当前位置：首页 > news >正文

自然语言处理——07 BERT、ELMO、GTP系列模型

news 2025/8/26 7:36:44

1 BERT

1.1 简介

BERT模型，全称 Bidirectional Encoder Representation from Transformers
- 是Google在2018年提出的一种革命性的自然语言处理（NLP）模型；
- BERT在机器阅读理解顶级水测试SQuAD1.1（Standford Question Answering Dataset，SQuAD，斯坦福问答数据集）中表现出惊人的成绩：全部两个衡量指标上全面超越人类，并且在11种不同NLP测试中创出SOTA表现。包括将GLUE基准推高至80.4%（绝对改进7.6%），MultiNLI准确度达到86.7%（绝对改进5.6%），成为NLP发展史上的里程碑式的模型成就；
拓展阅读：几个时间点
- 2001 - Neural language models（神经语言模型）
- 2013 - Word embeddings（词嵌入）
- 2013 - Neural networks for NLP（NLP神经网络）
- 2014 - Sequence-to-sequence models
- 2015 - Attention（注意力机制）
- 2015 - Memory-based networks（基于记忆的网络）
- 2017- 《Attention is all you need》transform问世
- 2018 - Pretrained language models（预训练语言模型）
- 2018 - openAI 提出GPT 2018年上半年03~05月
- GPT 1.0：Improving Language Understanding by Generative Pre-Training 2018
- GPT 2.0：Language Models are Unsupervised Multitask Learners 2019
- GPT 3.0：Language Models are Few-Shot Learners 2020
- 2018.10月 bert

1.2 模型架构

1.2.1 架构总览

从架构图中可以看到，宏观上BERT分三个主要模块：
- 最底层黄色标记的 Embedding 模块
- 中间层蓝色标记的 Transformer 模块
- 最上层绿色标记的预微调模块

1.2.2 BERT、ELMo、GTP对比

在这里插入图片描述

BERT采用了 Transformer Encoder 编码器，是一个典型的深度双向编码模型
- eg：T2单词特征可以从左到右，从右到左的提取事物特征，并深度融合其他单词的特征
GPT采用 Transformer Decoder 解码器，是从左到右的提取事物特征
ELMo使用独立的从左到右提取特征，右到左的提取特征，然后拼接拼接起来
- eg：只是从左到右提取T2，再从右到左的提取T2，拼接起来，不是深度融合

1.2.3 Embedding 模块

在这里插入图片描述

BERT的Embedding模块，由 Token Embeddings（词嵌入）、Segment Embeddings（句子分段嵌入）、Position Embeddings（位置嵌入） 三种嵌入共同组成，最终将三者相加，得到每个token的完整嵌入表示（维度均为[1,768]，相加后维度保持 [1,768]），作为模型输入，为后续编码做准备；
各嵌入作用：
- Token Embeddings（词嵌入）：对输入文本的每个词（Token）做嵌入处理，把词转化为向量。其中，序列首个特殊标记，在分类任务里，常取该位置输出做整体文本语义表示，用于判断文本类别（如情感分类“正面/负面”）；
- Segment Embeddings（句子分段嵌入）：因BERT可处理句子对类型的任务（如句子是否匹配、蕴含关系等），用此区分两个句子。比如处理“句子A + [SEP] + 句子B”，给句子A的词加一种分段嵌入，句子B的词加另一种，让模型识别句子边界与所属分段；
- Position Embeddings（位置嵌入）：给词添加位置信息，因Transformer本身结构无顺序感知能力，需额外编码位置。不同于传统Transformer用三角函数固定计算，BERT通过模型训练“学习”位置表示，让模型理解词在序列里的顺序，辅助捕捉文本时序、语序对语义的影响。

1.2.4 双向Transformer模块

只使用了Transformer架构中的Encoder部分，完全舍弃了Decoder部分；
- BERT的双向Transformer模块，基于Transformer架构构建，但仅用了Encoder（编码器）部分，舍弃了Decoder（解码器）部分。Transformer原本是包含Encoder（负责编码输入文本语义）和解码器（Decoder，依据编码信息生成输出，像翻译任务里生成目标语言文本）的完整架构，BERT因聚焦“理解文本语义”（如文本分类、问答任务里的文本编码），用Encoder就够，所以简化了结构；
- Encoder的作用：Transformer的Encoder，通过**多头自注意力（Multi - Head Attention）、前馈神经网络（Feed - Forward Network）**等组件，对输入文本做深度编码；
  - 多头自注意力让模型能从多维度、多视角捕捉词与词的依赖关系；
  - 前馈神经网络则进一步处理、整合这些信息，最终输出蕴含丰富语义的文本表示，供BERT后续做各类任务；
- “双向”的体现：在Encoder里，借助多头自注意力的“双向”特性（处理每个token时，能同时关注其左右所有token的信息），让BERT可充分捕捉文本上下文语义，区别于单向语言模型（如仅从左到右处理，缺失右侧信息），这也是BERT在语义理解任务表现出色的关键。简单说，就是BERT用Transformer的Encoder，借其双向注意力，高效编码文本语义，为下游NLP任务打基础。

