引言

之前的文章和大家詳細(xì)的介紹了靜態(tài)的詞向量表示word2vec理論加實(shí)戰(zhàn)，但是word2vec存在一個(gè)很大的問題，由于是靜態(tài)詞向量所以無法表示一詞多義，對于每個(gè)詞只能有一個(gè)固定的向量表示，今天我們來介紹一個(gè)給NLP領(lǐng)域帶來革新的預(yù)訓(xùn)練語言大模型Bert，對比word2vec和Glove詞向量模型，Bert是一個(gè)動(dòng)態(tài)的詞向量語言模型，接下來將帶領(lǐng)大家一起來聊聊Bert的前世今生，感受一下Bert在自然語言處理領(lǐng)域的魅力吧。

1 預(yù)訓(xùn)練的演化史

NLP里面的Word Embedding預(yù)訓(xùn)練技術(shù)的演化史，從最初的靜態(tài)詞向量word2vec，到動(dòng)態(tài)預(yù)訓(xùn)練詞向量ELMO和GPT,再到今天的主角Bert預(yù)訓(xùn)練模型，這個(gè)演變過程也是整個(gè)NLP技術(shù)的發(fā)展歷程，Bert的橫空問世直接刷新了NLP領(lǐng)域11項(xiàng)基本任務(wù)的最佳成績，成為最受NLP算法工程師青睞的算法模型。

1.1 onehot編碼

one-hot編碼顧名思義，又稱為獨(dú)熱編碼表示，之前的文章中有對onehot詞向量做詳細(xì)的介紹：

【NLP修煉系列之詞向量（一）】詳解one-hot編碼&實(shí)戰(zhàn)

1.2 word2vec詞向量

word2vec是一種靜態(tài)的詞向量表示，word2vec存在最大的問題就是由于它是靜態(tài)詞向量表示導(dǎo)致不能表示一詞多義的情況，之前的文章有對word2vec原理和實(shí)戰(zhàn)做詳解，想了解的小伙伴可以回顧一下：

【NLP修煉系列之詞向量（二）】詳解Word2Vec原理篇

1.3 ELMO預(yù)訓(xùn)練模型

對比word2vec靜態(tài)詞向量的缺點(diǎn)，為了解決這種靜態(tài)詞向量一詞多義問題，2018年NAACL上發(fā)表了paper《Deep contextualized word representations》提出了ELMO預(yù)訓(xùn)練語言模型。

ELMO模型結(jié)構(gòu)：

ELMO的核心思想：使用兩層BiLSTM模型來學(xué)習(xí)文本深度學(xué)習(xí)層次表示，最后針對每個(gè)單詞輸出三個(gè)向量，針對于下游任務(wù)可以使用加權(quán)的方式來表征文本，一定程度上解決了一詞多義的問題。

1.4 GPT預(yù)訓(xùn)練模型

GPT的全稱是"Generative Pre-Traingng Transformer"的簡稱，是一個(gè)生成式預(yù)訓(xùn)練模型，由論文《Deep contextualized word representations》提出。

GPT模型結(jié)構(gòu)圖：

GPT的核心思想：通過二段式的訓(xùn)練，第一個(gè)階段是利用語言模型進(jìn)行預(yù)訓(xùn)練（無監(jiān)督形式），第二階段通過 Fine-tuning 的模式解決下游任務(wù)（監(jiān)督模式下）。

圖（左）文章中使用的 Transformer 架構(gòu)和訓(xùn)練目標(biāo)。（右）用于微調(diào)不同任務(wù)的輸入轉(zhuǎn)換，將所有結(jié)構(gòu)化輸入轉(zhuǎn)換為令牌序列，由預(yù)訓(xùn)練模型處理，然后是線性+softmax 層。

GPT和ELMO模型一樣都是兩階段的預(yù)訓(xùn)練模型，但是不同的是，GPT特征抽取器不是用的RNN，而是用的transformer，它的特征抽取能力要強(qiáng)于RNN，其次GPT的預(yù)訓(xùn)練雖然仍然是以語言模型作為目標(biāo)任務(wù)，但是采用的是自回歸模型，單向的transformer結(jié)構(gòu)，只會(huì)根據(jù)上文信息來表示W(wǎng)ord Embedding，是一個(gè)生成式模型。

1.4 Bert預(yù)訓(xùn)練模型

BERT和ELMO、GPT有密切關(guān)系，三者直接有著共同點(diǎn)和不同點(diǎn)，先給出模型結(jié)構(gòu)，后面我們詳細(xì)的介紹一下今天的主角Bert預(yù)訓(xùn)練語言模型。

