NeurIPS'20 | 通过文本压缩，让BERT支持长文本

---

这是今年清华大学及阿里巴巴发表在NIPS 2020上的一篇论文《CogLTX: Applying BERT to Long Texts》，介绍了如何优雅地使用bert处理长文本。作者同时开源了不同NLP任务下使用COGLTX的代码：

论文题目：

CogLTX: Applying BERT to Long Texts

论文链接：

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

Github：

https://github.com/Sleepychord/CogLTX

Arxiv访问慢的小伙伴也可以在 【夕小瑶的卖萌屋】订阅号后台回复关键词 【1216】 下载论文PDF~

bert在长文本处理一般分为三种方法^[1]：

• 截断法；

• Pooling法；

• 压缩法。

该论文就是压缩法的一种，是三种方法中最好的。我们在科研和工作中都会遇到该问题，例如我最近关注的一个文本分类比赛：

面向数据安全治理的数据内容智能发现与分级分类 竞赛 - DataFountain^[2].

其文本数据长度就都在3000左右，无法将其完整输入bert，使用COGLTX就可以很好地处理该问题，那么就一起来看看该论文具体是怎么做的吧。

1.背景

基于以下情形：

• bert作为目前最优秀的PLM，不用是不可能的；

• 长文本数据普遍存在，且文本中包含的信息非常分散，难以使用滑动窗口^[3]截断。

而由于bert消耗计算资源和时间随着token的长度是平方级别增长的，所以其无法处理太长的token，目前最长只支持512个token，token过长也很容易会内存溢出，所以在使用bert处理长文本时需要设计巧妙的方法来解决这个问题。

2.提出模型

COGLTX模型在三类NLP任务中的结构如下：

首先假设：存在短文本 可以完全表达原长文本 的语义：

那么令 代替 输入原来的模型即可，那么怎么找到这个 呢

1、使用动态规划算法将长文本 划分为文本块集合 ；

2、使用MemRecall对原长句中的子句进行打分，MemRecall结构如图，而表现如下式：

从而选择出分数最高的子句组成 再进行训练，这样一来的话，COGLTX相当于使用了了两个bert，MemRecall中bert就是负责打分，另一个bert执行原本的NLP任务。

可以发现刚才找到 例子将问题Q放在了初始化 的开头，但是并不是每个NLP任务都可以这么做，分类的时候就没有类似Q的监督，这时候COGLTX采用的策略是将每个子句从原句中移除判断其是否是必不可少的(t是一个阈值)：

作者通过设计不同任务下的MemRecall实现了在长文本中使用bert并通过实验证明了方法的有效性。

3.实验

通过多维度地对比，证明了本文提出算法的有效性。