【预训练语言模型】SpanBERT: Improving Pre-training by Representing and Predicting Spans （2020ACL）

  陈丹琦团队的一篇改进BERT预训练任务的工作，扩展了BERT预训练语言模型：

• 不像BERT只MASK单独的一个token，而是随机MASK掉连续的序列（ contiguous random span）；
• 训练span boundary representation预测mask掉的整个区间内容；

1、动机:

• 许多NLP任务涉及到包含多个span之间关系的推理，传统的BERT则无法处理这类问题；
• 预测一个区间的多个token更加困难;

2、方法：

• 不同于BERT，我们使用不同的随机策略mask掉一个span；
• 添加辅助任务SPO，根据span boundary的两个token表征信息来预测span；
• 随机采样一段文本，而不是两个，删掉了BERT中的Next Sentence Predicition任务

3、span masking

  给定一个文本序列X，从中挑选一些token组成Y集合，并迭代地进行采样。

• 在每一次采样过程中，先基于几何分布采样span的长度（最短为1，最长为10，p=0.2），平均采样的区间长度约为3.8：
  

• 然后再基于均匀分布采样span的start位置。由于BERT采用的是word piece，因此需要保证采样的起始点必须是某个单词的起始点。

• 传统的BERT模型中，对一个句子随机mask 15%的token，这些mask掉的token中，有80%被替换为[MASK]，10%为随机替换一个token，10%保持不变。spanBERT中则是对span完成的，也就是说整个span的所有token都会满足“80%被替换为[MASK]，10%为随机替换一个token，10%保持不变”的设置。

4、span boundary objective

  任务目标：根据span的前一个与后一个位置的token来预测span的所有token。假设Transformer的每个token输出记作 ${\mathbf{x}}_1,...,{\mathbf{x}}_n$，给定一个mask span $(x_s,...,x_e)$，对mask span内的每一个token的表示，取决于 ${\mathbf{x}}_{s-1}，{\mathbf{x}}_{e+1}$、以及位置表征 ${\mathbf{P}}_{i-s+1}$（相对于${\mathbf{x}}_{s-1}$的距离）：

其中 $f$ 函数为两层前馈网络，并添加Layer normalization：

最终获得的 ${\mathbf{y}}_i$ 表示maxk span中的第 $i$ 个[MASK] token，使用交叉熵损失函数作为目标函数，预测该[MASK]对应的词

5、single-sequence training

  作者认为添加next sentence prediction效果不好，因此摈弃这一个任务。

  关于对抽取式问答的下有任务，spanBERT依然在模型的输出部分，添加两个独立的分类器，并分别预测start和end的位置。