NLP自然语言处理通识

目录

ELMO

一、ELMo的核心设计理念

1. 静态词向量的局限性

2. 动态上下文嵌入的核心思想

3. 层次化特征提取

1. 双向语言模型（BiLM）

2. 多层LSTM的层次化表示

三、ELMo的运行过程

1. 预训练阶段

2. 下游任务微调

四、ELMo的突破与局限性

1. 技术突破

2. 局限性

五、ELMo的历史影响

六、典型应用场景

Bert

1. 对上下文建模的彻底革新

2. 预训练-微调范式（Pre-training + Fine-tuning）

3. 任务驱动的预训练目标

二、BERT的模型架构与技术逻辑

1. 基于Transformer的编码器堆叠

2. 输入表示设计

3. 预训练任务详解

三、BERT的运行过程

1. 预训练阶段

2. 微调阶段

四、BERT的技术突破与局限性

1. 革命性贡献

2. 局限性

五、BERT的历史地位与后续发展

1. NLP范式转变

2. 关键衍生模型

六、BERT的典型应用场景

七、与ELMo的关键对比

---

ELMO

一、ELMo的核心设计理念

1. 静态词向量的局限性

• 问题根源：传统词向量（如Word2Vec、GloVe）为每个词赋予固定表示，无法处理一词多义（Polysemy）。

• 例证：单词"bank"在"river bank"和"bank account"中含义不同，但静态词向量无法区分。

2. 动态上下文嵌入的核心思想

• 核心理念：词义应由其所在上下文动态生成，而非静态编码。

• 技术路径：通过双向语言模型（BiLM）捕捉上下文信息，生成层次化的词表示。

3. 层次化特征提取

• 语言学假设：不同神经网络层可捕捉不同粒度的语言特征（如词性、句法、语义）。

• 创新点：将LSTM不同层的输出线性组合，构建最终的词表示。

二、ELMo的模型结构与技术逻辑

1. 双向语言模型（BiLM）

• 前向LSTM：建模从左到右的序列概率

• 后向LSTM：建模从右到左的序列概率

• 联合优化目标：最大化双向对数似然：

2. 多层LSTM的层次化表示

• 底层特征：LSTM底层输出捕捉局部语法特征（如词性、形态）。

• 高层特征：LSTM顶层输出捕捉全局语义特征（如句间关系、指代消解）。

• 特征融合：通过可学习的权重 组合各层表示：

三、ELMo的运行过程

1. 预训练阶段

• 输入：大规模语料（如1B Word Benchmark）

• 任务目标：通过双向语言模型预测下一个词（前向）和上一个词（后向）

• 参数保存：保留LSTM各层的权重及字符卷积网络的参数。

2. 下游任务微调

• 特征注入方式：

• 静态模式：固定ELMo权重，将词向量拼接至任务模型的输入层。

• 动态模式：允许ELMo参数在任务训练中微调（需权衡计算成本）。

• 多任务适配：适用于分类、问答、NER等多种任务，通过调整权重 优化特征组合。

四、ELMo的突破与局限性

1. 技术突破

• 动态词向量：首次实现基于上下文的动态词表示。

• 双向建模：通过独立训练的双向LSTM间接捕捉全局上下文。

• 层次化特征：验证了不同网络层的语言学意义。

2. 局限性

• 浅层双向性：前向/后向LSTM独立训练，未实现真正的交互式双向建模。

• LSTM效率瓶颈：长序列建模能力受限，训练速度慢于Transformer。

• 上下文长度限制：受LSTM记忆容量影响，长距离依赖捕捉不足。

五、ELMo的历史影响

1. 预训练范式的先驱：证明了语言模型预训练+任务微调的可行性。

2. BERT与GPT的基石：启发了基于Transformer的双向预训练模型（BERT）和自回归模型（GPT）。

3. 特征可解释性研究：推动了对神经网络层次化语言特征的探索（如探针任务分析）。

六、典型应用场景

1. 命名实体识别（NER）：动态词向量显著提升实体边界识别精度。

2. 文本分类：通过组合不同层次特征捕捉局部与全局语义。

3. 语义相似度计算：上下文敏感的词表示改善句子匹配效果。

tips：ELMO过程属于无监督学习，RNN base模型预测下一个词的位置，而不是下一个词是否为正确的词

ELMO和transformer没有关系，和BiLSTM有关系，每次input的词汇作词嵌入(转换为词向量)

