文 | 蘇劍林

編 | 小軼

---

背景

當前，大部分中文預訓練模型都是以字為基本單位的，也就是說中文語句會被拆分為一個個字。中文也有一些多粒度的語言模型，比如創新工場的ZEN和字節跳動的AMBERT，但這類模型的基本單位還是字，只不過想辦法融合了詞信息。目前以詞為單位的中文預訓練模型很少，據筆者所了解到就只有騰訊UER開源了一個以詞為顆粒度的BERT模型，但實測效果并不好。

那么，純粹以詞為單位的中文預訓練模型效果究竟如何呢？有沒有它的存在價值呢？最近，我們預訓練并開源了以詞為單位的中文BERT模型，稱之為WoBERT（Word-based BERT，我的BERT！）。實驗顯示，基于詞的WoBERT在不少任務上有它獨特的優勢，比如速度明顯的提升，同時效果基本不降甚至也有提升。在此對我們的工作做一個總結。

開源地址：
https://github.com/ZhuiyiTechnology/WoBERT

字還是詞？

究竟是“字”好還是“詞”好？這是中文NLP一個很讓人抓狂的問題，也有一些工作去系統地研究這個問題。比較新的是香儂科技在ACL2019上發表的《Is Word Segmentation Necessary for Deep Learning of Chinese Representations?》，里邊得到了字幾乎總是優于詞的結論。前面也說了，現在中文預訓練模型確實也基本上都是以字為單位的。所以，看上去這個問題已經解決了？就是字更好？

事情遠沒有這么簡單。就拿香儂科技的這篇論文來說，它的實驗結果是沒有錯，但卻是沒有代表性的。為什么這樣說呢？因為在該文的實驗設置下，模型的embedding層皆從隨機初始化狀態開始訓練。這樣一來，對于同樣的任務，以詞為單位的模型Embedding層參數更多，自然就更容易過擬合，效果容易變差，這不用做實驗都能猜個大概。問題是，我們用基于詞的模型的時候，通常并不是隨機初始化的，往往都是用預訓練好的詞向量的（下游任務看情況選擇是否微調詞向量），這才是分詞的NLP模型的典型場景，但論文里邊卻沒有比較這個場景，所以論文的結果并沒有什么說服力。

事實上，“過擬合”現象具有兩面性，我們要防止過擬合，但過擬合也正好說明了模型擁有比較強的擬合能力，而如果我們想辦法抑制過擬合，那么就能夠在同樣復雜度下得到更強的模型，或者在同樣效果下得到更低復雜度的模型。而緩解過擬合問題的一個重要手段就是更充分的預訓練，所以不引入預訓練的比較對以詞為單位的模型來說是不公平的，而我們的WoBERT正是證實了以詞為單位的預訓練模型的可取性。

詞的好處

一般認為，以字為單位的好處是：

參數更少，不容易過擬合；

不依賴于分詞算法，避免邊界切分錯誤；

沒那么嚴重的稀疏性，基本上不會出現未登錄詞。

至于以詞為單位的理由是：

序列變短，處理速度更快；

在文本生成任務上，能緩解Exposure Bias問題；

詞義的不確定性更低，降低建模復雜度。

對于詞的好處，大家可能會有些疑惑。比如第2點，詞能緩解Exposure Bias，這是因為理論上來說，序列越短Exposure Bias問題就越不明顯（詞模型單步預測出一個n字詞，相當于字的模型預測了n步，這n步都遞歸依賴，所以字的模型Exposure Bias問題更嚴重）。至于第3點，雖然有多義詞的存在，但是多數詞的含義還是比較確定的，至少比字義更加明確，這樣一來可能只需要一個Embedding層就能把詞義建模好，而不是像字模型那樣，要通用多層模型才能把字組合成詞。

看起來不相伯仲，但事實上以字為單位的好處，并非就是以詞為單位的缺點了。只要多一些技巧，以詞為單位也能一定程度上避免這幾個問題。比如：

以詞為單位的參數確實增多了，但是可以通過預訓練來緩解過擬合，所以這個問題不會很嚴重；

依賴分詞算法是個問題，如果我們只保留最常見的一部分詞，那么不管哪個分詞工具分出來的結果都是差不多的，差異性不大；

至于邊界切分錯誤，這個難以避免，但是需要準確的邊界的，只是序列標注類任務而已，文本分類、文本生成其實都不需要準確的邊界，因此不能就此否定詞模型；

如果我們把大部分字也加入到詞表中，也不會出現未登錄詞。

所以，其實用詞的好處是相當多的，除了需要非常精確邊界的序列標注類型的任務外，多數NLP任務以詞為單位都不會有什么問題。因此，我們就去做了以詞為單位的BERT模型了。

