【论文复现】BERT论文解读及情感分类实战

📝个人主页🌹：Eternity._
🌹🌹期待您的关注 🌹🌹

简介

本文将先介绍BERT架构和技术细节，然后介绍一个使用IMDB公开数据集情感分类的完整实战（包含数据集构建、模型训练微调、模型评估）。

IMDB数据集分为25000条训练集和25000条测试集，是情感分类中的经典公开数据集，这里使用BERT模型进行情感分类，测试集准确率超过93%。

BERT文章主要贡献

本文的核心贡献在于引介了一种新颖的语言表征模型，即BERT（基于Transformer的双向编码器表征）。BERT的主要创新点和贡献概括如下：

深度双向预训练表征的构建：BERT突破了以往语言表征模型的局限，通过同时考虑所有层级中的左侧与右侧上下文，实现了深度双向表征的预训练。这一特性使BERT能够在预训练阶段捕获更为丰富的语言信息。

任务特定架构的微调简化：预训练的BERT模型能够轻松适应各类任务，如问答和语言推理等，仅需添加少量输出层进行微调，而无需对模型架构进行大规模的任务特定修改。

在自然语言处理任务上刷新多项最佳成绩：BERT在十一项自然语言处理任务中均取得了突破性成果，包括将GLUE基准测试的分数提升至80.5%（绝对增幅达7.7个百分点），MultiNLI准确率提高至86.7%（增幅4.6个百分点），SQuAD v1.1问答测试的F1分数提升至93.2（增幅1.5个百分点），以及SQuAD v2.0测试的F1分数提升至83.1（增幅5.1个百分点）。

预训练任务的重要性彰显：BERT通过实施“掩码语言模型”（MLM）和“下一句预测”（NSP）两项任务，充分展示了深度双向预训练的重要性。MLM任务通过随机遮盖输入中的部分词汇，并预测这些遮盖词汇的原始ID，促使模型能够整合左右上下文信息。而NSP任务则通过预测两个文本段落之间的关系，训练模型理解句子间的关联。

本文所涉及的所有资源的获取方式：这里

BERT模型架构

BERT模型就是transformer的encoder堆叠而成，只是训练方式是有所讲究。
BERT能够在下游任务微调，模型结构也只需要改变输出层即可方便地适配下游任务。
[CLS]是添加在每个输入示例前面的一个特殊符号，用于整体信息的表示
[SEP]是一个特殊的分隔符标记（例如分隔问题/答案）

技术细节

BERT不使用传统的从左到右或从右到左的语言模型来预训练。相反，是使用两个无监督任务预训练BERT。

任务1 Masked LM（MLM）

我们有充分的理由相信，深度双向模型相较于单纯的从左到右模型、从左到右与从右到左模型的简单结合，在性能上更为强大。然而，传统的条件语言模型受限于训练方向，只能进行单向（从左到右或从右到左）的训练，因为双向条件会导致单词间接地“自我参照”，使得模型在多层上下文中预测目标单词时变得复杂。

为了训练深度双向表征，我们采用了一种称为“掩码语言模型”（MLM）的方法，即随机屏蔽输入中的一定比例的令牌（tokens），并预测这些被屏蔽的令牌。在MLM中，被屏蔽单词的最终隐藏向量被送入词汇表上的softmax层进行预测。

在训练过程中，我们随机选择每个序列中15%的单词进行屏蔽和预测。但这种方法存在一个缺点，即在预训练阶段和微调阶段之间存在不匹配，因为[MASK]标记在微调时不会出现。为了缓解这一问题，我们在训练数据生成时采用了以下策略：

对于需要预测的单词，有80%的概率将其替换为[MASK]标记。这是最常见的掩盖方式，它促使模型学习根据上下文来预测原始词汇，从而加深对词汇在不同语境下含义的理解。
有10%的概率将需要预测的单词替换为随机单词。这种策略增加了训练数据的多样性，并促使模型不依赖于特定的掩盖词汇来做出预测，从而学习到更加鲁棒的上下文表征。
剩余的10%概率下，单词保持不变，不进行掩盖。这有助于模型学习到词汇本身的表征，同时也为模型提供了一些直接从输入中学习的机会，而不是完全依赖于上下文进行推断。

任务2 Next Sentence Prediction (NSP)

许多重要的下游任务，如问答（QA）和自然语言推理（NLI），都是基于理解两句之间的关系，而语言建模并不能直接捕捉到这一点。为了训练一个理解句子关系的模型，文章让模型在下一个句子预测任务上进行预训练，该任务可以从任何单语语料库中轻松生成。

具体而言，当为每个预训练示例选择句子A和B时，50%的概率B是A后面的下一个句子（标记为Is Next），50%的概率B是来自语料库的随机句子（标记为Not Next）。

