Don't stop pretraining，继续预训练！

作者 | 周俊贤 整理 | NewBeeNLP

大家在用BERT等预训练模型的时候，是否有根据具体的下游任务，再进行领域的预训练？可能很多朋友是直接进行fine tuning的，毕竟增加多预训练这一步略显麻烦。

今天分享的这篇论文，用更多的实验，来论证，

• 适应领域的预训练（DAP），无论在低资源和高资源的情况下，都能提高模型在相应领域具体任务的性能；
• 适应任务的预训练（TAP），虽然语料较少，但缺能十分「高效」地提高模型在具体任务的性能，应该尽可能找更多任务相关的语料继续进行预训练；
• 提高一种从领域语料采样任务语料的方法；
• 先进行DAP，再进行TAP能极大地提高模型在具体任务的性能。

• 论文全称及链接：《Don't Stop Pretraining: Adapt Language Models to Domains and Tasks》
• 项目地址：https://github.com/allenai/dont-stop-pretraining

具体的，作者选择了四个领域，包括生物医学（BIOMED）、计算机科学（CS）、新闻（NEWS）和评论（REVIEWS）。

每个领域各选择了两个分类任务。如下图所示

适应领域的预训练（DAP）

怎么定义领域语料？

举个例子，假如我们在做一个提取蛋白质和化学物质的实体抽取任务，那可以定义相关领域为医学，则医学相关的语料都是该领域的语料。

实验中，作者采用的是「RoBERTa模型继续针对4个领域语料继续进行预训练，得到4个领域的预训练模型」。

首先，怎么衡量这四个领域语料和原生RoBERTa的预训练语料有多大差别，作者采用了研究不同领域语料的前10K个高频单词，如下图所示

从图可以，看到RoBERTa的预训练语料和NEWS、REVIEWS语料重合度比较高，和CS和BIOMED的重合度比较低。

实验很简单，就是各任务用各领域的语料再继续预训练一定步数后，再进行fine tuning，实验结果如下图所示，DAPT就是用RoBERTa在各个领域的语料继续预训练后，再针对该领域的具体任务进行fine tuning，可以看到DAPT的结果都要比直接用RoBERTa进行fine tuning效果要好。而且当RoBERTa的训练语料和领域的语料分布越大的时候，DAPT带来的提升更加的明显。

为了论证，「效果的提升并非是单单预训练模型时用了更多的数据」，作者还做多了一种实验，即用「非该任务的预训练模型进行fine tuning」，如对CS领域继续进行预训练，再应用于NEWS领域的下游任务，可以看到这样做，比原生的RoBERTa直接进行fine funing效果多要差。

因此，作者的结论是，「适应领域的预训练能提高下游任务的性能，千万不能用与任务领域无关的语料！」

任务领域的预训练（TAP）

通常来说，具体的下游任务相对于领域，是更细的分类，如论文里面的 CHEMPROT任务 是提取化学物质和蛋白质的关系，很明显，是属于生物医学领域里面的细分领域。

很自然的想法，「用任务相关的语料继续进行预训练，相对于用领域的语料继续预训练，能更直接地提升模型的效果」。

具体的，实验直接用任务的有标注样本进行TAP，通常情况下，任务语料比领域语料要少得多，例如一个分类比赛，可能任务领域的数据就是公布的训练集和测试机的几千条样本。

实验结果如下图所示，TAPA都能增强模型在具体任务中的性能。DAPT+TAPT指先对领域语料继续预训练，再对任务语料继续预训练，是效果最佳的。

除此之外，作者还做了Transfer-TAPT的实验，即对同一领域不同任务的语料继续预训练，如下图左上，RCT和CHEMPROT都是BIOMED领域的任务，模型对RCT语料进行TAPA，再应用到CHEMPROT中，效果比对CHEMPROT进行TAPA，再直接应用到CHEMPROT任务中，效果足足下降了2.2个点。因此也论证了，继续对任务语料进行预训练十分重要。

从领域语料中挑选更多的任务语料

Human Curated-TAPA

有时候，我们能得到有标注的任务数据，还能得到无标注的大量任务数据。如上图的HYPERPARITISAN和IMDB除了有标注labeled的训练数据外，还有无标注unlabeled的训练数据，无论是否有标注，在预训练阶段，都成为任务语料，称作Curated-TAPA。

很明显的，越多的任务语料进行任务领域的预训练，应用到下游任务的效果越好，具体可看Curated-TAPA都比TAPA效果要好，因为Curated-TAPA比TAPA的任务语料要更多。

Automated Data Selection for TAPT

通常领域语料是很大的，例如论文里的四个领域语料，都超过10G的大小。而任务语料要小得多。「而使用任务的预训练比适应任务的预训练提升效果要直接得多，就是性价比更高」，例如在具体任务中需要提高性能5个点，可能需要领域语料20G，而任务语料达到同样的提升，可能只要几百M的任务语料。

所以一个自然的想法是，「能否从领域语料中挑选任务语料」？

具体的，论文提出了一种词袋模型的最近邻算法，思想非常简单，对于任务领域的每条样本，用词袋模型向量化表示，找领域语料中与其距离最近的k个样本，也纳进任务领域的预训练中，如下图所示

实验结果如下，

• RAND-TAPA就是随机从领域语料中采样出任务语料；
• 50NN-TAPA就是用k-邻近算法，且k取为50，即一条任务样本，从领域语料中挑选与它最接近的50个样本作为新加入的任务样本。

计算效率

任务领域的预训练相对于适应领域的预训练，「性价比更高」。

如下图，DAPT+TAPT的f1值达到83.0，但足足用了47G的语料，而Curated-TAPA只用了27MB的语料，就能超过DAPT+TAPT。

当然，有时候我们无法得到足够的任务语料，这时候，我们可以采用下面的k-最近邻的算法，从领域语料中采用任务语料，不失为性价比高的方法。

最后总结，论文里总结实验用过的方法

个人实验

这里拿疫情期间网民情绪识别这个比赛的数据来进行实验

• 比赛链接：https://www.datafountain.cn/competitions/423
• 比赛任务：根据疫情期间，微博网民发表的微博内容，判断该条内容是负面、中立、正面。

比赛数据：训练集一共有100K条标注数据，还有900K条非标注数据，明显的，这1000K条数据属于任务领域的数据，这里的100K就是TAPA数据，100K+900K=1000K就是Curated-TAPA数据。

用哈工大和科大讯飞发表的rbt3作为基础模型，用1000K条样本继续进行Curated-TAPA。具体的训练方法，可以参考这个教程https://github.com/zhusleep/pytorch_chinese_lm_pretrain以及huggingface transformers的example。

完成任务领域的预训练后，把100K有标注数据分成80K条训练数据、10K条验证数据、10K条测试数据。引入早停策略，假如模型在验证集连续两个epoch的f1值都没有下降，就停止训练，用最佳模型对测试集进行测试。挑选五个随机种子，实验结果如图所示，可以看到，效果能有少量的提升。

- END -