NLP中的预训练语言模型（二）—— Facebook的SpanBERT和RoBERTa

　　本篇带来Facebook的提出的两个预训练模型——SpanBERT和RoBERTa。

一，SpanBERT

　　论文：SpanBERT: Improving Pre-training by Representing and Predicting Spans 

　　GitHub：https://github.com/facebookresearch/SpanBERT

　　这篇论文中提出了一种新的mask的方法，以及一个新损失函数对象。并且讨论了bert中的NSP任务是否有用。接下来SpanBERT是如何预训练的，具体如下图所示：

　　　　

　　如上图所示，首先这里的mask策略是span mask。具体的做法是首先从一个几何分布中采样span的长度，且限制最大长度为10，然后再随机采样（如均匀分布) span的初始位置。整个训练任务就是预测mask的token，另外mask的比例问题和bert中类似。但是在这里引入了两个损失对象，$L_{MLM}$ 和$L_{SBO}$，$L_{MLM}$和bert中的一样，而这个$L_{SBO}$是只通过span的边界处的两个token来预测span中mask的词，公式表示如下：

　　　　

　　函数$f(.)$表示如下：

　　　　

　　除了这些之外还有两个策略，一是动态mask，在bert中是在数据预处理阶段对一条序列随机不同的mask 10次，而在这里是每次epoch时对序列使用不同的mask。二是bert中会在数据预处理阶段生成10%的长度短于512的序列，而在这里不做这样的操作，只是对一个document一直截取512长度的序列，但最后一个序列长度可能会小于512。另外将adam中的$\epsilon$设置为1e-8。作者根据这两个策略从新训练了一个bert模型，同时去除NSP任务只使用单条序列训练了一个bert模型。因此作者给出了四个模型的性能对比：

　　Google BERT：谷歌开源的bert

　　Our BERT：基于上面两个策略训练出来的bert

　　Our BERT-1seq：基于上面两个策略，且去除NSP任务的bert

　　SpanBERT：本篇论文提出的模型

　　作者给出的第一个性能测试的表格是在SQuAD数据集上，

　　　　

　　SpanBERT是有很大的提升的，另外去除NSP任务也有提升，作者认为NSP任务使得单条序列的长度不够，以至于模型无法很好的捕获长距离信息。另外在其他的抽取式QA任务上也有很大的提升

　　　　

　　个人认为SpanBERT在抽取式QA任务上能取得如此大的提升，是因为SpanBERT中构造的任务，尤其是SBO任务实际上是有点贴合抽取式QA任务的。

　　在其他任务上SpanBERT也有一些提升，但是没有在抽取式QA任务上提升这么大，此外作者也做实验表示随机mask span的效果是要优于mask 实体或者短语的。

　　综合来说，SpanBERT在抽取式QA上的效果表现优异，在抽取式QA上是值得尝试的。

二，RoBERTa

　　论文：RoBERTa: A Robustly Optimized BERT Pretraining Approach

　　GitHub：https://github.com/brightmart/roberta_zh

　　本篇论文主要是在bert的基础上做精细化调参，可以看作是终极调参，最后性能不仅全面碾压bert，且在大部分任务上超越了XL-Net。

　　总结下，主要有以下六处改变的地方：

　　1）Adam算法中的参数调整，$\epsilon$由1e-6改成1e-8，$\beta_2$由0.999改成0.98。

　　2）使用了更多的数据，从16GB增加到160GB。

　　3）动态mask取代静态mask。

　　4）去除NSP任务，并采用full-length 序列。

　　5）更大的batch size，更多的训练步数。

　　6）用byte-level BPE取代character-level BPE。

　　接下来我们来结合作者的实验看看。首先作者任务调整adam的参数是可以使得训练更加稳定且也能取得更好的性能，但并没有给出实验数据。增加数据提升性能是毋庸置疑的。

　　动态mask

　　在bert中是在数据预处理时做不同的mask 10次，这样在epochs为40的时候，平均每条mask的序列会出现4次，作者在这里使用动态mask，即每次epochs时做一次不同的mask。结果对比如下：

　　　　

　　说实话，没觉得有多大提升，毕竟我们在训练模型的时候，一条数据也会被模型看到多次。

　　模型输入

　　对比了有无NSP任务的性能，以及不同的序列输入的性能，作者在这里给出了四种输入形式：

　　1）SEGMENT-PAIR + NSP：两个segment组成句子对，并且引入NSP任务

　　2）SENTENCE-PAIR + NSP：两个sentence组成句子对，并且引入NSP任务，总长可能会比512小很多。

　　3）FULL-SENTENCES：有多个完成的句子组成，对于跨文档的部分，用一个标识符分开，但是总长不超过512，无NSP任务

　　4）DOC-SENTENCES：有多个完整的句子组成，但是不跨文档，总长不超过512

　　性能如下：

　　　　

　　显然直接用句子对效果最差，作者认为主要时序列长度不够，导致模型无法捕捉长距离信息。并且去除NSP任务效果也有所提升。

　　更大的batch size，更多的训练次数

　　作者认为适当的加大batch size，既可以加速模型的训练，也可以提升模型的性能。

　　　　

　　之后作者在8k的batch size下又增大训练次数

　　　　

　　从实验中可以看出采用更大的训练次数，性能也是有不小的提升的。并且可以看到即使在训练数据差不多的情况下，RoBERTa也是要优于BERT的。

　　总之RoBERTa是一个调参成功的BERT，在诸多任务上全面超越bert，大部分超越XL-Net。