模型输入

Token Embeddings就是词的嵌入层表示，只不过句子开头要加[CLS]不同句子之间要加[SEP]。

[CLS]的用处如下：
句子表示：在预训练阶段，[CLS]标记的最终隐藏状态（即经过Transformer最后一层的输出）被用作整个输入序列的聚合表示（aggregate sequence representation）。这意味着[CLS]的表示捕捉了整个序列的上下文信息。

分类任务：在微调阶段，尤其是在句子级别或序列级别的分类任务中，[CLS]的最终隐藏状态被用来作为分类的输入特征。例如，在情感分析、自然语言推断或其他类似的任务中，[CLS]的输出向量会被送入一个额外的线性层（分类层），然后应用softmax函数来预测类别。

问答任务：在问答任务中，[CLS]也可以用来进行答案的预测。例如，在SQuAD问答任务中，模型会输出答案的开始和结束位置的概率分布，而[CLS]的表示有助于模型理解问题和段落之间的关系。

[SEP]用处如下：

分隔句子：
当BERT处理由多个句子组成的句子对时（例如，在问答任务中的问题和答案），[SEP]标记用来明确地分隔两个句子。它允许模型区分序列中的不同部分，尤其是在处理成对的句子时，如在自然语言推断或问答任务中。

输入表示：
在构建输入序列时，句子A（通常是第一个句子或问题）会以[CLS]标记开始，接着是句子A的单词，然后是[SEP]标记，然后是句子B（通常是第二个句子或答案）的单词…
通过在句子之间插入[SEP]，模型可以明确地知道序列的结构，从而更好地处理和理解输入的文本。

位置嵌入：
与[CLS]类似，[SEP]也有一个对应的嵌入向量，这个向量是模型学习到的，并且与[CLS]的嵌入向量不同。这个嵌入向量帮助模型理解[SEP]标记在序列中的位置和作用。

注意力机制：
在Transformer模型的自注意力机制中，[SEP]标记使得模型能够区分来自不同句子的标记，这对于模型理解句子间关系的任务至关重要。

预训练和微调：
在预训练阶段，[SEP]帮助模型学习如何处理成对的句子，这在NSP（Next Sentence Prediction）任务中尤为重要。在微调阶段，[SEP]继续用于分隔句子对，使得模型能够适应各种需要处理成对文本的下游任务。

Segment Embeddings 用于标记是否属于同一个句子。

Position Embeddings 用于标记词的位置信息

下游任务微调

BERT能够轻松地适配下游任务，此时使用已经预训练好的BERT模型就能花很少的资源和时间得到很不错地结果，而不需要我们从头开始训练BERT模型。

接下来就看一下BERT在不同数据集是怎么使用的

GLUE数据集

GLUE（General Language Understanding Evaluation）基准测试是一组不同的自然语言理解任务的集合。任务描述如下：

MNLI（Multi-Genre Natural Language Inference）：给定一对句子，预测第二个句子是否是第一个句子的蕴含、矛盾或中立。
QQP（Quora Question Pairs）：判断Quora上的两个问题是否语义等价。
QNLI（Question Natural Language Inference）：基于斯坦福问答数据集的二分类任务，判断问题和句子是否包含正确答案。
SST-2（Stanford Sentiment Treebank）：电影评论中句子的情感分类任务。
CoLA（Corpus of Linguistic Acceptability）：判断英语句子是否语法正确。
STS-B（Semantic Textual Similarity Benchmark）：判断句子对在语义上的相似度。
MRPC（Microsoft Research Paraphrase Corpus）：判断句子对是否语义等价。
RTE（Recognizing Textual Entailment）：文本蕴含任务，与MNLI类似，但训练数据更少。
WNLI（Winograd NLI）：自然语言推理数据集，但由于构建问题，该数据集的结果未被考虑。

对于多个句子的，输入形式就是[CLS]+句子1+[SEP]+句子2+…
对于单个句子的就是[CLS]+句子
然后最后一层输出的[CLS]用来接个全连接层进行分类，适配不同任务需要。

SQuAD v1.1 和 v2.0

SQuAD（Stanford Question Answering Dataset）是问答任务的数据集，包括SQuAD v1.1和SQuAD v2.0两个版本。任务描述如下：

SQuAD v1.1：给定一个问题和一段文本，预测答案在文本中的位置。
SQuAD v2.0：与SQuAD v1.1类似，但允许问题没有答案，使问题更具现实性。

对于SQuAD v1.1，输入格式为[CLS]+问题+[SEP]+段落信息
因为这个数据集就是问题能够在段落中找到答案，构造一个得分，得分最大的作为预测值，具体如下：
首先引入S和E两组可训练参数，用于计算答案的开始和结束文章

