StructBERT详解

StructBERT: Incorporating Language Structures into Pre-training for Deep Language Understanding

StructBERT是阿里对的一个BERT改进，模型取得了很好的效果，目前在GLUE排行榜上排名第二

首先我们看下面一个英文和中文两句话

i tinhk yuo undresatnd this sentneces.研表究明，汉字序顺并不定一影阅响读。比如当你看完这句话后，才发这现里的字全是都乱的

其实上面两个句子都是乱序的

这就是structBERT的改进思路的来源。对于一个人来说，字或字符的顺序不影响阅读，模型也是一样，一个好的LM，需要懂得自己纠错

StructBERT的模型架构和BERT一样，它改进在于，在现有MLM和NSP任务的情况下，新增了两个预训练目标：Word Structural Objective和Sentence Structural Objective

Word Structural Objective

从未被mask的序列中随机选择部分子序列（使用超参数KKK来确定子序列的长度），将子序列中的词序打乱，让模型重建原来的词序

argmaxθ∑log⁡P(pos1=t1,pos2=t2,...,posk=tk∣t1,t2,...,tk,θ)\mathop{argmax}\limits_{\theta}\sum \log P(pos_1=t_1,pos_2=t_2,...,pos_k=t_k\mid t_1,t_2,...,t_k,\theta) θargmax​∑logP(pos1​=t1​,pos2​=t2​,...,posk​=tk​∣t1​,t2​,...,tk​,θ)其中，θ\thetaθ表示模型的参数，希望的结果是把子序列恢复成正确顺序的likelihood最大

• Larger KKK，模型必须要学会重建更多的干扰数据，任务难

• Smaller KKK，模型必须要学会重建较少的干扰数据，任务简单

论文中设定的是K=3K=3K=3，这对单个句子任务的效果比较好

Sentence Structural Objective

给定句子对（S1,S2），判断S2是S1的下一个句子、上一个句子、毫无关联的句子（三分类问题）

采样时，对于一个句子S，13\frac{1}{3}31​的概率采样S的下一句组成句对，13\frac{1}{3}31​的概率采样S的上一句，13\frac{1}{3}31​的概率随机采样另一个文档的句子组成句对

Ablation Studies

作者对于提出的两个预训练任务进行了消融研究，以验证每个任务的有效性

如上图所示，这两个任务对大多数下游任务的性能都有很大影响（除了SNLI）

• 前三个是单句任务，可以看出Word Structural Objective对它们的影响很大

• 后三个是句对任务，可以看出Sentence Structural Obejctive对它们的影响很大

后记

很可惜，笔者翻遍了github也没有找到预训练好的StructBERT模型

Reference

• StructBERT调研

• StructBERT(ALICE) 详解

• StructBert Review

本文链接:https://www.ngui.cc/el/2862835.html