維基百科

BERT

基於變換器的雙向編碼器表示技術（英語：Bidirectional Encoder Representations from Transformers，BERT）是用於自然語言處理（NLP）的預訓練技術，由Google提出。[1][2]2018年，雅各布·德夫林和同事創建並發布了BERT。Google正在利用BERT來更好地理解用戶搜索語句的語義。[3] 2020年的一項文獻調查得出結論：「在一年多一點的時間裡，BERT已經成為NLP實驗中無處不在的基線」，算上分析和改進模型的研究出版物超過150篇。[4]

最初的英語BERT發布時提供兩種類型的預訓練模型[1]：（1）BERTBASE模型，一個12層，768維，12個自注意頭（self attention head），110M參數的神經網絡結構；（2）BERTLARGE模型，一個24層，1024維，16個自注意頭，340M參數的神經網絡結構。兩者的訓練語料都是BooksCorpus[5]以及英語維基百科語料，單詞量分別是8億以及25億。[6]

結構

BERT的核心部分是一個Transformer模型，其中編碼層數和自注意力頭數量可變。結構與Vaswani等人(2017)[7]的實現幾乎「完全一致」。

BERT在兩個任務上進行預訓練： 語言模型（15%的token被掩蓋，BERT需要從上下文中進行推斷）和下一句預測（BERT需要預測給定的第二個句子是否是第一句的下一句）。訓練完成後，BERT學習到單詞的上下文嵌入。代價昂貴的預訓練完成後，BERT可以使用較少的資源和較小的數據集在下游任務上進行微調，以改進在這些任務上的性能。[1][8]

性能及分析

BERT在以下自然語言理解任務上的性能表現得最為卓越：[1]

  • GLUE（General Language Understanding Evaluation，通用語言理解評估）任務集（包括9個任務）。
  • SQuAD（Stanford Question Answering Dataset，斯坦福問答數據集）v1.1和v2.0。
  • SWAG（Situations With Adversarial Generation，對抗生成的情境）。

有關BERT在上述自然語言理解任務中為何可以達到先進水平，目前還未找到明確的原因[9][10]。目前BERT的可解釋性研究主要集中在研究精心選擇的輸入序列對BERT的輸出的影響關係，[11][12]通過探測分類器分析內部向量表示，[13][14]以及注意力權重表示的關係。[9][10]

歷史

BERT起源於預訓練的上下文表示學習，包括半監督序列學習（Semi-supervised Sequence Learning）[15]，生成預訓練（Generative Pre-Training），ELMo（英語：ELMo）[16]和ULMFit[17]。與之前的模型不同，BERT是一種深度雙向的、無監督的語言表示，且僅使用純文本語料庫進行預訓練的模型。上下文無關模型（如word2vec或GloVe（英語：GloVe））為詞彙表中的每個單詞生成一個詞向量表示，因此容易出現單詞的歧義問題。BERT考慮到單詞出現時的上下文。例如，詞「水分」的word2vec詞向量在「植物需要吸收水分」和「財務報表裡有水分」是相同的，但BERT根據上下文的不同提供不同的詞向量，詞向量與句子表達的句意有關。

2019年10月25日，Google搜索宣布他們已經開始在美國國內的英語搜索查詢中應用BERT模型。[18]2019年12月9日，據報道，Google搜索已經在70多種語言的搜索採用了BERT。[19] 2020年10月，幾乎每一個基於英語的查詢都由BERT處理。[20]

獲獎情況

在2019年計算語言學協會北美分會（NAACL（英語：North American Chapter of the Association for Computational Linguistics））年會上，BERT獲得了最佳長篇論文獎。[21]

