為了進一步促進中文自然語言處理的研究發(fā)展，哈工大訊飛聯(lián)合實驗室發(fā)布基于全詞覆蓋（Whole Word Masking）的中文BERT預訓練模型。我們在多個中文數(shù)據(jù)集上得到了較好的結(jié)果，覆蓋了句子級到篇章級任務(wù)。同時，我們對現(xiàn)有的中文預訓練模型進行了對比，并且給出了若干使用建議。我們歡迎大家下載試用。

下載地址：https://github.com/ymcui/Chinese-BERT-wwm

技術(shù)報告：https://arxiv.org/abs/1906.08101

摘要

基于Transformers的雙向編碼表示（BERT）在多個自然語言處理任務(wù)中取得了廣泛的性能提升。近期，谷歌發(fā)布了基于全詞覆蓋（Whold Word Masking）的BERT預訓練模型，并且在SQuAD數(shù)據(jù)中取得了更好的結(jié)果。應用該技術(shù)后，在預訓練階段，同屬同一個詞的WordPiece會被全部覆蓋掉，而不是孤立的覆蓋其中的某些WordPiece，進一步提升了Masked Language Model （MLM）的難度。在本文中我們將WWM技術(shù)應用在了中文BERT中。我們采用中文維基百科數(shù)據(jù)進行了預訓練。該模型在多個自然語言處理任務(wù)中得到了測試和驗證，囊括了句子級到篇章級任務(wù)，包括：情感分類，命名實體識別，句對分類，篇章分類，機器閱讀理解。實驗結(jié)果表明，基于全詞覆蓋的中文BERT能夠帶來進一步性能提升。同時我們對現(xiàn)有的中文預訓練模型BERT，ERNIE和本文的BERT-wwm進行了對比，并給出了若干使用建議。預訓練模型將發(fā)布在：https://github.com/ymcui/Chinese-BERT-wwm

簡介

Whole Word Masking (wwm)，暫翻譯為全詞Mask，是谷歌在2019年5月31日發(fā)布的一項BERT的升級版本，主要更改了原預訓練階段的訓練樣本生成策略。簡單來說，原有基于WordPiece的分詞方式會把一個完整的詞切分成若干個詞綴，在生成訓練樣本時，這些被分開的詞綴會隨機被[MASK]替換。在全詞Mask中，如果一個完整的詞的部分WordPiece被[MASK]替換，則同屬該詞的其他部分也會被[MASK]替換，即全詞Mask。

同理，由于谷歌官方發(fā)布的BERT-base（Chinese）中，中文是以字為粒度進行切分，沒有考慮到傳統(tǒng)NLP中的中文分詞（CWS）。我們將全詞Mask的方法應用在了中文中，即對組成同一個詞的漢字全部進行[MASK]。該模型使用了中文維基百科（包括簡體和繁體）進行訓練，并且使用了哈工大語言技術(shù)平臺LTP（http://ltp.ai）作為分詞工具。

下述文本展示了全詞Mask的生成樣例。

基線測試結(jié)果

我們選擇了若干中文自然語言處理數(shù)據(jù)集來測試和驗證預訓練模型的效果。同時，我們也對近期發(fā)布的谷歌BERT，百度ERNIE進行了基準測試。為了進一步測試這些模型的適應性，我們特別加入了篇章級自然語言處理任務(wù)，來驗證它們在長文本上的建模效果。

以下是我們選用的基準測試數(shù)據(jù)集。

我們列舉其中部分實驗結(jié)果，完整結(jié)果請查看我們的技術(shù)報告。為了確保結(jié)果的穩(wěn)定性，每組實驗均獨立運行10次，匯報性能最大值和平均值（括號內(nèi)顯示）。

▌中文簡體閱讀理解：CMRC 2018

CMRC 2018是哈工大訊飛聯(lián)合實驗室發(fā)布的中文機器閱讀理解數(shù)據(jù)。根據(jù)給定問題，系統(tǒng)需要從篇章中抽取出片段作為答案，形式與SQuAD相同。

▌中文繁體閱讀理解：DRCD

DRCD數(shù)據(jù)集由中國***臺達研究院發(fā)布，其形式與SQuAD相同，是基于繁體中文的抽取式閱讀理解數(shù)據(jù)集。

▌中文命名實體識別：人民日報，MSRA-NER

中文命名實體識別（NER）任務(wù)中，我們采用了經(jīng)典的人民日報數(shù)據(jù)以及微軟亞洲研究院發(fā)布的NER數(shù)據(jù)。

▌句對分類：LCQMC，BQ Corpus

LCQMC以及BQ Corpus是由哈爾濱工業(yè)大學（深圳）發(fā)布的句對分類數(shù)據(jù)集。

▌篇章級文本分類：THUCNews

由清華大學自然語言處理實驗室發(fā)布的新聞數(shù)據(jù)集，需要將新聞分成10個類別中的一個。

使用建議

基于以上實驗結(jié)果，我們給出以下使用建議（部分），完整內(nèi)容請查看我們的技術(shù)報告。

初始學習率是非常重要的一個參數(shù)（不論是BERT還是其他模型），需要根據(jù)目標任務(wù)進行調(diào)整。

ERNIE的最佳學習率和BERT/BERT-wwm相差較大，所以使用ERNIE時請務(wù)必調(diào)整學習率（基于以上實驗結(jié)果，ERNIE需要的初始學習率較高）。

由于BERT/BERT-wwm使用了維基百科數(shù)據(jù)進行訓練，故它們對正式文本建模較好；而ERNIE使用了額外的百度百科、貼吧、知道等網(wǎng)絡(luò)數(shù)據(jù)，它對非正式文本（例如微博等）建模有優(yōu)勢。

在長文本建模任務(wù)上，例如閱讀理解、文檔分類，BERT和BERT-wwm的效果較好。

如果目標任務(wù)的數(shù)據(jù)和預訓練模型的領(lǐng)域相差較大，請在自己的數(shù)據(jù)集上進一步做預訓練。

如果要處理繁體中文數(shù)據(jù)，請使用BERT或者BERT-wwm。因為我們發(fā)現(xiàn)ERNIE的詞表中幾乎沒有繁體中文。

聲明

雖然我們極力的爭取得到穩(wěn)定的實驗結(jié)果，但實驗中難免存在多種不穩(wěn)定因素（隨機種子，計算資源，超參），故以上實驗結(jié)果僅供學術(shù)研究參考。由于ERNIE的原始發(fā)布平臺是PaddlePaddle（https://github.com/PaddlePaddle/LARK/tree/develop/ERNIE），我們無法保證在本報告中的效果能反映其真實性能（雖然我們在若干數(shù)據(jù)集中復現(xiàn)了效果）。同時，上述使用建議僅供參考，不能作為任何結(jié)論性依據(jù)。

該項目不是谷歌官方發(fā)布的中文Whole Word Masking預訓練模型。

總結(jié)

我們發(fā)布了基于全詞覆蓋的中文BERT預訓練模型，并在多個自然語言處理數(shù)據(jù)集上對比了BERT、ERNIE以及BERT-wwm的效果。實驗結(jié)果表明，在大多數(shù)情況下，采用了全詞覆蓋的預訓練模型（ERNIE，BERT-wwm）能夠得到更優(yōu)的效果。由于這些模型在不同任務(wù)上的表現(xiàn)不一致，我們也給出了若干使用建議，并且希望能夠進一步促進中文信息處理的研究與發(fā)展。