语言模型:BERT的优化方法
BERT(Bidirectional Encoder Representations from Transformers)是一种自然语言处理中的预训练模型,具有强大的文本理解能力。但是BERT也存在一些缺点,主要体现在如下几个方面:
1)训练方法与测试方法不一致。因训练时把输入序列的15%随机置换为MASK标记,但这个标记在测试或微调时是不存在的,因为会影响模型性能。
2)对被置换的MASK标记,BERT的损失函数使用约等号,也就是假设那些被标记的词在给定非标记的词的条件下是独立的。但是这个假设并不是(总是)成立。
另外,模型参数量比较庞大时,自然语言理解任务效果较好,但自然语言生成任务效果欠佳,段与段之间缺乏依赖关系等。因此,有很多新的模型被提出,例如XLNet、ALBERT、ELECTRA等模型。
图解XLNet模型
论文摘要:具有建模双向上下文能力的去噪自编码预训练模型,如BERT,相比基于自回归语言建模的预训练方法表现更好。然而,由于依赖使用掩码对输入进行损坏,BERT忽略了掩码位置之间的依赖关系,存在着预训练和微调之间的差异。鉴于这些优缺点,我们提出了XLNet
,这是一种广义的自回归预训练方法,它通