這是今年清華大學(xué)及阿里巴巴發(fā)表在NIPS 2020上的一篇論文《CogLTX: Applying BERT to Long Texts》，介紹了如何優(yōu)雅地使用bert處理長文本。作者同時開源了不同NLP任務(wù)下使用COGLTX的代碼：

論文題目：

CogLTX: Applying BERT to Long Texts

論文鏈接：

http://keg.cs.tsinghua.edu.cn/jietang/publications/NIPS20-Ding-et-al-CogLTX.pdf

Github：

https://github.com/Sleepychord/CogLTX

bert在長文本處理一般分為三種方法[1]：

截斷法；

Pooling法；

壓縮法。

該論文就是壓縮法的一種，是三種方法中最好的。我們在科研和工作中都會遇到該問題，例如我最近關(guān)注的一個文本分類比賽：

面向數(shù)據(jù)安全治理的數(shù)據(jù)內(nèi)容智能發(fā)現(xiàn)與分級分類 競賽 - DataFountain[2].

其文本數(shù)據(jù)長度就都在3000左右，無法將其完整輸入bert，使用COGLTX就可以很好地處理該問題，那么就一起來看看該論文具體是怎么做的吧。

1.背景

基于以下情形：

bert作為目前最優(yōu)秀的PLM，不用是不可能的；

長文本數(shù)據(jù)普遍存在，且文本中包含的信息非常分散，難以使用滑動窗口[3]截斷。

而由于bert消耗計算資源和時間隨著token的長度是平方級別增長的，所以其無法處理太長的token，目前最長只支持512個token，token過長也很容易會內(nèi)存溢出，所以在使用bert處理長文本時需要設(shè)計巧妙的方法來解決這個問題。

2.提出模型

COGLTX模型在三類NLP任務(wù)中的結(jié)構(gòu)如下：

首先假設(shè)：存在短文本 可以完全表達原長文本 的語義：

那么令 代替 輸入原來的模型即可，那么怎么找到這個 呢

1、使用動態(tài)規(guī)劃算法將長文本 劃分為文本塊集合 ；

2、使用MemRecall對原長句中的子句進行打分，MemRecall結(jié)構(gòu)如圖，而表現(xiàn)如下式：

從而選擇出分?jǐn)?shù)最高的子句組成 再進行訓(xùn)練，這樣一來的話，COGLTX相當(dāng)于使用了了兩個bert，MemRecall中bert就是負(fù)責(zé)打分，另一個bert執(zhí)行原本的NLP任務(wù)。

可以發(fā)現(xiàn)剛才找到 例子將問題Q放在了初始化 的開頭，但是并不是每個NLP任務(wù)都可以這么做，分類的時候就沒有類似Q的監(jiān)督，這時候COGLTX采用的策略是將每個子句從原句中移除判斷其是否是必不可少的(t是一個閾值)：

作者通過設(shè)計不同任務(wù)下的MemRecall實現(xiàn)了在長文本中使用bert并通過實驗證明了方法的有效性。

3.實驗

通過多維度地對比，證明了本文提出算法的有效性。

參考文獻

[1]https://zhuanlan.zhihu.com/p/88944564

[2]https://www.datafountain.cn/competitions/471

[3]Z. Wang, P. Ng, X. Ma, R. Nallapati, and B. Xiang. Multi-passage bert: A globally normalized bert model for open-domain question answering. arXiv preprint arXiv:1908.08167, 2019.

責(zé)任編輯：xj

原文標(biāo)題：【NIPS 2020】通過文本壓縮，讓BERT支持長文本

文章出處：【微信公眾號：深度學(xué)習(xí)自然語言處理】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。