孟曉龍,任正非

（1.上海旅游高等?？茖W(xué)校，上海 201418；2.上海師范大學(xué)旅游學(xué)院，上海 201418；3.科克大學(xué)數(shù)學(xué)學(xué)院，科克 愛爾蘭）

0 引言

基于大規(guī)模文本語料庫的預(yù)先訓(xùn)練模型能夠?qū)W習(xí)通用語義表征，再根據(jù)給定數(shù)據(jù)集進(jìn)行微調(diào)可以顯著提升預(yù)先訓(xùn)練模型在各類自然語言處理任務(wù)的性能［1］。文本分類作為自然語言處理的一個(gè)基礎(chǔ)任務(wù)，試圖推斷出給定的文本（或句子、文檔等）的標(biāo)簽或標(biāo)簽集合，在如情感傾向分析、新聞主題分類、內(nèi)容審核、問答系統(tǒng)等［2-3］諸多領(lǐng)域有廣泛的應(yīng)用。

本文基于某政務(wù)平臺(tái)公眾留言文本分類數(shù)據(jù)，分別從如何合理地選擇給定數(shù)據(jù)集的特征來源，如何在效果損失較少的情況下顯著地提升模型速率，如何有效地設(shè)計(jì)微調(diào)策略等三個(gè)方面進(jìn)行研究。主要的貢獻(xiàn)有：

（1）相對(duì)僅選取公眾留言數(shù)據(jù)集的“主題”作為數(shù)據(jù)特征來源，采用“主題+詳情”的效果可提高2%～3%；

（2）相對(duì)典型的預(yù)先訓(xùn)練模型BERT，本文采用的基于全詞掩蔽的擴(kuò)展模型RoBERTa-wwmext的效果提高2%左右，基于知識(shí)蒸餾的壓縮模型RBT3的速率提升2～4倍；

（3）相對(duì)模型默認(rèn)微調(diào)策略，本文采用的判別微調(diào)和傾斜的三角學(xué)習(xí)率等微調(diào)策略效果可提高2%～3%。

1 相關(guān)工作

1.1 上下文編碼器

Peters等人2018年采用深度雙向Bi-LSTM來實(shí)現(xiàn)上下文相關(guān)，提出［4］一種動(dòng)態(tài)的、語境化的語言模型ELMo（embedding from language models），將目標(biāo)任務(wù)處理轉(zhuǎn)移到預(yù)先訓(xùn)練產(chǎn)生詞向量的過程中。Devlin等人2018年提出基于多層雙向Transformer結(jié)構(gòu)的語義表征模型BERT（bidirectional encoder representations from transformers），同時(shí)利用掩碼語言模型和下一句子預(yù)測(cè)任務(wù)［5］來獲得高級(jí)別的語義表征。Liu等人2019年基于語義表征模型BERT，去掉下一句子預(yù)測(cè)任務(wù)，設(shè)計(jì)動(dòng)態(tài)更新掩蔽模式，以及使用更大的語料庫、設(shè)置更大的批次大小和更長(zhǎng)的訓(xùn)練時(shí)間的訓(xùn)練策略［6］，提出強(qiáng)力優(yōu)化的BERT語義表征模型RoBERTa（robustly optimized bert pre-train-ing approach）。Cui等人2019年利用全詞掩蔽WWM（whole word masking）來替代BERT模型采用的部分詞掩蔽方法，提出更適合中文自然語言處理任務(wù)的BERT-wwm模型［7］，并在綜述文章［8］中介紹基于全詞掩蔽的強(qiáng)力優(yōu)化語義表征擴(kuò)展模型RoBERTa-wwm-ext和基于知識(shí)蒸餾的壓縮模型RBT3。

1.2 微調(diào)策略

隨著預(yù)先訓(xùn)練模型深度的增加，其所捕獲的語義表征使目標(biāo)任務(wù)更加容易。然而，作為預(yù)先訓(xùn)練模型適應(yīng)目標(biāo)任務(wù)的主要方法的微調(diào)過程往往是脆弱的，即使有相同的超參數(shù)值，不同的隨機(jī)種子就可導(dǎo)致實(shí)質(zhì)上不同的結(jié)果［1］。

