文章目录
BERT是Bidirectional Encoder Representations from Transformers的首字母简写，中文意思是：Transformer的双向编码器表示。它是谷歌发布的最先进的嵌入模型。BERT在许多NLP任务中提供了更好的结果，如问答、文本生成、句子分类等，从而在NLP领域取得了重大突破。BERT成功的一个主要原因在于它是一个基于上下文的嵌入模型，而其他流行的嵌入模型，如word2vec，则是上下文无关的。
首先，让我们了解基于上下文和上下文无关嵌入模型之间的区别。考虑以下两个句子：
句子A：He got bit by Python.
句子B：Python is a popular programming language.
通过阅读上述两个句子，我们可以理解到“Python”这个词在两个句子中的意思不同。在句子A中，“Python”指的是蛇，而在句子B中，“Python”指的是编程语言。
现在，如果我们使用word2vec这样的嵌入模型为上述两个句子中的“Python”这个词获取嵌入，那么“Python”的嵌入在两个句子中将是相同的，这使得“Python”在两个句子中的意思相同。这是因为word2vec是一个上下文无关模型，它会忽略上下文，总是为“Python”提供相同的嵌入，无论上下文如何。
与之不同，BERT是一个基于上下文的模型。它会理解上下文，然后基于上下文生成单词的嵌入。因此，对于上述两个句子，它会根据上下文为“Python”提供不同的嵌入。但这是如何工作的？BERT是如何理解上下文的？让我们更深入地探讨这个问题。
让我们以句子A为例：He got bit by Python.。首先，BERT将句子中的每个单词与句子中的所有其他单词关联起来，以理解每个单词的上下文意义。因此，为了理解“Python”这个词的上下文意义，BERT将“Python”这个词与句子中的所有单词关联起来。通过这样做，BERT可以理解句子A中的“Python”通过“咬”这个词指的是蛇，如下所示：
图2.1 – 将“Python”这个词与所有其他单词关联
现在，让我们看看句子B：Python is a popular programming language.
同样地，BERT将句子中的每个单词与句子中的所有单词关联起来，以理解每个单词的上下文意义。因此，BERT将“Python”这个词与句子中的所有单词关联起来，以理解“Python”这个词的意思。通过这样做，BERT理解句子B中的“Python”与编程语言有关，通过使用“编程”这个词，如下所示：
图2.2 – 将“Python”这个词与所有其他单词关联
因此，与word2vec这样的上下文无关模型不同，后者无论上下文如何都生成静态嵌入，BERT基于上下文生成动态嵌入。
好了，问题是BERT究竟是如何工作的？它是如何理解上下文的？现在我们有了BERT的基本概念，接下来我们将更详细地探讨BERT，并找到这些问题的答案。
感谢您的阅读，欢迎关注！