1.2.5 预微调模块

作用：BERT预训练后，已学习到通用文本语义表示。预微调模块的作用，就是让BERT适配具体NLP任务，输出任务结果。比如：经过中间层（Transformer）处理，BERT最后一层不用大改结构，仅根据任务“微调”（调整输出逻辑、接简单分类/预测头），就能适配不同任务；
原理：BERT的Transformer层已提取文本深度语义（像词间关系、上下文含义）。面对具体任务（分类、问答等），不需要重新训练整个模型，只在预训练的语义表示基础上，对输出层/预微调层做针对性调整，让模型学会“用通用语义解决特定任务”；
几种重要的NLP微调任务架构图如右图：
- 句子对关系判断（a图）：输入2个句子（如“句子1 + [SEP] + 句子2”），判断二者关系，属于分类任务；
  - 比如：
    - 句子是否“蕴含”（如“鸟会飞”和“麻雀能飞” ，后者被前者蕴含）；
    - 是否“矛盾”（如“今天晴天”和“今天下雨”）；
    - 是否“相似”（如“我喜欢猫”和“我喜爱猫咪”）；
  - 模型输出层接分类器，基于BERT编码的句子对语义，预测关系类别；
- 单句子分类（b图）：输入1个句子，做文本分类；
  - 比如：
    - 情感分类（“这部电影超棒！” → 正面情感）；
    - 语法判断（句子是否有语法错误）；
  - 用标记（BERT输入首位置的特殊token）的编码表示整个句子语义，接分类层输出类别；
- 问答任务（c图）：输入“问题 + [SEP] + 上下文”，让模型从上下文中找答案；
  - 比如“上下文讲了历史事件，问题问‘事件发生时间’”，模型需定位并提取对应文本片段，输出答案区间；
- Token级别标注（d图）：对句子中每个词（Token） 做分类/标注；
  - 比如：
    - 分词（把连续文本拆成词，如“英雄联盟” → “英雄”“联盟” ）；
    - 命名实体识别（NER，识别“人名、地名、机构名” ，如“北京是中国首都” → 标记“北京”为地名）；
  - 模型为每个Token输出类别/标注，实现逐词预测。

1.3 预训练

1.3.1 简介

一个模型先通过一批语料进行预训练，这个阶段就是预训练任务，得到预训练模型，然后在这个初步训练好的预训练模型基础上，再继续训练或者另作他用；
预训练的整个过程分为两个阶段：预训练阶段（Pre-Training）和微调（Fune-Tuning）阶段；
- 预训练阶段：
  - 一般会在超大规模的语料上，采用无监督（unsupervised）或者弱监督（weak-supervised）的数据（比如网上公开文本，不用人工标类别）训练模型，让模型学语言规律（比如词的语义、句子逻辑）；
  - 经过超大规模语料的”洗礼”，预训练模型往往会是一个Super模型，一方面体现在它具备足够多的语言知识，一方面是因为它的参数规模很大；
- 微调阶段：拿预训练好的模型，针对具体任务，用少量标注数据“微调”模型，让它适配业务，输出任务结果（分类、问答答案等）；
BERT在预训练阶段，靠两个核心任务，让模型学会理解语言，完成参数初始化：
- MLM（Masked Language Model，掩码语言模型），类似完形填空+纠错；
- NSP（Next Sentence Prediction，下一句预测）；
预训练的价值
- 业务落地：预训练让模型先学通用语言知识，之后做“文本分类、问答、命名实体识别”等下游任务时，不用从零开始学语言基础，直接“微调”适配业务， 又快又好 （用少量标注数据就能训出效果，节省成本）；
- 效果验证：BERT证明了——先在海量数据预训练，再微调做下游任务，能大幅提升任务效果（比如问答准确率、分类精度），成为NLP领域“预训练 + 微调”范式的标杆，后续很多模型（比如GPT、XLNet）也延续/优化了这种思路。