Sun等人的研究表明［9］，對(duì)相關(guān)領(lǐng)域語料進(jìn)行進(jìn)一步的預(yù)先訓(xùn)練，可以進(jìn)一步提高BERT的能力，并在文本分類數(shù)據(jù)集上取得SOTA的性能。Stickland等人在預(yù)先訓(xùn)練模型BERT添加額外的特定任務(wù)適應(yīng)模塊PALs（projected attention layers）［10］，實(shí)現(xiàn)比標(biāo)準(zhǔn)微調(diào)模型少7倍參數(shù)，卻在通用語言理解評(píng)估基準(zhǔn)GLUE表現(xiàn)相當(dāng)?shù)男阅?。Goyal等人2017年提出預(yù)熱方法［11］，即在訓(xùn)練初期使用較小的學(xué)習(xí)率開始，并在訓(xùn)練后期逐步增大到較大的學(xué)習(xí)率。Howard等人2018年提出傾斜的三角學(xué)習(xí)率STLR（slanted triangular learning rates）方法［12］，先線性地增加學(xué)習(xí)率，然后根據(jù)訓(xùn)練周期線性地衰減學(xué)習(xí)率。同時(shí)，Howard等人提出判別微調(diào)DF（discriminative fine-tuning）方法［12］，即區(qū)分性地以不同的學(xué)習(xí)速率調(diào)整每個(gè)層的訓(xùn)練。

2 關(guān)鍵技術(shù)

2.1 強(qiáng)力優(yōu)化的BERT語義表征模型

多層雙向語義表征模型BERT的出現(xiàn)［5］使預(yù)先訓(xùn)練模型應(yīng)用于自然語言處理領(lǐng)域真正走向成熟，并在工業(yè)界得到廣泛的應(yīng)用，也成為學(xué)術(shù)界的研究熱點(diǎn)。基于BERT的改進(jìn)版本也逐漸被提出，在各類任務(wù)中展現(xiàn)SOTA的表現(xiàn)。針對(duì)BERT的改進(jìn)，主要體現(xiàn)在增加訓(xùn)練語料、增添預(yù)先訓(xùn)練任務(wù)、改進(jìn)掩蔽方式、調(diào)優(yōu)超參數(shù)和優(yōu)化（壓縮）模型結(jié)構(gòu)等。

2.1.1 多層雙向語義表征模型

多層雙向語義表征模型BERT根據(jù)不同任務(wù)和輸出，聯(lián)合訓(xùn)練掩碼語言模型MLM（masked language model）和下一句子預(yù)測(cè)任務(wù)NSP（next sentence prediction）來獲得高級(jí)別的語義表征［5］。

其中：

掩碼語言模型MLM：隨機(jī)將輸入中15%的詞遮蔽起來，通過其他的詞來預(yù)測(cè)被遮蔽的詞，可以學(xué)習(xí)到詞的上下文特征、語法結(jié)構(gòu)特征和句法特征等，保證特征提取的全面性。

下一句子預(yù)測(cè)任務(wù)NSP：輸入句子A和句子B，判斷句子B是否是句子A的下一句，可以學(xué)習(xí)到句子間的關(guān)系。

2.1.2 強(qiáng)力優(yōu)化方法

強(qiáng)力優(yōu)化的BERT語義表征模型RoBERTa主要從動(dòng)態(tài)掩蔽方式、移去下一句子預(yù)測(cè)任務(wù)NSP、超參數(shù)優(yōu)化和更大規(guī)模的訓(xùn)練數(shù)據(jù)等方面對(duì)語義表征模型BERT進(jìn)行改進(jìn)［6］，具體如下：

靜態(tài)掩蔽變動(dòng)態(tài)掩蔽：BERT在預(yù)先訓(xùn)練開始隨機(jī)選擇15%的詞進(jìn)行遮蔽，之后的訓(xùn)練不再改變，即靜態(tài)掩蔽；而RoBERTa在預(yù)先訓(xùn)練開始時(shí)將數(shù)據(jù)復(fù)制10份，每一份都隨機(jī)選擇15%的詞進(jìn)行遮蔽，這種動(dòng)態(tài)掩蔽可間接的增加訓(xùn)練數(shù)據(jù)，有助于提高模型性能。