Tokenizer

往BERT里邊加入中文詞，首先得讓Tokenizer能分出詞來。只需要把詞加入到字典vocab.txt里邊就行了嗎？并不是。BERT自帶的Tokenizer會強行把中文字符用空格隔開，因此就算你把詞加入到字典中，也不會分出中文詞來。此外，BERT做英文word piece的分詞的時候，使用的是最大匹配法，這對中文分詞來說精度也不夠。

為了分出詞來，我們修改了一下BERT的Tokenizer，加入了一個“前分詞（pre_tokenize）”操作。這樣我們就可以分出中文詞來，具體操作如下：

把中文詞加入到vocab.txt；

輸入一個句子s，用pre_tokenize先分一次詞，得到；

遍歷各個，如果在詞表中則保留，否則將用BERT自帶的tokenize函數再分一次；

將每個的tokenize結果有序拼接起來，作為最后的tokenize結果。

在bert4keras>=0.8.8版本中，實現上述改動只需要在構建Tokenizer的時候傳入一行參數，例如：

tokenizer = Tokenizer(dict_path,do_lower_case=True,pre_tokenize=lambda s: jieba.cut(s, HMM=False) )

其中pre_tokenize為外部傳入的分詞函數，如果不傳入則默認為None。簡單起見，WoBERT使用了結巴分詞，刪除了BERT自帶詞表的冗余部分（比如帶##的中文詞），然后加入了20000個額外的中文詞（結巴分詞自帶的詞表詞頻最高的兩萬個），最終WoBERT的vocab.txt規模是33586。

模型細節

目前開源的WoBERT是Base版本，在哈工大開源的RoBERTa-wwm-ext基礎上進行繼續預訓練，預訓練任務為MLM。初始化階段，將每個詞用BERT自帶的Tokenizer切分為字，然后用字embedding的平均作為詞embedding的初始化。

到這里，WoBERT的技術要點基本上都說清楚了，剩下的就是開始訓練了。我們用單張24G的RTX訓練了100萬步（大概訓練了10天），序列長度為512，學習率為5e-6，batch_size為16，累積梯度16步，相當于batch_size=256訓練了6萬步左右。訓練語料大概是30多G的通用型語料。訓練代碼已經在文章開頭的鏈接中開源了。

此外，我們還提供了WoNEZHA，這是基于華為開源的NEZHA進行再預訓練的，訓練細節跟WoBERT基本一樣。NEZHA的模型結構跟BERT相似，不同的是它使用了相對位置編碼，而BERT用的是絕對位置編碼，因此理論上NEZHA能處理的文本長度是無上限的。這里提供以詞為單位的WoNEZHA，就是讓大家多一個選擇。

模型效果

最后，說一下WoBERT的效果。簡單來說，在我們的評測里邊，WoBERT相比于BERT，在不需要精確邊界的NLP任務上基本都沒有變差的，有些還會有一定的提升，而速度上則有明顯提升，所以一句話就是“提速不掉點”。

比如中文榜單上的兩個分類任務：

我們內部還測了不少任務，結果都是類似的，表明這些NLU任務上WoBERT和BERT基本上都差不多的。但是速度上，WoBERT就比BERT有明顯優勢了，下表是兩個模型在處理不同字數的文本時的速度比較：

我們還測了WoBERT+UniLM的方式Seq2Seq任務（CSL/LCSTS標題生成），結果是比以字為單位的模型有明顯提升：

這說明以詞為單位來做文本生成其實是更有優勢的。要是生成更長的文本，這個優勢還能進一步放大。

當然，我們也不否認，用WoBERT去做NER等序列標注任務時，可能會有明顯的掉點，比如做人民日報的NER，掉了3%左右，可能讓人意外的是，經過bad case分析，我們發現掉點的原因并不是因為切分錯誤，而是因為稀疏性（平均來說每個詞的樣本更少，所以訓練得沒那么充分）。

不管怎么說，我們把我們的工作開源出來，給大家在使用預訓練模型的時候，多一個嘗試的選擇吧。

文章小結

在這篇文章里，我們開源了以詞為單位的中文BERT模型（WoBERT），并討論了以詞為單位的優缺點，最后通過實驗表明，以詞為單位的預訓練模型在不少NLP任務（尤其是文本生成）上有它獨特的價值，一方面它有速度上的優勢，一方面效果上能媲美以字為單位的BERT，歡迎大家測試。

---

文末福利
后臺回復關鍵詞【入群】
加入賣萌屋NLP/IR/Rec與求職討論群
有頂會審稿人、大廠研究員、知乎大V和妹紙
等你來撩哦~

總結

以上是生活随笔為你收集整理的我的BERT！改改字典，让BERT安全提速不掉分（已开源）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。