1.3.2 MLM（Masked Language Model，掩码语言模型）

MLM的核心设计目的：解决传统模型的“单向瓶颈”
- 传统模型的问题：
  - 以前的语言模型（比如单向RNN、拼接式双向模型），要么只能从左到右（left-to-right）看文本（比如“猫抓老鼠”，单向模型看“猫”时，只能先结合左边空，再逐步看右边，无法同时利用左右文），要么简单拼接左右信息（把左→右和右→左的结果拼一起，即left-to-right + right-to-left，没真正融合双向语义）；
  - 这导致模型捕捉语义的能力有限；
- BERT的解法：深度双向建模
  - BERT提出 MLM任务，让模型在预训练阶段，**同时利用“左右上下文”**去预测被遮挡的词，真正学会“双向语义理解”。简单说：通过“遮词猜词”，逼模型理解“词在上下文中的含义”，让语义捕捉能力更强大；
具体实现方案：
1. 从文本里随机挑15%的token（词/字），参与“遮词猜词”游戏（比如100个词的句子，选15个词做处理）；
2. 对选中的15%token，不是简单全换成[MASK]，而是分三种情况：
  - 80%→[MASK]：比如“我的狗很hairy” → “我的狗很[MASK]”。目的：逼模型用“双向上下文”猜词；
    - 模型得结合“我的狗很__”的左右文（比如前面“狗”、后面可能的描述），推理出“hairy（毛茸茸）”，强化语义理解能力；
  - 10%→随机词替换：比如“我的狗很hairy” → “我的狗很apple”。目的：防模型“偷懒”；
    - 如果全用[MASK]，模型可能记住“[MASK]位置该填啥”，而不是真理解语义；
    - 随机换词后，模型得区分“哪些是真遮的词、哪些是干扰”，强迫它深入学语义规则（比如“狗很apple”明显不合理，模型得判断这种错误，再结合上下文修正）；
  - 10%→保持原词不变：比如“我的狗很hairy” → “我的狗很hairy”（看似没遮，实际参与任务）。目的：模拟真实文本的不确定性；
    - 因为微调/下游任务里，不会有[MASK]，保持原词能让模型习惯“正常文本”，同时增加训练难度（模型得判断“哪些词可能被遮、哪些不用管”），让语义学习更鲁棒；
补充说明：
- MLM本质是通过**“遮词→猜词”的任务**，设计对应的损失函数（模型猜的结果和真实词的差距），反向传播更新参数；
- 想让模型学“双向语义”，就设计“必须用上下文猜词”的任务；想让模型学“语法/语义规则”，就用“随机替换词”制造错误，让模型学会纠错；
- 总结成一句话：你想让模型有什么能力，就设计对应的“任务（损失函数）”，通过“猜词错误→损失→反向传播→参数更新”，逼着模型学会这些能力；
MLM的“15%”和“三种策略”的深层意义：
- 15%的比例：不是遮太多（破坏文本结构），也不是遮太少（学不到东西）。15%的token参与遮词，平衡“学习难度”和“文本真实性”，让模型既学到语义，又不脱离真实语言环境；
- 三种策略的协同：
  - 80%的[MASK]保证“双向语义学习”的核心目标；
  - 10%随机替换+10%保持原词，模拟真实场景的噪声和不确定性，让模型学会“在复杂、不确定的文本里，依然能抓准语义”，避免模型“过拟合到[MASK]任务”，保证微调后能适配下游任务（比如分类、问答，这些任务里没有[MASK]）。

1.3.3 NSP（Next Sentence Prediction，下一句预测）

NSP的核心目标：让模型理解“句子间关系”
- NLP里很多任务得理解两个句子的逻辑关系。比如：
  - 问答任务（QA）：得知道“问题句”和“上下文句”的关联（比如问题问“谁救了公主”，上下文里“骑士打败恶龙，救了公主” ，得识别这种对应）；
  - 自然语言推理（NLI）：判断“句子A能否推出句子B”（比如A“鸟会飞”，B“麻雀能飞” → 蕴含关系）；
- 所以，BERT设计NSP任务，专门训练模型理解**“句子对的关系”** ，让模型学会判断“句子B是不是句子A的真实下一句”；
具体实现方案：
1. 数据构造：句子对（A, B）。选句子A（随便从语料里挑），然后构造“句子B”的两种情况：
  - 正样本（50%）：B是语料中真正紧跟A的下一句（标记为IsNext），比如A“今天天气好”，B“适合出去散步”（真实连续）；
  - 负样本（50%）：B是从语料里随机选的无关句子（标记为NotNext），比如A“今天天气好”，B“猫喜欢吃鱼”（无关联）；
2. 任务逻辑：预测“句子B是否是A的下一句”
  - 模型输入“句子A + [SEP] + 句子B”，然后输出一个二分类结果（IsNext/NotNext）；
  - 通过这种训练，让模型学会捕捉句子间的逻辑关联（比如语义承接、话题延续）；
和MLM的关系：互补训练语言能力
- MLM：聚焦单句内的语义理解（通过遮词，学词在上下文中的含义）；
- NSP：聚焦句子间的逻辑关系（通过句子对，学句子间的关联）；
- 两者配合，让BERT在预训练阶段，既懂“词的语义”，又懂“句子的逻辑”，为下游NLP任务（分类、问答、推理等）打下坚实基础。