移去下一句子預(yù)測(cè)任務(wù)：實(shí)驗(yàn)發(fā)現(xiàn)，移去下一句子預(yù)測(cè)任務(wù)在下游任務(wù)的性能上與原始BERT持平或略有提高。RoBERTa采用Full-Sentences模式，即支持每次輸入連續(xù)的多個(gè)句子，直到最大序列長(zhǎng)度等于512（可以跨文章），從而使模型能捕獲更長(zhǎng)的依賴關(guān)系，有助于模型在長(zhǎng)序列的下游任務(wù)取得更好的效果。

更大的批次大小和更多的訓(xùn)練數(shù)據(jù)：實(shí)驗(yàn)發(fā)現(xiàn)，更大的批次大小配合更大的學(xué)習(xí)率可提升模型的優(yōu)化速率和性能；更多的訓(xùn)練數(shù)據(jù)增加數(shù)據(jù)的多樣性，同樣能提升模型的性能。

2.1.3 全詞遮蔽

BERT-wwm和RoBERTa-wwm-ext模型使用全詞遮蔽WWM（whole word masking）的訓(xùn)練方式［7］，將長(zhǎng)單詞整體進(jìn)行遮蔽。特別針對(duì)中文，如果一個(gè)詞的部分字被遮蔽，則同屬該詞的其他部分也會(huì)被遮蔽，即對(duì)組成這個(gè)詞的漢字全部進(jìn)行遮蔽。這種預(yù)先訓(xùn)練方式的改進(jìn)，使模型能夠?qū)W習(xí)到詞的語義信息，已在多項(xiàng)中文自然語言處理任務(wù)上取得更好的效果。

2.1.4 知識(shí)蒸餾

利用知識(shí)蒸餾KD（knowledge distillation）的方法，RBT3模型［8］在訓(xùn)練中扮演學(xué)生角色，其Transformer層和Prediction層學(xué)習(xí)教師模型RoBERTa-wwm-ext對(duì)應(yīng)層的分布和輸出，以教師模型的參數(shù)初始化前三層Transformer層（包括Hidden層和Attention機(jī)制）以及Embedding層，并在此基礎(chǔ)上繼續(xù)訓(xùn)練，在僅損失少量效果的情況下大幅減少參數(shù)量，進(jìn)一步提升推斷速度并可在一些資源緊張的設(shè)備上有效執(zhí)行。

2.2 微調(diào)

2.2.1 判別微調(diào)

本文使用判別微調(diào)DF（discriminative finetuning）方法［12］，能夠讓模型在微調(diào)過程中不斷減緩底層的更新速度，盡可能地保留模型習(xí)得的底層通用知識(shí)。

通常，根據(jù)隨機(jī)梯度下降SGD（stochastic gradient descent）算法，第t次訓(xùn)練時(shí)模型參數(shù)θ更新如公式（1）所示：

其中，η表示學(xué)習(xí)率，▽?duì)菾(θ)代表模型目標(biāo)函數(shù)的梯度。對(duì)于判別微調(diào)方法，將參數(shù)θ分成{θ1,…,θL}，其中，L是模型的分層數(shù)，θl表示第l層的模型參數(shù)。同樣，ηl表示第l層的學(xué)習(xí)率。

判別微調(diào)的隨機(jī)梯度下降更新如下：

經(jīng)驗(yàn)發(fā)現(xiàn)，若最后一層的學(xué)習(xí)率設(shè)定為ηL，將ηl=ηl-1/2.6作為較低一層的學(xué)習(xí)率是有效的。

3.2.2 傾斜的三角學(xué)習(xí)率

本文使用傾斜的三角學(xué)習(xí)率STLR（slanted triangular learning rates）方法［12］，即先線性地增加學(xué)習(xí)率，再根據(jù)訓(xùn)練迭代次數(shù)線性地衰減學(xué)習(xí)率。具體表達(dá)如公式（3）所示。

