Understanding the Behaviors of BERT in Ranking

Posted 2021-08-16 Facico

Understanding the Behaviors of BERT in Ranking

该文章主要是研究BERT在passage re-ranking任务上的效果

数据集

MS MARCO数据集：QA问答数据集，从Bing上的用户搜索日志中的一些query，以及对应的一些候选passage。该任务的要求便是从候选的passage中选择能够回答该query的正确passage，包含一百多万个query和一百多万个passage。ClueWeb数据集类似

四种基于BERT的模型

• 1.BERT（Rep）
  用顶层的[CLS]来作为询问和文章的表示，然后使用余弦相似度来排序。相当于做成一个representation提取器。

• 2.BERT（Last-Int）
  用文章的句子模型表示，和询问的原句用一个参数矩阵算出一个分数。相当于一个interaction-based的排序器

• 3.BERT（Mult-Int）
  在第二个模型的形式上，句子模型表示用bert上每一层的[CLS]来加权

• 4.BERT（Term-Trans）
  在第一个模型的形式上，对Bert每一层的query和document的每个词之间计算cosine距离，然后取平均。再用这些分数对每层加权求和（为了避免负的cosine干扰匹配分数的平均值，这里做了个relu层）

实验

各个模型的表现

• 把bert当做representation使用效果不好且近似随机，说明在排序问题上bert不适合做一个representation model（可能是没有归一化）
• 稍微复杂的模型效果会变差，说明很难在fine-tune中显著地修改预训练的BERT

attention的可视化

y轴是大于average 或 majority attention的token个数

• 这里说明[SEP],[UNK]这种markers的很重要
• 当网络越深，attention就传播到整个句子上面，且embedding是与上下文有关的

随机去掉一个词对效果的影响

x轴是未去掉词之前的分数，y轴是去掉某个词之后的分数

• 说面对bert而言，分数偏向0或1，学习效果较好
• 去掉某个词之后结果影响不是很大（集中在左下角和右上角），说面bert是一个上下文学习很好的模型