BERT模型（Attention注意力机制 + Transformer Encoder）

BERT全称BidirectionalEncoder Representations from Transformer（基于Transformer的双向编码器？）。BERT模型利用大规模无标注的预料训练，获得包含文本内在语义信息的Representation。

• 输入：文本中各个词的原始向量。这个向量既可以是随机初始化，也可以是使用word2vec初步训练得到的。

• 输出：文本中各个词融合了全文语义后的向量表示

输入模型的向量包括三个部分：字向量（Token Embedding）、文本向量（Segment Embedding）、位置向量（Position Embedding），最后将这三个向量加和输入到BERT模型中。

• 字向量就是普通的词嵌入：Embedding
• 文本向量是用embedding的信息将上下文分开
• 位置向量是学习出来的

1. 模型任务

1.1 三种NLP任务

对于不同的任务，BERT有着不同的输入和输出

• 单文本分类：例如文章情绪分析。BERT模型在输入的文本前添加一个[CLS]符号，并将该符号对应的输出向量作为最终整篇文章的语义表示。与其他文本字相比，这个[CLS]向量能更公平的融合各个字词的语义信息
• 语句对文本分类： 例如问答系统。这时输入向量不仅添加了[CLS]，还添加了[SEP]用于分割语句。
• 序列加标注：此类任务每个字对应的输出向量是对该字的标注，可以理解为分类

1.2 两种预训练模型

• Masked LM：给定一句话，随即抹去其中几个词，要求根据上下文判断缺失字词。形象理解为“完形填空”。原文作者在一句话中随机选择15%的词汇用于预测。对于被抹去的词汇，80%用[MASK]替换，10%用其他字替换，10%保持不变。这样做的原因是，模型在实际预测使并不知道对应位置的词汇是否为正确答案，这迫使模型更加依赖上下文信息去预测。
• Next Sentence Prediction: 给定两句话，判断第二句是否紧挨着第一句。类似四六级中的段落重排序。

2. Attention

BERT的核心是Transformer，而Transformer的核心是Attention，注意力机制。

Attention的作用是让神经网络把注意力集中在一部分输入上。最原始的应用于序列入序列出类问题的模型是Encoder Decoder模型。

输入$$Source=<x_1,x_2,...>$$经过Encoder编码，生成中间语义c$$c=F(x_1,x_2,...)$$送入Decoder，根据中间语义和已生成的历史信息生成$i$时刻的结果$$y_i=D(c,y_1,...,y_{i-1})$$

这么做的缺陷也很明显。首先当输入量较大时，将规模极大的信息一股脑地压入c显然对于Decoder压力很大，且容易出现梯度消失；其次，先后进入Encoder的信息价值是不等的，理论上越后输入的单词影响力越大；而且，可以看出Decoder中，任何时刻的语义信息C是相同的，显然也不合理。

Attention机制则在其基础上改用多个中间语义c。

在预测Y1时可能它的注意力放在C1上，那么就用C1作为其中间语义，以此类推。也就是说原先一成不变的C，变成了会根据要生成的单词而不断变化的Ci。举例，在为“鹄”注音时，可能会觉得陌生，但放入“鸿鹄之志”里时就豁然开朗了。在“鸿鹄之志”四个字中，“鸿”对“鹄”的理解作用最大，相反“之”对想起来“鹄”念什么帮助微乎其微。这个帮助理解的能力，就类似于注意力

Attention机制主要涉及到三个概念：Query，Value，Key。

其中

• Query：目标字，或待生成的标注的词
• Value：上下文各字的原始Value表示
• Key：上下文各字的Key向量表示
  通过计算Query和Key的相似度对Value加成，生成目标字的Attention值。$$Attention(Query,Source)=\sum _{i}Similarity(Query,Ke{y}_i)\ast Value$$其中$Source=<Key,Value>$，得到目标字的增强语义表示

Self-Attention自注意机制

自注意机制将每个字作为Query，加权融合所有字的语义信息，得到各字的增强语义向量

Multi-head Self-Attention

将每个字的多个增强语义向量进行线性组合，最终获得一个与原始字向量长度相等的增强语义向量。Multi-head的出现是因为不仅词具有多义性，有些句子在不同场景下所表达的意思也不一样。例如“女朋友 / 很 / 重要吗”和“女朋友 / 很重 / 要吗”两句话，“要”字是否和“重”组合所表达的语义不同。Multi-head Self-Attention可以看作是对文本中每个字分别增强其语义向量表示的黑盒。

3. Transformer

大名鼎鼎的Transformer是Multi-head Self-Attention的升级版。由于BERT没有Decoder模块，下文只涉及Transformer Encoder结构。

Transformer在Multi-head基础上又添加了

• 残差连接：将multi-head模块的输入和输出直接相加。
• 标准化：对神经网络节点做0，1标准化
• 线性转换：再做两次线性变化，变换后的向量和原向量长度相同

4. BERT模型

重点来了。
组装好TransformerEncoder之后，将Transformer Encoder堆叠起来，就是BERT模型。

重点结束了。