作者 | 周俊贤 整理 | NewBeeNLP
相信做中文NLP的同学和朋友们，对哈工大和科大讯飞的发布的一系列中文预训练模型并不陌生，github项目地址为https://github.com/ymcui/。它们根据各个预训练原论文的基础上，基于中文语料，发布了诸如BERT、RoBERTa、ELECTRA、XLNet等模型，极大推动了中文NLP的发展。
不同的预训练模型用了不同的tricks，但由于论文的发表主要是以英文为主的，这些tricks移植到中文，是否还是有效的？于是，他们在2020年也发表了一个新的预训练模型，叫MacBERT，只针对中文，在各种中文评测任务都表现突出。
下图很好地概述了各种预训练模型的区别。
MacBERT的全称是MLM as correction BERT，可以看到MacBERT主要是修改BERT的MLM的任务。论文全称及连接：《Revisiting Pre-Trained Models for Chinese Natural Language Processing》[1]
项目地址：https://github.com/ymcui/MacBERT
4-gram masking for word-level
在BERT和RoBERTa的英文版里面，都采用的是WordPiece，具体的看下图。最小的token切分单位并不是单个英文词，而是更细粒度的切分，如图中predict这个词被切分成pre、##di、##ct（##表现不作为一个完成的单词，而是某个单词的非开头部分），三个token，这种切分方式的好处在于能缓解未见词的问题，也更加丰富了词表的表征能力（如embedding可能会被切分成em、##bed、##d、##ing，其中##bed和bed在BERT的词表中是两个不同的token，代表不一样的意思）。
但对于中文来说，并没有这种WordPiece的切分法，想想，中文最小单位就是字，并不能像英文一样，再把词切分成字母的组合，当然也有人讨论把中文字按照偏旁或拼音进行进一步的切分，这个就不在本次的讨论范围内了。
Whole word masking（wwm），虽然token是最小的单位，但在【MASK】的时候是基于分词的，还是如下图的例子，“使用语言模型来预测下一个词的概率。”进行tokenizer后，变成“使 用 语 言 模 型 来 预 测 下 一 个 词 的 概 率 。”。
论文中，使用中文分词工具LTP来绝对词的边界，如分词后的结构是“使用 语言 模型 来 预测 下一个 词 的 概率 。”。在【MASK】的时候，是对分词后的结构进行【MASK】的，如不能只【MASK】语这个token，要不就把“语 言”都【MASK】掉，N-gram Masking的意思是对连续n个词进行【MASK】，如图中把“语 言 模 型”都【MASK】了，就是一个2-gram Masking。「虽然【MASK】是对分词后的结果进行，但在输入的时候还是单个的token。」
MacBERT采用基于分词的n-gram masking，1-gram~4gram Masking的概率分别是40%、30%、20%、10%。
用相似词代替【MASK】
大家吐槽BERT的其中一点是语训练时的输入和应用于下游任务时不一样，具体的预训练时是大概有15%的token被【MASK】token替代掉，作为输入的，但应用于下游任务时，是没有【MASK】作为输入的，这种差异会极大的影响BERT的性能。
作者采用了利用相似词来代替被【MASK】掉的词，怎么决定相似词？用的是叫Synonyms这款工具，这款工具也是基于word2vec计算的。举个例子，现在“语 言”这两个token作为一个词，被随机挑选到进行【MASK】了，然后用Synonyms计算离它最近的词，为"言 语"，那在输入的时候，就用“言 语”来代替。
当然也存在一种情况，被【MASK】掉的词没有近义词（这里可能有人有疑问，用word2vec计算余弦相似度的时候一定会能返回最近的一个的啊，也就是所有词都能找出离它举例最近的一个词，但是假如就算最近，但是它们的距离也很远的情况下，我们就认为这个词没有近义词，我们可以卡个阈值），这种情况下，我们用随机词代替【MASK】。
最终，MacBERT的输入如下，对基于分词后的结果随机挑选15%的词进行【MASK】，其中的80%用同义词代替，10%用随即词代替，10%保持不变，然后预测被选为【MASK】的词，可以看到，这样，预训练的时候，再也没有【MASK】的身影了。
对于NSP任务，采用同ALBERT一样的sentence-order predicion(SOP)，预测这两个句子对是否是连续的。
实验设置
作者除了采用中文维基百科外（这也是原生中文BERT采用的训练语料），还采用了其它中文百科全书、新闻、问答网站，加起来一共5.8个词。
为了能利用到其它预训练模型的信息，MacBERT并不是从头开始训练的，而是用谷歌官方的Chinese BERT-base进行参数初始化，但是对于large版本，是重新训练的，因为谷歌官方没有发布Chinese BERT的large版本。下图为与其它预训练模型的细节对比。
分别采用了三种类型的任务来进行评测，包括机器阅读理解、单句字的文本分类和文本对分类，结果自然都是非常不错的。
消融实验
我认为每篇论文里面，消融实验是很重要的部分，因为它能再次显示出作者提出方法的动机。
这里w/o Mac表示去掉同义词替换，w/o NM表示去掉N-gram masking，实验表示，去掉它们都会损害性能。除此之外，实验还表明NSP-like任务相对MLM任务来说，对模型没那么重要（这也提醒我们应该花更多时间研究改进MLM任务上），SOP任务要比NSP任务要好。
为了讨论改进MLM任务的影响，采用了下面四种对比，首先我们沿用前面的对15%的words进行【MASK】，其中的10%用原来的token代替
- MacBERT：80%用同义词代替，10%用随机词；
- Random Replace：90%用随机词代替；
- Partial Mask：同原生的BERT一样，80%用【MASK】代替，10%用随机词；
- ALL Mask：90%用【MASK】代替。
实验结果自然是MacBERT表现最好，除此之外，预训练时，保留【MASK】作为输入会极大地影响下游任务的性能。甚至把【MASK】用随机的token代替（即Random Replave），都会比原生BERT（即Partial Mask）要好。