1.4 GLUE

General Language Understanding Evaluation（通用语言理解评估）是由纽约大学、华盛顿大学等机构牵头打造的多任务自然语言理解基准与分析平台，专门用来测试模型在“自然语言理解（NLU）”任务上的能力；
作用：
- NLP有很多细分任务（比如文本分类、语义推理），GLUE把这些任务整合起来，像一套“综合试卷”，测试模型的通用语言理解能力 。模型在GLUE上的表现，直接反映它“懂不懂语言、能不能解决实际NLP问题”；
特点：
- 所有数据是英文（聚焦英语NLP任务）；
- 截至2020年1月，包含11个子任务数据集，成为衡量NLP模型水平的“行业标准”；
- 任务覆盖广：GLUE包含 9大典型NLU任务（CoLA、SST - 2、MRPC、STS - B、QQP、MNLI、QNLI、RTE、WNLI），覆盖：
BERT、XLNet、RoBERTa 这些知名NLP模型，都会在GLUE基准上做测试，把预测结果上传到GLUE官网，由平台给出“模型能力评分”。比如BERT当年在GLUE上刷出高准确率，证明了它的强大语义理解能力。
行业标杆意义：模型在GLUE的表现，是NLP领域论文、技术方案的重要参考。如果一个新模型在GLUE上超过之前的SOTA（当前最优），往往意味着NLP技术有新突破。

1.5 CLUE

CLUE基准数据集，它是服务中文语言理解相关任务与产业的基准数据集，作为通用语言模型测评补充，通过整理发布中文任务和标准化测评完善基础设施，促进中文NLP发展；
官方：CLUE中文语言理解基准测评；
GitHub：GitHub - CLUEbenchmark/CLUE: 中文语言理解测评基准 Chinese Language Understanding Evaluation Benchmark: datasets, baselines, pre-trained models, corpus and leaderboard。

2 ELMO

2.1 简介

ELMO，全称Embeddings from Language Models，2018年3月由华盛顿大学提出，源于论文《Deep Contextualized Word Representations》，是一种预训练模型；
提出动机：研究人员认为好的预训练语言模型应包含丰富语法、语义信息，且能对多义词建模（支持动态词向量，而非静态）。传统词向量（如word2vec、GloVe ）是上下文无关的固定向量，无法体现多义性（如“apple”在“苹果公司”和“水果苹果”中不同含义），所以要训练上下文相关的预训练模型，即ELMo；
模型意义：是第一个支持动态词向量的模型，在6个NLP任务中表现提升，在NLP技术发展史上有重要意义，为后续模型（如BERT）探索动态语义表示奠定基础。简单说，ELMo解决了传统词向量“一词一义、静态不变”的问题，让词向量能随上下文动态变化，更好捕捉语义，推动NLP发展。

2.2 模型架构

2.2.1 架构总览

从架构图中可以看到，宏观上ELMO分三个主要模块：
- 最底层黄色标记的Embedding模块
- 中间层蓝色标记的两部分双层LSTM模块
- 最上层绿色标记的词向量表征模块

2.2.2 Embedding 模块

Embedding 模块是ELMo模型的“底层输入层”，负责把文本里的字符/词，转化为静态词嵌入向量，给上层LSTM网络提供初始输入；
- 用**CNN（卷积神经网络）**对“字符级”输入做编码。比如把单词拆成字母/字符，用CNN提取字符级特征，再整合得到词的嵌入表示；
- 最终得到静态的词嵌入向量（每个词对应一个固定向量），作为后续LSTM网络的底层输入，和传统词向量（如word2vec）类似，但通过CNN字符编码，能更细粒度捕捉词的拼写、结构信息。