總結(jié)一下預(yù)訓(xùn)練的幾個(gè)演變模型的關(guān)系：

one-hot編碼是離散的向量表示，離散編碼存在諸多的問題，例如無法衡量相似數(shù)據(jù)之間的相似關(guān)系等。

word2vec是靜態(tài)的的詞向量表示，靜態(tài)詞向量之前也說明了存在著很多的問題，其中最大的缺點(diǎn)就是不能解決一詞多義的問題。

相比較word2vec而言ELMO，Bert，GPT都是動(dòng)態(tài)的詞向量表示，其中ELMO不僅使用了詞向量表示詞，還加入了句法特征向量和語義特征向量三層embedding組合來表示詞，ELMO主要特點(diǎn)是使用了LSTM的特征提取器，自左到右和自右到左雙向的使用上下文來語義表示，如果ELMO將LSTM改成Transformer特征提取器就變成了Bert結(jié)構(gòu)了。

GPT使用的特征提取器是Transformer，但是是自左到右單向僅僅使用上文語義的自回歸生成模型，如果GPT也是使用自左到右和自右到左的雙向提取上下文語義就變成了Bert結(jié)構(gòu)了。

那么這么看來Bert的結(jié)構(gòu)就比較清晰了，Bert綜合了以上左右模型的“優(yōu)點(diǎn)”吧，動(dòng)態(tài)的詞向量語義表示，使用了強(qiáng)大的Transformer特征提取器，同時(shí)是自左到右和自右到左雙向的使用上下文來語義表示，可以說Bert是集大成者。

2 Bert概述

Bert全稱是“Bidirectional Encoder Representations from Transformers”，Bert是一種預(yù)訓(xùn)練語言模型（pre-trained language model, PLM）。Google團(tuán)隊(duì)在2018年發(fā)表文章《BERT: Pre-training of Deep Bidirectional Transformers forLanguage Understanding》提出了Bert預(yù)訓(xùn)練語言模型，可以說Bert的出現(xiàn)轟動(dòng)了整個(gè)NLP領(lǐng)域，自然語言處理領(lǐng)域開始進(jìn)入一個(gè)新的階段。

Bert和ELMO，GPT都一樣是兩階段的任務(wù)（預(yù)訓(xùn)練+微調(diào)）：

預(yù)訓(xùn)練階段(pre-training)：模型將使用大量的無標(biāo)簽數(shù)據(jù)訓(xùn)練。

微調(diào)階段(fine-tuning)：BERT模型將用預(yù)訓(xùn)練模型初始化所有參數(shù)，這些參數(shù)將針對于下游任務(wù)，比如文本分類，序列標(biāo)注任務(wù)等，微調(diào)階段需要使用有標(biāo)簽的數(shù)據(jù)進(jìn)行模型訓(xùn)練，不同的下游任務(wù)可以訓(xùn)練出不同的模型，但是每次都會(huì)使用同一個(gè)預(yù)訓(xùn)練模型進(jìn)行初始化。

2.1 BERT的結(jié)構(gòu)

Bert是基于Transformer實(shí)現(xiàn)的，主要是Transformer的Encoder部分，完整架構(gòu)如下：

論文中提到的Bert主要有兩種大小，bert-base和bert-large兩個(gè)size，base版一共有110M參數(shù)，large版有340M的參數(shù)，總之Bert有上億的參數(shù)量。

BERT_BASE:L=12,H=768,A=12,TotalParameters=110M.

BERT_LARGE:L=24,H=1024,A=16,TotalParameters=340M.

其中 L：Transformer blocks 層數(shù)；H：hidden size；A：the number of self-attention heads

2.2 Bert的輸入輸出形式

Bert的Embedding層由3個(gè)子層求和得到，分別是詞向量層Token Embedings，句子層Segment Embeddings以及位置編碼層Position Embeddings。

Embedding的組成：

Token Embeddings字向量：用來表征不同的詞，以及特殊的tokens，第一個(gè)單詞是CLS標(biāo)志，主要用于之后的分類任務(wù)。

Segment Embeddings文本向量：用來區(qū)別兩個(gè)句子，來表征這個(gè)詞是屬于哪一個(gè)句子，作用于兩個(gè)句子為輸入的分類任務(wù)。

Position Embeddings位置向量：由于出現(xiàn)在文本不同位置的字/詞所攜帶的語義信息存在差異，對不同位置的字/詞分別附加一個(gè)不同的向量以作區(qū)分，是隨機(jī)初始化訓(xùn)練出來的結(jié)果。