计算开始位置的公式如下：

S用于开始位置的计算，Ti表示最后一层的文本信息表示，Pi表示答案从第i个位置开始的概率

用同样的方法，我们也能计算出结束位置的概率

当i<=j时，二者之和最大就是预测出的答案的位置

对于SQuAD v2.0，可能存在没有答案的情况，那么就是计算一个没有答案的得分：

C就是[CLS]
此时如果没有答案的分数要比找到的答案的分数要好，那么就预测为没有答案。

NER

对于命名实体识别的任务，BERT实现起来也是非常简单。

只需要对最后一层的每个单词预测对于的实体标记即可。

情感分类实战

IMDB影评情感数据集

IMDb Movie Reviews数据集是一个用于情感分析的标准二元分类数据集，它包含来自互联网电影数据库（Internet Movie Database，简称IMDB）的50,000条评论，这些评论被标记为正面或负面。

评论数量和平衡性：数据集包含50,000条评论，其中正面和负面评论的数量是相等的，即各占一半。

评分标准：评论是基于10分制的评分进行分类的。负面评论的评分在0到4分之间，而正面评论的评分在7到10分之间。

评论选择：为了确保数据集中的评论具有高度的两极性，选择了评分差异较大的评论。每部电影最多只包含30条评论。

可以看一下榜单，目前在paperwithcode上最高是96.68%，看这模型的名字就不太好惹，但是我们这里简单使用BERT接个全连接进行二分类，也能达到93%

数据集构建

# 定义数据集类
class SentenceDataset(Dataset):
    def __init__(self, sentences, labels, tokenizer, max_length=512):
        self.sentences = sentences
        self.labels = labels
        self.tokenizer = tokenizer
        self.max_length = max_length

    def __len__(self):
        return len(self.sentences)

    def __getitem__(self, idx):
        # 对文本进行编码
        encoded = self.tokenizer.encode_plus(
            self.sentences[idx],
            add_special_tokens=True,
            max_length=self.max_length,
            return_token_type_ids=False,
            padding='max_length',
            truncation=True,
            return_attention_mask=True,
            return_tensors='pt'
        )
        # 获取编码后的数据和注意力掩码
        input_ids = encoded['input_ids']
        attention_mask = encoded['attention_mask']

        # 返回编码后的数据、注意力掩码和标签
        return input_ids, attention_mask, self.labels[idx]

因为BERT是WordPiece嵌入的，所以需要使用他专门的切词工具才能正常使用，因此在数据预处理的过程中，可以切好词转化为bert字典中的id，这样直接喂入bert就能得到我们要的句子bert向量表示了，然后就可以用来分类了。

模型构建

使用transformers中预训练好的BERT模型（bert-base-uncased）
我们可以先来看一下bert模型的输入输出：

from transformers import BertTokenizer, BertModel

# 初始化分词器和模型
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = BertModel.from_pretrained('bert-base-uncased')

sentences = ["Hello, this is a positive sentence."]

# 对句子进行编码
encoded_inputs = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt', max_length=512)
outputs = model(**encoded_inputs)

可以看到分词器的输出encoded_inputs由三部分组成，维度都是[batch_size, seq_len]

可以看到bert模型的输出为：
outputs[0]是[batch_size, seq_len, hidden_size]
outputs[1]是[batch_size, hidden_size]
outputs[0]就是每个词的表示
outputs[1]就是[CLS]，可以看成这句话的表示
对于我们的任务，就是实现情感分类，因此直接使用outputs[1]接全连接就行了

核心代码如下：

# 定义一个简单的全连接层来进行二分类
class BertForSequenceClassification(nn.Module):
    def __init__(self, bert, num_labels=2):
        super(BertForSequenceClassification, self).__init__()
        self.bert = bert #BERT模型
        self.classifier = nn.Linear(bert.config.hidden_size, num_labels)

    def forward(self, input_ids, attention_mask):
        outputs = self.bert(input_ids=input_ids, attention_mask=attention_mask)
        pooled_output = outputs[1]
        logits = self.classifier(pooled_output)
        return logits

代码就是非常简洁，当然，如果想要更好地效果，可以直接加个LSTM、BiLSTM+Attention等来更好地进行语义编码，操作空间还是很大地。

超参数设置

batch_size=64 需要50多G显存才能跑起来，现存小的话可以开4
lr=2e-5就是微调大模型的常用学习率
epoch=2 其实结果已经很不错了，这可能就是微调的魅力
num_labels = 2因为数据集是二分类任务

因为这个实战是个简洁版本，所以超参数也设定的很少，代码也是很简洁，适合初学者参考学习

训练结果

可以看到测试集的准确率最高为93.56%
还是很不错的
不过我并没有固定随机种子
可能多跑几次能够还有望超越93.56%

注意事项

train_sentences, train_labels = get_data(r'./data/train_data.tsv')
test_sentences, test_labels = get_data(r'./data/test_data.tsv')
# 初始化BERT tokenizer
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
bert_model = BertModel.from_pretrained('bert-base-uncased').to(device)

模型和数据附件中都有，运行的适合需要将模型和数据的路径修改为自己的路径

编程未来，从这里启航！解锁无限创意，让每一行代码都成为你通往成功的阶梯，帮助更多人欣赏与学习！

更多内容详见：这里