIE使用了大量来自搜索引擎的数据，采取了信息检索相关的任务。

CMU和Google联合发布的XLNet框架统一了预训练语言模型的Autoencoder和Auto-regressive两种框架。预训练阶段，一改原始BERT通过引入[MASK]字符来恢复缺失词，XLNet则是通过Auto-regressive的方式，逐个生成一个句子中的缺失词。这样的方式使得预训练和Finetune阶段都不需要引入[MASK]字符，解决了原始BERT的预训练和Finetune不一致（discrepancy）的问题（原始BERT的预训练语料中包含[MASK]字符而Finetune则不包含）。与此同时，Auto-regressive的生成方式也使得生成词之间具有一定的依赖，后生成的词会依赖之前生成的词，解决了原始BERT中各个缺失词互相之间独立生成的问题。此外，训练过程中，XLNet还将一个句子的缺失词进行了多次不同顺序的生成，充分利用了语料的语义信息。

华盛顿大学和Facebook联合发布的SpanBERT模型还引入了Span预测任务，该任务Mask一个连续的Span（例如下图中“场”，“很”，“不”三个字），利用Span前后的两个字的最上层表示（下图中的x3和x7）以及待预测字的位置信息来预测该字，如下图中，待预测字为“不”，Span预测任务会使用x3，x7和“不”这个字的位置信息（就是x3和x6还有p7，即“不”这个字的绝对位置编码）来预测该字，“场”和“很”的预测也是同样的方法。该方法使得Span前后的字的表示会包含Span中字的语义信息，由于在训练过程中，一个句子会被随机Mask很多次，所以句子中每个字都有机会成为Span的前后字，进而使得各个字学到的表示都会包含周围Span的信息，Span预测任务能够有效提高模型在下游的Span抽取任务（此任务的目标是获取一段文字中目标片段的开始和结束位置）的效果。

斯坦福大学提出的ELECTRA模型采用了生成对抗式的方法训练模型。生成器采用了BERT模型，即一个Denoising Autoencoder，恢复一个句子中被Mask的词，由于BERT不可能达到100%的复原，被恢复的词有一些是原句中的原词，有一些则被替换成了别的词。辨别器也是一个多层的Transformer网络，其训练任务是辨别生成器输出的句子中哪些词是原词，哪些是被替换的。在ELECTRA中，最终保留的是辨别器，由于预训练阶段，在生成器中，各个句子中的每一个词的表示都被使用来进行一个二分类任务（即是否是原词），相比原始的BERT（只有15%不到的词的表示被拿来做预测），ELECTRA的sample的利用率非常之高，进而收敛很快，在相同的FLOPS的情况下，性能优于BERT，ROBERTa等同样规模的预训练语言模型。

训练算法

在训练算法方面，当前有两个广泛使用的方法。

第一个在训练过程中变量的精度方面做了优化，此方法被称为混合精度训练（Mixed Precision Training），在传统的深度学习训练过程中，所有的变量包括weight，activation和gradient都是用FP32（单精度浮点数）来表示。而在混合精度训练过程中，每一个step会为模型的所有weight维护一个FP32的copy，称为Master  Weights，在做前向和后向传播过程中，Master Weights会转换成FP16（半精度浮点数）格式，权重，激活函数和梯度都是用FP16进行表示，最后梯度会转换成FP32格式去更新Master Weights。

第二个主要是优化算法方面的，此优化算法被称为LAMB优化器，通常在深度神经网络训练的Batch Size很大的情况下（超过一定阈值）会给模型的泛化能力带来负面影响。而LAMB优化器通过一个自适应式的方式为每个参数调整learning rate，能够在Batch Size很大的情况下不损失模型的效果，使得模型训练能够采用很大的Batch Size，进而极大提高训练速度。在训练BERT的研究中，使用LAMB优化器在不损失模型效果的前提下，Batch Size达到了超过30k，使得BERT的训练时间从3天降到了76分钟。

总结与展望

预训练语言模型在大规模无监督文本上进行预训练，将得到的词和句子的表示成功迁移到广泛的下游任务上，并取得了巨大成功，尤其对于低资源场景。2019年涌现出的一大批在预训练语言模型的探索工作主要围绕在预训练任务方面，通过设计任务使模型学到更加丰富有效的语义信息。

在未来，笔者认为预训练语言模型还有着巨大的发展空间。

笔者认为模型方面的发展方向有两条线：1，模型效果方面，根据XLNet的实验，我们看到当前即使large量级的模型还只能underfit海量的数据，因此，模型方面就效果而言还有很大的改进空间；2，训练效率方面，当前的训练各个预训练语言模型在几十块GPU的算力下还是需要若干天，算力和资金消耗巨大，如何巧妙设计模型，降低冗余的计算也是一个重要问题。

此外，2019年的大部分工作是基于BERT做了很多尝试性的工作，比如：函数式相对位置编码方面，经过尝试发现效果好，但似乎缺少针对性，笔者认为这是在模型的理论方面可解释性不够造成的，我们很难理解Transformer架构到底有什么欠缺，到底哪里学不好，每一部分到底起到什么作用，因而很难有针对性的改进方案。现有的解释性工作大多集中在解释预训练语言模型的功能，如：学到的词表示是否能够做词法和句法分析等，原理性的解释比较少，北京大学提出的MacaronNET 是一个很好的原理方面的解释性工作，用偏微分方程解释Transformer的工作原理，从数学的角度准确定量地阐释了Transformer的机制，不过确实需要很强的数学功底才能吃透，2020期待更多这方面的工作。

作者介绍

魏俊秋博士，华为高级技术专家，华为诺亚方舟实验室语音语义组的研究员，博士毕业于中国香港科技大学计算机系，本科毕业于南京大学。长期从事时空数据分析、主题模型、预训练语言模型的研究，在国际顶级会议和期刊，如：SIGMOD、TKDE、ICDM、TKDD发表论文数篇，并曾在国际知名会议，如：COLING、BIG DATA、BiGComp、PAKDD担任程序委员会委员。

本文是 InfoQ“解读 2019”年终技术盘点系列文章之一。