2.2.3 双层双向LSTM模块

ELMO 的双层双向 LSTM 模块
- 作用是结合底层静态词向量，融入上下文信息，生成动态词向量；
- 例：静态词向量（比如“爱”的基础表示），在上下文（比如“我爱中国啊” ）里，会因前后文不同，产生动态变化的语义（比如“爱”在“我爱家人”和“爱打游戏”里，语义侧重不同）。这个模块，就是让模型学会“用上下文调整词向量”，让语义更精准；
词向量的多层表示公式：每个 token（词），经过 L 层双向 LSTM（这里 L=2，双层），会输出 $ 2L + 1 $ 个表示向量；
$Rk={xkLM,h⃗k,jLM,h←k,jLM∣j=1,⋯,L}={hk,jLM∣j=0,⋯,L}R_k = \left\{ x_k^{LM},\, \vec{h}_{k,j}^{LM},\, \overleftarrow{h}_{k,j}^{LM} \mid j = 1,\cdots,L \right\} = \left\{ h_{k,j}^{LM} \mid j = 0,\cdots,L \right\}$
- $R_k$ ：词向量集合，比如一个单词有五个词向量；
- $k$ ：表示第几个单词，第几个时间步；
- $L$ ：表示一共有几个层；
- $j$ ：表示当前是第几层；
- $ x_k^{LM} $：底层静态词向量（来自 Embedding 模块）；
- $ \vec{h}_{k,j}^{LM} $：第 j 层前向 LSTM 的输出（从左到右看文本，捕捉前文对当前词的影响）；
- $ \overleftarrow{h}_{k,j}^{LM} $：第 j 层反向 LSTM 的输出（从右到左看文本，捕捉后文对当前词的影响）；
- 这些向量融合后，得到 $ h_{k,j}^{LM} $，作为动态词向量的多层表示；
以“我爱中国啊”为例，看“爱”的动态词向量怎么生成：
- 底层静态向量：先从 Embedding 模块，得到“爱”的静态词向量（基础语义，比如“爱”的通用表示）；
- 双向 LSTM 处理：
  - 模型有双层双向 LSTM（每层分“前向（从左到右）”和“反向（从右到左）”）；
  - 对于“爱”：
    - 前向 LSTM（左→右）：会根据“我”的前文，生成前向语义（比如“爱”和“我”的关联）；
    - 反向 LSTM（右→左）：会根据“中国啊”的后文，生成反向语义（比如“爱”和“中国”的关联）；
    - 双层结构：第一层 LSTM 处理语法信息，第二层 LSTM 处理句法信息；
- 动态词向量集合：经过双层双向 LSTM 后，“爱”会产出多个词向量，每个向量对应“不同层次、不同方向（前向/反向）”的语义。这些向量，共同组成“爱”在当前上下文里的动态语义表示（比如“爱国”的“爱”，和“爱人”的“爱”，动态向量会不同）；
传统词向量（比如 word2vec），是“一词一向量”（静态），无法区分多义词。而 ELMo 的双层双向 LSTM 模块，通过以下方式解决问题：
1. 双向捕捉：前向+反向 LSTM，让模型同时看“前文+后文”，更全面理解语义；
2. 多层抽象：双层结构，第一层学基础关联（比如“爱”和相邻词的搭配），第二层学高层语义（比如“爱”在整个句子里的情感、主题）；
3. 动态输出：每个词最终产出“多个向量”，融合后成为动态词向量，让“爱”在“爱情”“爱国”“爱美食”里，语义表示不同，更贴合真实语言的多义性。