參見

參考文獻

  1. ^ 1.0 1.1 1.2 1.3 Devlin, Jacob; Chang, Ming-Wei; Lee, Kenton; Toutanova, Kristina. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. 2018-10-11. arXiv:1810.04805v2   [cs.CL]. 
  2. ^ Open Sourcing BERT: State-of-the-Art Pre-training for Natural Language Processing. Google AI Blog. [2019-11-27]. （原始內容存檔於2021-01-13） （英語）. 
  3. ^ Understanding searches better than ever before. Google. 2019-10-25 [2019-11-27]. （原始內容存檔於2021-01-27） （英語）. 
  4. ^ Rogers, Anna; Kovaleva, Olga; Rumshisky, Anna. A Primer in BERTology: What We Know About How BERT Works. Transactions of the Association for Computational Linguistics. 2020, 8: 842–866 [2021-11-24]. doi:10.1162/tacl_a_00349. （原始內容存檔於2022-04-03）. 
  5. ^ Zhu, Yukun; Kiros, Ryan; Zemel, Rich; Salakhutdinov, Ruslan; Urtasun, Raquel; Torralba, Antonio; Fidler, Sanja. Aligning Books and Movies: Towards Story-Like Visual Explanations by Watching Movies and Reading Books: 19–27. 2015. arXiv:1506.06724   [cs.CV]. 
  6. ^ Annamoradnejad, Issa. ColBERT: Using BERT Sentence Embedding for Humor Detection. 2020-04-27. arXiv:2004.12765   [cs.CL]. 
  7. ^ Polosukhin, Illia; Kaiser, Lukasz; Gomez, Aidan N.; Jones, Llion; Uszkoreit, Jakob; Parmar, Niki; Shazeer, Noam; Vaswani, Ashish. Attention Is All You Need. 2017-06-12. arXiv:1706.03762   [cs.CL]. 
  8. ^ Horev, Rani. BERT Explained: State of the art language model for NLP. Towards Data Science. 2018 [27 September 2021]. （原始內容存檔於2022-10-17）. 
  9. ^ 9.0 9.1 Kovaleva, Olga; Romanov, Alexey; Rogers, Anna; Rumshisky, Anna. Revealing the Dark Secrets of BERT. Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP). November 2019: 4364–4373 [2020-10-19]. doi:10.18653/v1/D19-1445. （原始內容存檔於2020-10-20） （美國英語）. 
  10. ^ 10.0 10.1 Clark, Kevin; Khandelwal, Urvashi; Levy, Omer; Manning, Christopher D. What Does BERT Look at? An Analysis of BERT's Attention. Proceedings of the 2019 ACL Workshop BlackboxNLP: Analyzing and Interpreting Neural Networks for NLP (Stroudsburg, PA, USA: Association for Computational Linguistics). 2019: 276–286. 
  11. ^ Khandelwal, Urvashi; He, He; Qi, Peng; Jurafsky, Dan. Sharp Nearby, Fuzzy Far Away: How Neural Language Models Use Context. Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers) (Stroudsburg, PA, USA: Association for Computational Linguistics). 2018: 284–294. Bibcode:2018arXiv180504623K. arXiv:1805.04623  . doi:10.18653/v1/p18-1027. 
  12. ^ Gulordava, Kristina; Bojanowski, Piotr; Grave, Edouard; Linzen, Tal; Baroni, Marco. Colorless Green Recurrent Networks Dream Hierarchically. Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long Papers) (Stroudsburg, PA, USA: Association for Computational Linguistics). 2018: 1195–1205. Bibcode:2018arXiv180311138G. arXiv:1803.11138  . doi:10.18653/v1/n18-1108. 
  13. ^ Giulianelli, Mario; Harding, Jack; Mohnert, Florian; Hupkes, Dieuwke; Zuidema, Willem. Under the Hood: Using Diagnostic Classifiers to Investigate and Improve how Language Models Track Agreement Information. Proceedings of the 2018 EMNLP Workshop BlackboxNLP: Analyzing and Interpreting Neural Networks for NLP (Stroudsburg, PA, USA: Association for Computational Linguistics). 2018: 240–248. Bibcode:2018arXiv180808079G. arXiv:1808.08079  . doi:10.18653/v1/w18-5426. 
  14. ^ Zhang, Kelly; Bowman, Samuel. Language Modeling Teaches You More than Translation Does: Lessons Learned Through Auxiliary Syntactic Task Analysis. Proceedings of the 2018 EMNLP Workshop BlackboxNLP: Analyzing and Interpreting Neural Networks for NLP (Stroudsburg, PA, USA: Association for Computational Linguistics). 2018: 359–361. doi:10.18653/v1/w18-5448. 
  15. ^ Dai, Andrew; Le, Quoc. Semi-supervised Sequence Learning. 2015-11-04. arXiv:1511.01432   [cs.LG]. 
  16. ^ Peters, Matthew; Neumann, Mark; Iyyer, Mohit; Gardner, Matt; Clark, Christopher; Lee, Kenton; Luke, Zettlemoyer. Deep contextualized word representations. 2018-02-15. arXiv:1802.05365v2   [cs.CL]. 
  17. ^ Howard, Jeremy; Ruder, Sebastian. Universal Language Model Fine-tuning for Text Classification. 2018-01-18. arXiv:1801.06146v5   [cs.CL]. 
  18. ^ Nayak, Pandu. Understanding searches better than ever before. Google Blog. 2019-10-25 [2019-12-10]. （原始內容存檔於2019-12-05）. 
  19. ^ Montti, Roger. Google's BERT Rolls Out Worldwide. Search Engine Journal. Search Engine Journal. 2019-12-10 [2019-12-10]. （原始內容存檔於2020-11-29）. 
  20. ^ Google: BERT now used on almost every English query. Search Engine Land. 2020-10-15 [2020-11-24]. （原始內容存檔於2022-05-06）. 
  21. ^ Best Paper Awards. NAACL. 2019 [2020-03-28]. （原始內容存檔於2020-10-19）. 

外部連結

取自「https://zh.wikipedia.org/w/index.php?title=BERT&oldid=81913244」