基於變換器的雙向編碼器表示技術(英語:Bidirectional Encoder Representations from TransformersBERT)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]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word2vecGloVe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