不拆分单词也可以做NLP，哈工大最新模型在多项任务中打败BERT

众所周知，BERT在预训练时会对某些单词进行拆分（术语叫做“WordPiece”）。

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

目的是缩减词表、加快训练速度，但这样一来，在某些时候反而会阻碍模型的理解能力。

比如把”lossless”分成”loss”和”less”的时候。

现在，来自哈工大和腾讯AI Lab的研究人员，尝试利用不做单词拆分的词汇表开发了一个BERT风格的预训练模型——WordBERT。

结果，这个WordBERT在完形填空测试和机器阅读理解方面的成绩相比BERT有了很大提高。

在其他NLP任务，比如词性标注(POS-Tagging)、组块分析(Chunking)和命名实体识别(NER)中，WordBERT的表现也都优于BERT。

由于不用分词，这个WordBERT还可以直接进行中文训练。

更值得一提的是，它在性能提升的同时，推理速度并没有变慢。

可谓一举多得。

NO WordPieces

与BERT类似，WordBERT包含两个组件：词向量（word embedding）和Transformer层。

和以前的模型一样，WordBERT采用多层双向Transformer来学习语境表示（contextualized representation）。

word embedding则是用来获得单词向量表示的参数矩阵，与把单词分成WordPiece的BERT相比，WordBERT的词汇由完整的单词组成。

他们用自然语言处理软件包Spacy处理数据，生成了两个词汇表，一个规模为500K，一个为1M。

词汇表中还被单独添加了5个特殊单词：[PAD]、[UNK]、[CLS]、[SEP]和[MASK]。

通过不同的词汇表规模、初始化配置和不同语言，最后研究人员一共训练出四个版本的WordBERT：

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

它们的配置如上，嵌入参数都是随机初始化的，嵌入维数和基准BERT保持一致。

其中WordBERT-Glove用的词汇表是现成的Glove vocabulary，里面包含约190万个未编码的单词，该模型由相应的单词向量（word vectors）在WordBERT之上初始化而来。

WordBERT-ZH则是用中文词汇训练出来的WordBERT，它也保持了768的词嵌入维数。

性能与速度兼具

在测试环节中，完形填空的测试数据集来自CLOTH，它由中学教师设计，通常用来对中国初高中学生进行入学考试。

其中既有只需在当前句子中进行推理的简单题，也有需要在全文范围内进行推理的难题。

结果如下：

WordBERT-1M获得了最佳成绩，并接近人类水平。

它在高中题比BERT高了3.18分，初中题高了2.59分，这说明WordBERT在复杂任务中具有更高的理解和推理能力。

在词性标注、组块分析和命名实体识别（NER）等分类任务中，WordBERT的成绩如下：

相比来看，它在NER任务上的优势更明显一些（后两列）。

研究人员推测，这可能是WordBERT在学习低频词的表征方面有优势，因为命名实体（named entities）往往就是一些不常见的稀有词。

对于“中文版”WordBERT-ZH，研究人员在CLUE benchmark上的各种任务中测试其性能。

除了BERT，对比模型还包括WoBERT和MarkBERT，这也是两个基于BERT预训练的中文模型。

结果，WordBERT-ZH在四项任务中都打败了所有其他对比模型，在全部五项任务上的表现都优于基线BERT，并在TNEWS（分类）、OCNLI（推理）和CSL（关键字识别）任务上取得了3分以上的差距。

这说明，基于词的模型对中文也是非常有效的。

最后，实验还发现：

性能不差的WordBERT，在不同任务上的推理速度也并未“落于下风”。

关于作者

一作为哈工大计算机专业在读博士生冯掌印，研究方向为NLP、文本生成。

他曾在微软亚研院自然语言计算组、哈工大和科大讯飞联合实验室实习，在NLP领域的顶会ENNLP发表过一篇一作论文。

通讯作者为史树明，来自腾讯AI Lab。