2.2.4 词向量表征模块

作用：
- ELMo 的前两个模块（Embedding、双层双向 LSTM），会产出多个词向量（比如“爱”在上下文中，会有静态向量、前向 LSTM 向量、反向 LSTM 向量，共 $2 L + 1$ 个， $L$ 是 LSTM 层数）；
- 但下游任务（比如分类、命名实体识别），需要一个词一个向量作为输入。所以，词向量表征模块的作用是：把多层、多方向的词向量，通过加权融合，变成一个最终的动态词向量 ，供下游任务使用；
融合逻辑：加权求和，让重要向量权重更高
- 基础操作：对于 $2 L + 1$ 个词向量（比如 $L = 2$ 时，是 5 个向量），每个向量乘以一个权重系数，然后相加，得到最终的词向量；
  $ELMoktask=E(Rk;Θtask)=γtask∑j=0Lsjtaskhk,jLMELMo_k^{task} = E(R_k ; \Theta^{task}) = \gamma^{task} \sum_{j=0}^{L} s_j^{task} h_{k,j}^{LM}$
  - $ ELMo_k^{task} $：第 $k$ 个词，在某个下游任务（task）里的最终向量；
  - $ R_k $：第 $k$ 个词的多层向量集合（比如 5 个向量）；
  - $ s_j^{task} $：第 $j$ 层向量的权重（不同层的重要性，模型会学习调整）；
  - $ \gamma^{task} $：全局缩放因子（可训练，让模型调整整体缩放）；
- **为什么要加权？**不同层的词向量，对下游任务的“贡献不同”；
  - 比如：
    - 底层向量（静态 Embedding）：更偏向基础语义（比如“苹果”的字面含义）；
    - 高层向量（LSTM 上层输出）：更偏向上下文动态语义（比如“苹果”在“苹果公司”里的含义）；
  - 通过学习权重 $ s_j^{task} $ ，模型能自动判断：对于当前任务（比如情感分类），哪一层的向量更重要，然后给它更高的权重，让融合后的向量更贴合任务需求；
例：
- 左向 LSTM 产出的向量，是 512 维特征；
- 右向 LSTM 产出的向量，是 512 维特征；
- 融合时，把两者加权相加，得到 1024 维的最终向量；
模块价值：让动态向量适配下游任务
- 灵活适配任务：不同下游任务（比如情感分析 vs 命名实体识别），对词向量的语义侧重需求不同。加权融合的方式，让模型能根据任务，自动调整“哪层向量更重要”，避免“一刀切”的融合方式；
- 保留多层语义：传统模型只能用“静态向量”或“单层向量”，而 ELMo 通过加权融合，把“静态基础语义+动态上下文语义”都保留下来，让下游任务能利用更丰富的信息。

2.3 预训练

2.3.1 简介

ELMo 的本质：动态调整词向量的语言模型
- 核心目标：解决“一词多义”，让词向量因上下文而变；
  - 比如“苹果”在“吃苹果”（水果）和“苹果公司”（品牌）里，语义不同；
  - 传统静态词向量（如 word2vec）无法区分，而 ELMo 要让“苹果”的向量，根据上下文动态调整，精准表达语义；
白话理解：先给每个词一个静态基础向量（比如用 CNN 对字符编码，得到“苹果”的通用表示），再用双向 LSTM 学习上下文怎么影响这个词，最终产出 动态向量（比如“水果苹果”的向量，和“品牌苹果”的向量不同）；
ELMo 的训练分两步，让模型先学通用语言知识，再适配具体任务。

2.3.2 语言模型预训练（通用能力培养）

用大规模无监督文本（比如网上的新闻、小说），训练 ELMo 的双向 LSTM 网络，让模型学会根据上下文预测单词；
具体流程：
1. 静态基础向量：用 CNN 对字符编码，给每个词一个静态向量（比如“爱”的基础表示）；
2. 双向 LSTM 学上下文：
  - 第一层 LSTM：重点学语法信息（比如“爱”和前后词的搭配，“爱”+“祖国”是动宾结构）；
  - 第二层 LSTM：重点学句法信息（比如“爱”在句子里的情感、主题，“爱国”的“爱”是家国情怀）；
3. 预测任务：
  - 选一个词（比如“爱”），把它的“上文”（比如“我”）和“下文”（比如“中国啊”）分别输入 LSTM，让模型预测“爱”这个词；
  - 通过“预测对不对”的损失，反向更新 LSTM 的参数，让模型越来越懂“上下文怎么影响词”；
用极大似然估计构造损失函数：
$损失函数 = 上文预测的损失 + 下文预测的损失$
- 模型通过最小化损失，学习怎么用上下文预测单词，本质是训练 LSTM 的参数。

2.3.3 下游任务微调（适配具体业务）

预训练好的 ELMO，已经学会动态调整词向量的能力。但具体任务（比如情感分类、命名实体识别），需要更贴合业务的向量；
所以，拿预训练好的 ELMo，把下游任务的句子重新输入模型，重新提取动态向量，让这些向量适配任务需求（比如情感分类需要“情感词的向量更敏感”）。

2.4 ELMO模型的效果

GloVe训练出来的Word Embedding（静态词向量） vs ELMo
- GloVe的问题（传统静态词向量的通病）
  - 在上图中：用GloVe找“play”的近义词，结果是“playing、game、games…”，全是体育/游戏领域的关联；
  - 原因：
    - GloVe的词向量是静态的，一个词只有一个向量。“play”在GloVe里，向量更偏向“训练数据里占比高的含义”（比如体育领域的“play”出现多，向量就偏向这个语义）；
    - 所以，遇到“play”的其他含义（比如戏剧领域的“演出”，“play a role（扮演角色）”），GloVe无法区分，找近义词时只能输出“体育相关”，无法解决多义词问题；
- ELMo的突破（动态向量解决多义词）
  - 同样是“play”，在“演出”的语境里（比如“Olivia De Havilland signed to do a Broadway play” ），ELMo的动态向量，能精准找到**“演出、戏剧”相关的近义词**（而不是体育相关）；
  - 原因：ELMo的词向量是动态的，会根据上下文调整。比如“Broadway play”的上下文，让ELMo意识到“play”是“戏剧演出”，所以向量偏向这个语义，找近义词时也更准确；
在2.1 简介中提到的论文中验证，ELMo在 6个主流NLP任务里，性能都有提升，最高能涨25%。这说明：
- ELMo的动态词向量，确实能帮模型更准确理解语义，让下游任务效果更好；
- 对比传统模型（只用静态向量），ELMo的上下文感知能力，在NLP任务里有明显优势。

