bert 多义词_BERT 与 Attention – 深度学习

BERT与语义理解发展史

最初，有了word embedding思想。它是想把词映射到onehot vector，再把onehot vector映射到一个向量空间。类似于feature提取。

如何训练Word embedding

起初，人们用语言模型来训练word embedding。语言模型，说白了，就是给出上文，让你预测当前的词是什么。

最简单的训练方法，就是把word映射到onehot vector，再把onehot vector映射到向量空间，再加一些neural networks，最后softmax输出一个onehot vector，作为当前值的预测。

后来有了word2vector，它用当前词的上下文，来预测当前词，也即CBOW(continuous Bag-of-words model)。

但是word2vector无法解决多义词的问题，它没有语境信息。

ELMO

ELMO给出了语境问题的解决方案。它用了两层双向向的LSTM。不仅能输出一个单词embedding，还能输出单词在句子中的句法特征，和语义特征。

ELMO的缺点，LSTM抽取信息能力弱于Transformer

GPT

用Transformer做单向信息抽取。

GPT的缺点：没有用双向(正向、反向)抽取

BERT

双向，transformer抽取语义。

Transformer很可能在未来取代RNN与CNN成为信息抽取的利器。

zhuanlan.zhihu.com/p/49271699

Attention注意力模型的强大应用

起初，我们用encoder，decoder来encode语句到语义上， 在decode语义到下游任务中。

比如：输入是中文，输出是英文，这就是翻译系统。

输入是文章，输出时摘要，这就是摘要系统。

输入是问题，输出是答案，这就是QA问答系统，对话机器人。

输入是图片，输出是文字，这就是图片自动描述系统。

输入是语音，输出是文字，这就是ASR系统。

Encoder-decoder的缺陷：所有的输入词的权重都是一样的，没有区别。

Attention模型

Soft Attention

以自动翻译为例，在翻译到目标文本的每个词时，encoder出来的语义Ci都会跟着变化，因为source里的每个单词对当前要翻译的词的贡献度不同

先举个例子说明什么是

。以“汤姆追逐杰瑞” “Tom chase Jerry”为例。

在翻译“chase”时，chase所占的注意力(0.6)自然比其他的单词”tom – 0.2″”jerry – 0.2″所占的注意力要高。

f2表示encoder对于输入单词的变换函数，如果encoder是RNN的话，他就代表着某个时刻输入

后隐层节点的状态值。

g一般是个加权求和公式

是语句的长度。$a_ij$ 是target输出第i个单词时，source里第j个单词的注意力系数，hj是source里第j个单词的编码向量

我们以RNN作为encoder和decoder为例

那么如何找到输出target单词

，在

时刻，对应的source里每个word的attention呢?也即如何找出

?

让我们把时间退回到t-1，此时在生成

时，我们知道$H_(i-1)$的值，也知道source里每个单词的hj的值，那么我们以F(H_i-1, hj)计算他们的相似度，算出每个hj所应该对应的注意力概率。

zhuanlan.zhihu.com/p/37601161