图谱问答-句子向量&模型部署&项目总结（未完）

内容来自七月算法nlp课程。

1 句子向量

句子向量是用于实体消岐的。可以使用Elmo，也可以使用bert。这里介绍用bert生成句子向量。

1.1 bert句子向量表示相似度效果不好

Bert中最常用的句向量方式是采用cls标记位或者平均所有位置的输出值，注意，在采用平均的方式的时候，我们需要先做一个mask的操作，计算均值时，除以mask的和。但bert的句子向量效果不理想。

为什么呢？
原因1：词频率影响词向量的空间分布。bert词向量表示与原点的L2距离的均值。高频的词更接近原点。

原因2：低频次分布偏向稀疏。度量词向量空间中与K近邻单词的 L2 距离的均值。我们可以看到高频词分布更集中，而低频词分布则偏向稀疏。然而稀疏性的分布会导致表示空间中存在很多“洞”，这些洞会破坏向量空间的“凸性”。考虑到BERT句子向量的产生保留了凸性，因而直接使用其句子embeddings会存在问题。
这个凸性听得云里雾里。

解决的模型有：sentence-bert、bert-flow和simCSE。

1.2 sentence-bert

论文：https://arxiv.org/pdf/1908.10084.pdf
代码：https://github.com/UKPLab/sentence-transformers