2.5 待改进点

很明显的缺点在于特征提取器的选择上，ELMo使用了双向双层LSTM，而不是现在横扫千军的 Transformer，在特征提取能力上肯定是要弱一些的；
- Transformer（基于自注意力机制）比LSTM强在哪？
  1. 长距离依赖：LSTM处理长文本时，容易“遗忘”早期信息（比如长篇小说里，开头和结尾的关联，LSTM很难捕捉）；而Transformer的自注意力，能直接关注任意位置的词，轻松抓长距离依赖；
  2. 并行计算：LSTM是“串行”计算（必须按顺序处理每个词），速度慢；Transformer的自注意力是“并行”的，训练和推理效率更高；
  3. 特征提取能力：Transformer的多头自注意力，能从“多维度、多视角”提取词的特征（比如同时关注“同义词、反义词、搭配词”），比LSTM的“单向串行”提取更全面、更深入；
ELMo选用双向拼接的方式进行特征融合（把“前向LSTM的输出”和“反向LSTM的输出”拼在一起），这种方法肯定不如BERT一体化的双向提取特征好；
- BERT的“一体化双向”（用Transformer的自注意力，同时看上下文），是 真正的双向融合 ——模型在提取特征时，就已经同时考虑“前文+后文”，不需要分开拼接；
- 而ELMo的“双向拼接”，更像是“先分别学前文、后文的特征，再硬凑在一起”，融合得不够自然、不够深入。相比之下，BERT的一体化双向，能让模型更精准、更高效地捕捉“词在上下文中的语义”，特征质量更高。

3 GTP

3.1 简介

由OpenAI公司提出，最初源于论文《Improving Language Understanding by Generative Pre - Training》，后续又在《Language Models are Unsupervised Multitask Learners》中推出GPT - 2；
- GPT和GPT - 2结构差别不大，主要是GPT - 2用了更大规模数据集训练，性能进一步提升；
GTP VS BERT
- OpenAI GPT模型（2018年上半年）是在Google BERT模型（2018年下半年）之前提出的；
- 训练方式差异：
  - GPT：采用传统语言模型思路，基于“单词的上文”预测下一个单词（单向语言模型，类似人“顺着读文本，根据前面内容猜后面”）；
  - BERT：采用双向上下文，同时用“上文 + 下文”预测单词（类似人“结合前后文理解语义”）；
- 能力侧重不同：
  - GPT：因训练方式是“顺着预测”，更擅长自然语言生成（NLG） ，比如写文章、续写故事、生成对话（需要“从前往后生成文本”的任务）；
  - BERT：因双向理解语义，更擅长自然语言理解（NLU） ，比如文本分类、问答、命名实体识别（需要“理解语义、分析文本”的任务）。

3.2 模型架构

3.2.1 架构总览

GPT采用的是单向Transformer架构
- 比如：例如给定一个句子[u1, u2, ..., un]，GPT在预测单词ui的时候只会利用[u1, u2, ..., u(i-1)]的信息；
- 而BERT会同时利用上下文的信息[u1, u2, ..., u(i-1), u(i+1), ..., un]；
GPT 和 BERT 分别利用了 Transformer 架构的不同部分：
- BERT：
  - 用Transformer的 Encoder（编码器），双向注意力（可同时看“上文+下文”），所以擅长理解语义（NLU任务，比如分类、问答）；
  - 比如处理“苹果”，BERT能同时看“上文（吃）”和“下文（甜）”，理解“苹果是水果，能吃且甜”，适合做“理解语义”的任务（比如“苹果是什么？”的问答）；
- GPT：
  - 用Transformer的 Decoder（解码器），单向注意力（只能看“上文”，不能看“下文”），所以擅长生成文本（NLG任务，比如续写、对话）；
  - 处理“苹果”时，只能看“上文”（比如“我买了”），然后生成“下文”（比如“苹果，打算做沙拉”），适合做“生成文本”的任务（比如续写句子、写故事）；

