如何使用 BERT 预测空字符串的概率

Question

假设我们有一个这样的模板语句：

• “____ 家是我们的聚会场所。”

我们有一个形容词列表来填空，例如：

• “黄色”
• “大”
• ""

请注意，其中一个是空字符串。

目标是在给定句子上下文的情况下比较概率以选择最有可能描述“房子”的词。如果它更有可能什么都没有，也应该考虑到这一点。

我们可以预测每个单词填空的概率，但是我们如何预测没有形容词来描述“房子”的概率呢？

预测一个单词的概率：

from transformers import BertTokenizer, BertForMaskedLM
import torch
from torch.nn import functional as F

# Load BERT tokenizer and pre-trained model
tokenizer = BertTokenizer.from_pretrained('bert-large-uncased')
model = BertForMaskedLM.from_pretrained('bert-large-uncased', return_dict=True)

targets = ["yellow", "large"]
sentence = "The [MASK] house is our meeting place."

# Using BERT, compute probability over its entire vocabulary, returning logits
input = tokenizer.encode_plus(sentence, return_tensors = "pt") 
mask_index = torch.where(input["input_ids"][0] == tokenizer.mask_token_id)[0] 
with torch.no_grad():
    output = model(**input) 

# Run softmax over the logits to get the probabilities
softmax = F.softmax(output.logits[0], dim=-1)

# Find the words' probabilities in this probability distribution
target_probabilities = {t: softmax[mask_index, tokenizer.vocab[t]].numpy()[0] for t in targets}
target_probabilities

这会输出单词列表及其相关概率：

{'yellow': 0.0061520976, 'large': 0.00071377633}

如果我尝试向列表中添加一个空字符串，我会收到以下错误：

---------------------------------------------------------------------------
KeyError                                  Traceback (most recent call last)
<ipython-input-62-6f726220a108> in <module>
     18 
     19 # Find the words' probabilities in this probability distribution
---> 20 target_probabilities = {t: softmax[mask_index, tokenizer.vocab[t]].numpy()[0] for t in targets}
     21 target_probabilities

<ipython-input-62-6f726220a108> in <dictcomp>(.0)
     18 
     19 # Find the words' probabilities in this probability distribution
---> 20 target_probabilities = {t: softmax[mask_index, tokenizer.vocab[t]].numpy()[0] for t in targets}
     21 target_probabilities

KeyError: ''

这是因为 BERT 的词汇表中不包含空字符串，所以我们无法查找模型中不存在的东西的概率。

我们应该如何获得没有单词可以填空的概率？模型可以做到这一点吗？使用空标记 [PAD] 而不是空字符串有意义吗？ （我只见过[PAD]用在句尾，使一组句子的长度相同。）

Answer 1

解决这个问题的一种方法是通过添加每个标记的 log-softmax 来比较句子分数。

首先，我应该说，当您对它们使用 softmax 时，BERT 中的 logits 分数并不是真正的概率。但这似乎是一种可以接受的方法。所以，我也会使用它。

其次，您还应该考虑形容词有多个标记的情况。我的解决方案还解决了多个令牌的问题。

这里是代码修复：

targets = ["", "yellow", "large", "very large"]
target_log_P = {t: None for t in targets}
for target in target_log_P:
     input = tokenizer.encode_plus(sentence.replace("[MASK]", target), return_tensors = "pt")
     output = model(**input)
     target_log_P[target] = sum([
         torch.log(F.softmax(output.logits[0][i], dim=-1)[idx])
         for i, idx in enumerate(input['input_ids'][0])
     ]).item()

也许有一个管道，我在这里的解决方案不是标准方式，但它似乎工作......

结果如下：

>>> target_log_P
{'': -37.5234375, 'yellow': -37.08171463012695, 'large': -35.85972213745117, 'very large': -46.483154296875}