Chinese Macbert Large

🚀 MacBERT

MacBERTは、新しいMLM as correction事前学習タスクを持つ改良型のBERTです。このタスクにより、事前学習とファインチューニングの不一致を軽減しています。

🚀 クイックスタート

このリポジトリには、論文「Revisiting Pre-trained Models for Chinese Natural Language Processing」のリソースが含まれています。この論文は、Findings of EMNLPに掲載されます。カメラレディな論文は、ACL Anthology または arXiv pre-print を通じて読むことができます。

Revisiting Pre-trained Models for Chinese Natural Language Processing
Yiming Cui, Wanxiang Che, Ting Liu, Bing Qin, Shijin Wang, Guoping Hu

また、以下のプロジェクトにも興味を持つかもしれません。

• Chinese BERTシリーズ: https://github.com/ymcui/Chinese-BERT-wwm
• Chinese ELECTRA: https://github.com/ymcui/Chinese-ELECTRA
• Chinese XLNet: https://github.com/ymcui/Chinese-XLNet
• 知識蒸留ツールキット - TextBrewer: https://github.com/airaria/TextBrewer

HFLによるその他のリソース: https://github.com/ymcui/HFL-Anthology

✨ 主な機能

MacBERTの概要

MacBERTは、新しい事前学習タスクであるMLM as correctionを用いた改良型BERTです。これにより、事前学習とファインチューニングの間のギャップを軽減します。

事前学習タスクの改良

通常の[MASK]トークンを使用する代わりに、類似単語を使用してマスキングを行います。類似単語は、Synonyms toolkit (Wang and Hu, 2017)を用いて取得されます。このツールキットは、word2vec (Mikolov et al., 2013)の類似度計算に基づいています。N-gramをマスクする場合、個々の単語に対して類似単語を見つけます。類似単語が存在しない場合は、ランダムな単語置換にフォールバックします。

事前学習タスクの例

その他の技術

• 単語全体のマスキング (Whole Word Masking, WWM)
• N-gramマスキング
• 文順予測 (Sentence-Order Prediction, SOP)

アーキテクチャの互換性

MacBERTは、主なニューラルアーキテクチャに違いがないため、元のBERTと直接置き換えることができます。

📄 ライセンス

このプロジェクトは、Apache-2.0ライセンスの下で公開されています。詳細はLICENSEを参照してください。

🔧 技術詳細

詳細な技術情報については、論文「Revisiting Pre-trained Models for Chinese Natural Language Processing」を参照してください。

引用

このリソースや論文が役に立った場合は、以下の引用を論文に含めていただけると幸いです。

• https://arxiv.org/abs/2004.13922

@inproceedings{cui-etal-2020-revisiting,
    title = "Revisiting Pre-Trained Models for {C}hinese Natural Language Processing",
    author = "Cui, Yiming  and
      Che, Wanxiang  and
      Liu, Ting  and
      Qin, Bing  and
      Wang, Shijin  and
      Hu, Guoping",
    booktitle = "Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing: Findings",
    month = nov,
    year = "2020",
    address = "Online",
    publisher = "Association for Computational Linguistics",
    url = "https://www.aclweb.org/anthology/2020.findings-emnlp.58",
    pages = "657--668",
}