其中，T是總的訓(xùn)練迭代次數(shù)，cut_fr ac是學(xué)習(xí)率上升在整個(gè)訓(xùn)練迭代次數(shù)的比例，cut是學(xué)習(xí)率轉(zhuǎn)折時(shí)的迭代次數(shù)，p是學(xué)習(xí)率遞增或?qū)⑦f減的放縮比例，ratio是最小學(xué)習(xí)率與最大學(xué)習(xí)率ηmax的比值，ηt是第t次迭代時(shí)的學(xué)習(xí)速率。

經(jīng)驗(yàn)發(fā)現(xiàn)，當(dāng)cut_frac等于0.1至0.2，ratio等于32時(shí)，具有短期增長(zhǎng)和長(zhǎng)衰減期特性，結(jié)果較好。

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

本文實(shí)驗(yàn)選取某政務(wù)平臺(tái)公眾留言文本分類數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)集，該數(shù)據(jù)集來源于第八屆“泰迪杯”數(shù)據(jù)挖掘挑戰(zhàn)賽，包括“編號(hào)”“用戶”“主題”“時(shí)間”“詳情”和“標(biāo)簽”等六個(gè)字段，包含城鄉(xiāng)建設(shè)、環(huán)境保護(hù)、交通運(yùn)輸?shù)?個(gè)類別，共9210個(gè)樣本。如表1所示。

表1 某公眾留言文本分類數(shù)據(jù)集介紹

3.2 評(píng)價(jià)指標(biāo)

馬修斯相關(guān)系數(shù)MCC（matthews correlation coefficient）［13］是機(jī)器學(xué)習(xí)中被用來衡量分類質(zhì)量的指標(biāo)之一。它通常被認(rèn)為是一個(gè)平衡的指標(biāo)，即對(duì)樣本不同類別數(shù)量差別較大時(shí)也適用。對(duì)于K分類問題，其定義如公式（4）所示。

3.3 對(duì)比實(shí)驗(yàn)

本文實(shí)驗(yàn)使用4.1節(jié)介紹的某政務(wù)平臺(tái)公眾留言文本分類數(shù)據(jù)集，并以4.2節(jié)介紹的馬修斯相關(guān)系數(shù)MCC作為分類結(jié)果的評(píng)價(jià)標(biāo)準(zhǔn)。實(shí)驗(yàn)環(huán)境單卡16GB的Tesla V100顯卡。實(shí)驗(yàn)結(jié)果括號(hào)內(nèi)為20次運(yùn)行結(jié)果的平均值，括號(hào)外為最高值。

4.3.1 特征選擇實(shí)驗(yàn)與分析

本組實(shí)驗(yàn)分別以公眾留言分類數(shù)據(jù)集的“主題”和“主題+詳情”作為數(shù)據(jù)特征來源，基于3.1節(jié)中重點(diǎn)介紹的BERT、BERT-wwm、RoBERTa-wwm-ext和RBT3等4個(gè)預(yù)先訓(xùn)練模型，采用默認(rèn)的微調(diào)策略，即采用自適應(yīng)矩估計(jì)（Adam）優(yōu)化器，批次大小等于16，全局學(xué)習(xí)率等于1e-4，微調(diào)迭代周期Epoch等于3，并根據(jù)兩組文本輸入長(zhǎng)度不同，分別設(shè)置“主題”和“主題+詳情”的最大序列長(zhǎng)度等于32和512。實(shí)驗(yàn)結(jié)果如表2所示。

表2 特征選擇實(shí)驗(yàn)結(jié)果對(duì)比

實(shí)驗(yàn)結(jié)果表明，采用“主題+詳情”作為數(shù)據(jù)特征來源的效果可提高2%～3%，這說明合理地選擇給定數(shù)據(jù)集的特征來源可以顯著地提升效果。其中，RoBERTa-wwm-ext模型的效果提升尤為明顯，這是由于該模型采用的Full-Sentences模式能捕獲更長(zhǎng)的依賴關(guān)系，有助于模型在長(zhǎng)序列的下游任務(wù)取得更好的效果。RBT3模型的速率可提升2～4倍，且效果損失較少，特別是采用“主題+詳情”作為數(shù)據(jù)特征來源時(shí)；同時(shí)也發(fā)現(xiàn)對(duì)于RBT3這類壓縮模型，需要設(shè)置更長(zhǎng)的微調(diào)迭代周期（如Epoch等于5或10時(shí)）才達(dá)到穩(wěn)定。