Bert輸出:

主要輸出各字對應(yīng)的融合全文語義信息后的向量表示。

3 Bert的預(yù)訓(xùn)練方式

預(yù)訓(xùn)練：預(yù)訓(xùn)練是通過大量無標(biāo)注的語言文本進(jìn)行語言模型的訓(xùn)練，得到一套模型參數(shù)，利用這套參數(shù)對模型進(jìn)行初始化，再根據(jù)具體任務(wù)在現(xiàn)有語言模型的基礎(chǔ)上進(jìn)行精調(diào)。

預(yù)訓(xùn)練主要分為兩大分支，一支是自編碼語言模型（Autoencoder Language Model），自回歸語言模型（Autoregressive Language Model）。

?自回歸語言模型：?是根據(jù)上文內(nèi)容預(yù)測下一個(gè)可能的單詞，就是常說的自左向右的語言模型任務(wù)，或者反過來也行，就是根據(jù)下文預(yù)測前面的單詞。GPT 就是典型的自回歸語言模型。

自編碼語言模型：是對輸入的句子隨機(jī)Mask其中的單詞，然后預(yù)訓(xùn)練過程的主要任務(wù)之一是根據(jù)上下文單詞來預(yù)測這些被Mask掉的單詞，那些被Mask掉的單詞就是在輸入側(cè)加入的噪音。BERT就是典型的自編碼類語言模型。

3.1 MLM掩碼語言模型（Mask Language Model）

因?yàn)锽ert就是采用自編碼的預(yù)訓(xùn)練模型，MLM就是我們理解的完形填空的問題，隨機(jī)掩蓋掉每一個(gè)句子中15%的詞，用其上下文來去預(yù)測掩蓋的詞，但是在下游任務(wù)做微調(diào)的過程中不會(huì)出現(xiàn)mask情況，為了解決這一問題論文中提到了一些替換策略：

80%的時(shí)間是采用[mask]，mydogishairy→mydogis[MASK]

10%的時(shí)間是隨機(jī)取一個(gè)詞來代替mask的詞，mydogishairy->mydogisapple

10%的時(shí)間保持不變，mydogishairy->mydogishairy

3.2 NSP預(yù)訓(xùn)練任務(wù) (Next Sentence Prediction)

NSP任務(wù)主要是判斷兩個(gè)句子的關(guān)系，判斷兩個(gè)句子是否是前后句關(guān)系，然后用一些特殊的tokens做區(qū)分（在句子開頭加一個(gè) [CLS]，在兩句話之間和句末加 [SEP]）。輸入形式是，開頭是一個(gè)特殊符號[CLS]，然后兩個(gè)句子之間用[SEP]隔斷。

正樣例：50%的句子B是真是的A后面的句子。

負(fù)樣例：50%的句子B是從語料中隨機(jī)選取的句子。

4 Bert的微調(diào)

Bert的4個(gè)經(jīng)典任務(wù)：句子（文本）對匹配、句子（文本）分類、問答系統(tǒng)、序列標(biāo)注。

（1）句對分類（Sentence Pair Classification tasks）

預(yù)測下一句、語義相似度等任務(wù)，輸入是兩個(gè)句子A和B，中間用[SEP]分隔，最終得到的class label就表示是否下一句或者是否是語義相似的。

（2）單句分類（Single Sentence Classification tasks）

文本分類、情感分析等。輸入就是一個(gè)單獨(dú)的句子，最終的class label就是表示句子屬于哪一類。

（3）文本問答（Question Answering tasks）

問答任務(wù)，輸入是一個(gè)問題和問題對應(yīng)的段落，用[SEP]分隔，這里輸出的結(jié)果就不是某個(gè)class label而是答案在給定段落的開始和終止位置，主要用于閱讀理解任務(wù)。

（4）序列標(biāo)注任務(wù)（Single Sentence Tagging Tasks）

常見的命名實(shí)體識(shí)別任務(wù)，輸入就是一個(gè)單獨(dú)的句子，輸出是句子中每個(gè)token對應(yīng)的類別標(biāo)注。

5 總結(jié)

Bert模型取得這么驚人的效果的前提是用到了強(qiáng)大的Transformer特征提取器，其次是用到了雙向的上下文語義表示，BERT之后衍生了各類改進(jìn)版BERT，其中改善訓(xùn)練方式、優(yōu)化模型結(jié)構(gòu)、模型小型化等方法去優(yōu)化Bert，比較典型的有Roberta，AlBert，distilBert等更好，更快，更小的模型。

審核編輯：劉清