【预训练语言模型】StructBERT: Incorporation Language Structures into Pre

模型】StructBERT: Incorporation Language Structures into Pre"/>

【预训练语言模型】StructBERT: Incorporation Language Structures into Pre

【预训练语言模型】StructBERT: Incorporation Language Structures into Pre-training For Deep Language Understanding

在预训练语言模型考虑文本的结构信息，并提出新的预训练任务，在word和sentence级别上融入结构信息。引入结构信息的语言模型，在GLUE、SQuAD和NLI等下游任务上达到了SOTA。

备注：GLUE榜单：

简要信息：

一、动机

• 如何学习word的表征，并应用于下游任务一直以来是研究的核心。现如今基于BERT的双向深度表征方法常采用Masked Language Modeling作为自监督训练的任务，但他们均忽略了文本内在的结构信息；
• 句子的结构信息包括inner-sentence（word-level）和inter-sentence（sentence）。先前的方法没有捕捉到word和sentence之间的依赖关系。

二、方法

Input Representation

与BERT一样，输入single sentence或sentence-pair，并对所有word embedding、position embedding和segment embedding进行求和。文本中插入[CLS]和[SEP]等特殊的token。输入最大长度设置为512，采用WordPiece分词规则。

Transformer Encoder

与BERT一样，采用多层Transformer进行表征；

Training

除了标准的Masked Language Modeling任务外，额外提出两个任务：

（1）Word Structure Objective
给定一个sentence，对其中的若干token随机打乱顺序，目标让模型能够reconstruct原始的token顺序，即预测出每个token对应的真实位置。

训练目标为：

其中 K K K 为随机打乱顺序的token个数，本文采用类似滑动窗口方法，随机打乱长度为 K K K 的窗口内的token序列，实验中认为 K = 3 K=3 K=3 比较合适。

因此给定一个句子，首先随机选择15%的token替换为[MASK]，然后再随机选择5%的窗口（长度均为3，且窗口内不包含[MASK]）。对每个窗口内的3个token随机改变顺序。输出部分，除了对[MASK]部分预测其真实token的概率外，对打乱过的token也预测其对应的真实token。

（2）Sentence Structure Objective

给定一个sentence pair ( S 1 , S 2 ) (S_1, S_2) (S1​,S2​)。原始BERT中的Next Sentence Prediction只是一个二分类问题（预测句子 S 2 S_2 S2​ 是否是 S 1 S_1 S1​ 的下一句）。本部分则拓展为三分类，即预测 S 2 S_2 S2​ 是否是 S 1 S_1 S1​ 的下一句、预测 S 1 S_1 S1​ 是否是 S 2 S_2 S2​ 的上一句，以及两个句子是否无关。

如上图，首先从大规模语料中随机采样一个句子 S 1 S_1 S1​， 对于该句子，如果其后一个序列作为 S 2 S_2 S2​，则标签为1；如果其前一个序列作为 S 2 S_2 S2​，则标签为2；如果从其他文档中随机采样一个句子作为 S 2 S_2 S2​，则标签为0。三类采样比例均分。

Pre-training

语料选择Wikipedia、BookCurpus。提供了base和large两种模型：

base训练40epoch，耗时38小时；large训练了7天。

三、实验

GLUE

发现当StructBERT与RoBERTa进行集成时，效果最好。

StructBERTRoBERTa表示在RoBERTa训练好的模型基础上，引入本文提出的两个目标继续进行训练得到的模型。

Extractive QA

以SQuAD1.1为例的抽取式问答实验结果：

在验证集上达到93.0。（StructBERT并未在SQuAD榜单上提交）