4.3.2 判別微調(diào)策略實(shí)驗(yàn)與分析

本組實(shí)驗(yàn)以“主題+詳情”作為數(shù)據(jù)特征來源，以壓縮模型RBT3作為預(yù)先訓(xùn)練模型，采用判別微調(diào)DF策略，即設(shè)置模型分層超參數(shù)Dis_blocks分別等于0（即默認(rèn)的微調(diào)策略），3，5和7，其他超參數(shù)與4.3.1中相同。實(shí)驗(yàn)結(jié)果如表3所示。

表3 判別微調(diào)策略實(shí)驗(yàn)結(jié)果對(duì)比

實(shí)驗(yàn)結(jié)果表明，適當(dāng)?shù)哪Ｐ头謱映瑓?shù)設(shè)置可提高模型的效果2%～3%（如微調(diào)迭代周期Epoch等于5或10，分層超參數(shù)Dis_blocks等于5），這是由于判別微調(diào)策略會(huì)盡可能地保留模型習(xí)得的底層通用知識(shí)，避免微調(diào)過程中產(chǎn)生嚴(yán)重的遺忘；而過大的分層超參數(shù)設(shè)置會(huì)導(dǎo)致性能的下降（如微調(diào)迭代周期Epoch等于3，分層超參數(shù)Dis_blocks等于7），這是由于過大的分層超參數(shù)設(shè)置會(huì)降低模型底層的更新速度，影響模型的擬合能力。

4.3.3 傾斜的三角學(xué)習(xí)率策略實(shí)驗(yàn)與分析

本組實(shí)驗(yàn)以“主題+詳情”作為數(shù)據(jù)特征來源，以壓縮模型RBT3作為預(yù)先訓(xùn)練模型，采用傾斜的三角學(xué)習(xí)率STLR策略，即設(shè)置表示學(xué)習(xí)率上升在整個(gè)訓(xùn)練迭代次數(shù)的比例超參數(shù)cut_frac分別等于0（即默認(rèn)的微調(diào)策略），0.1和0.2，表示最小學(xué)習(xí)率與最大學(xué)習(xí)率（即全局學(xué)習(xí)率）的比值超參數(shù)ratio等于32，其他超參數(shù)與4.3.1中相同。實(shí)驗(yàn)結(jié)果如表4所示。

表4 傾斜的三角學(xué)習(xí)率策略實(shí)驗(yàn)結(jié)果對(duì)比

實(shí)驗(yàn)結(jié)果表明，采用傾斜的三角學(xué)習(xí)率的“預(yù)熱”策略，同樣可提高模型的效果2%～3%，這是由于該策略有助于減緩模型在初始階段的提前過擬合現(xiàn)象和保持模型深層的穩(wěn)定性。同時(shí)也發(fā)現(xiàn)當(dāng)微調(diào)迭代周期參數(shù)設(shè)置較大（如Epoch等于5或10）時(shí)，表示學(xué)習(xí)率上升在整個(gè)訓(xùn)練迭代次數(shù)的比例參數(shù)設(shè)置較?。╟ut_f rac等于0.1）時(shí)的實(shí)驗(yàn)結(jié)果更好。

4 結(jié)語

本文以某政務(wù)平臺(tái)公眾留言分類任務(wù)這一典型自然語言處理任務(wù)為例，分別從數(shù)據(jù)特征來源的選擇、模型速率的提升、微調(diào)策略的設(shè)計(jì)等三個(gè)方便進(jìn)行研究。本文的實(shí)驗(yàn)充分表明恰當(dāng)?shù)臄?shù)據(jù)特征選擇可明顯提升模型的效果；本文采用的擴(kuò)展模型RoBERTa-wwm-ext和壓縮模型RBT3分別在效果和速率上都有明顯提升；本文采用的判別微調(diào)DF和傾斜的三角學(xué)習(xí)率STLR等微調(diào)策略也有不俗的表現(xiàn)，同時(shí)也提出上述策略超參數(shù)的設(shè)置提出合理建議。