Bert

一、BERT的核心设计理念

1. 对上下文建模的彻底革新

• 问题驱动：传统模型（如ELMo、GPT）的单向或浅层双向性限制了对上下文的全局理解。

• 核心思想：通过深度双向Transformer实现全上下文交互建模，消除方向性偏差。

2. 预训练-微调范式（Pre-training + Fine-tuning）

• 统一架构：同一模型结构适配多种下游任务，无需任务特定结构调整。

• 参数复用：预训练阶段学习通用语言知识，微调阶段注入领域/任务知识。

3. 任务驱动的预训练目标

• Masked Language Model (MLM)：随机遮蔽15%的输入词，迫使模型基于全上下文预测被遮蔽词。

• Next Sentence Prediction (NSP)：学习句子间关系，增强对篇章级语义的理解。

二、BERT的模型架构与技术逻辑

1. 基于Transformer的编码器堆叠

• 基础配置：

• BERT-base: 12层Transformer, 768隐藏维度, 12注意力头（110M参数）

• BERT-large: 24层Transformer, 1024隐藏维度, 16注意力头（340M参数）

• 双向注意力机制：每个词可同时关注序列中所有其他词（包括前后位置）。

2. 输入表示设计

• Token Embeddings：WordPiece分词（30k词表），处理未登录词（如"playing"→"play"+"##ing"）。

• Segment Embeddings：区分句子A/B（用于NSP任务）。

• Position Embeddings：学习绝对位置编码（最大512长度）。

• 特殊标记：`[CLS]`（分类标记）、`[SEP]`（句子分隔符）、`[MASK]`（遮蔽符）。

3. 预训练任务详解

三、BERT的运行过程

1. 预训练阶段

• 数据源：BooksCorpus（8亿词） + 英文维基百科（25亿词）。

• 训练策略：       
  • 动态遮蔽：每个epoch重新随机遮蔽词，提升鲁棒性。
  • 80-10-10规则：被遮蔽词中80%替换为`[MASK]`，10%替换为随机词，10%保留原词。
• 优化参数：Adam（β₁=0.9, β₂=0.999），学习率1e-4，batch size=256/512。

2. 微调阶段

• 任务适配方式：

• 句子对任务（如STS）：使用`[CLS]`标记的嵌入进行相似度计算。

• 序列标注任务（如NER）：使用每个token的最后一层输出。

• 问答任务（如SQuAD）：输出段落中答案的起始/结束位置概率。

• 轻量级调整：通常仅需在预训练模型顶层添加1-2个全连接层。

四、BERT的技术突破与局限性

1. 革命性贡献

• 深度双向性：突破LSTM/单向Transformer的上下文建模限制。

• 通用表征能力：在11项NLP任务中刷新SOTA（GLUE基准提升7.7%绝对准确率）。

• 长距离依赖建模：自注意力机制有效捕捉跨句子依赖关系。

2. 局限性

• 预训练-微调数据分布差异：MLM的`[MASK]`标记在微调时不存在，导致训练-应用偏差。

• 计算资源消耗：BERT-large预训练需16个TPU训练4天（成本约7,000美元）。

• 生成能力缺失：仅支持编码任务，无法直接生成文本（后由UniLM、BART等改进）。

五、BERT的历史地位与后续发展

1. NLP范式转变

• 预训练成为标配：推动"预训练大模型+下游任务轻量化"成为NLP主流范式。

• 多模态扩展：催生跨领域模型如VideoBERT（视频）、BioBERT（生物医学）。

2. 关键衍生模型

• RoBERTa：移除NSP任务，扩大batch size和训练数据，性能进一步提升。

• ALBERT：通过参数共享（跨层参数）和嵌入分解降低内存消耗。

• DistilBERT：知识蒸馏技术压缩模型体积（保留95%性能，体积减少40%）。

六、BERT的典型应用场景

1. 语义搜索：计算query-document语义相关性（Google Search 2019年应用）。

2. 智能问答：基于段落理解的答案抽取（如Google Assistant）。

3. 文本分类：情感分析、垃圾邮件检测等。

4.实体链接：将文本中的实体链接到知识库（如Wikipedia）。

bert的应用

词性标注、情感分类等

七、与ELMo的关键对比

训练bert的方法

linear multi-class classifier -- softmax

MASK -- 掩饰 遮挡一部分词汇