3.2.2 GPT的Decoder架构

原始Transformer Decoder：有多层，每层包含 Masked Self - Attention（掩码自注意力）、Encoder - Decoder Attention（编码-解码注意力）、前馈网络；
GPT的简化：GPT去掉了 Encoder - Decoder Attention 层（因为不需要编码输入），只保留 Masked Self - Attention + 前馈网络，还把Block数量从6层改到12层，让模型更专注于从自身上文生成下文；
Masked Self - Attention（掩码自注意力）：
- 作用：强制模型只能看上文，不能看下文。比如生成“我买了苹果，打算____”时，模型在预测“打算”后面的词，只能用“我买了苹果，打算”的上文，看不到下文（比如“做沙拉”），逼着模型“根据上文推理，生成合理的下文”；
- 对比BERT的Self - Attention：BERT的Self - Attention是双向的（能看上文+下文），所以能理解语义；GPT的Masked Self - Attention是单向的（只能看上文），所以能生成文本；
例：GPT怎么生成robot must obey orders？
- 输入是<s> robot must obey，模型要生成orders；
- Masked Self - Attention的作用：在生成orders时，模型只能看上文（<s> robot must obey），看不到orders本身和后面的词。通过这种“掩码限制”，模型学会“根据上文推理，预测下一个词”，最终生成orders，让句子变成<s> robot must obey orders。

3.3 GTP的自回归生成文本

自回归生成的本质：一步一步，依赖上文。GPT生成文本，是每一步只看之前生成的词，生成下一个词。下面以一个例子展开讲解：
阶段1：输入<s>，生成第一个词The
- 初始输入：给GPT一个起始token（比如<s>，表示文本开始）；
- 生成The：GPT的Decoder模块，会基于<s>的输入，生成第一个词The；
- 此时，只有<s>→The的路径是活跃的——模型只根据上文（<s>）生成下文（The），符合自回归，依赖上文的逻辑；
阶段2：输入The，生成第二个词thing
- 新的输入：现在，输入变成<s> The（上一步生成的The，成为新的上文）；
- 生成thing：GPT的每一层Decoder，会保留对第一个词（The）的理解（比如The是冠词，修饰名词），然后基于<s> The的上文，生成第二个词thing；
- 关键：
  - 此时，只有<s> The→thing的路径活跃 ，模型不会回头改第一个词，而是顺着上文继续生成；
  - 这就是“自回归”的核心：生成下一个词时，只依赖之前所有词，不修改历史 ，保证文本从左到右，逐步生成；

3.4 GPT 工作过程梳理

GPT生成文本，分输入前处理→模型内计算→输出后处理 三步，每一步都让“文本→数值→预测结果→文本”循环起来，最终生成连续内容；
阶段1：数据送给GPT前（文本→数值张量）
- 目标：把人类能读的“文本”，变成模型能算的“数值张量”；
- 过程：
  - 文本转数值：用One-Hot编码，给每个词一个唯一的数值表示（比如the→[0,0,1,0…]）；
  - 加位置编码：因为模型需要知道词的顺序（比如“我爱你”和“你爱我”不同），所以给每个词的数值，加上位置编码（表示这个词在句子里的位置）；
  - 变成张量：把“词的数值 + 位置编码”打包，变成模型能处理的“张量”（可以理解为“数值矩阵”）；
阶段2：数据在GPT模型内（数值→预测下一个词）
- 模型结构：GPT的多层Decoder模块，每层包含 Masked Self - Attention（掩码自注意力）+ Feed Forward（前馈网络）；
- 目的：利用掩码自注意力机制，让模型关注上文的词，预测下文；
- 过程：
  - 对每个词，模型会计算它和上文所有词的关联权重（比如生成thing时，关注The的权重）。下面是计算公式简化：
    $注意力权重 = softmax( Q*K^T ) * V$
    - Q、K、V是模型学习的参数，softmax让权重归一化，最终得到每个词该关注上文哪些词；
  - 多层处理：数据要经过12个Decoder模块（层），每层都重复“算注意力权重→更新张量表示”的过程，让模型对上文的理解越来越精准；
阶段3：GPT模型的输出（数值→预测的词）
- 目标：把模型计算的数值张量，变回人类能读的词；
- 过程：
  - 张量运算：模型输出的张量，和“词向量矩阵”做运算，得到每个可能词的“概率分数”（比如thing的概率是0.8，apple的概率是0.1）；
  - 选词：从概率最高的若干词里（比如Top40），选一个作为预测的下一个词（比如选thing）；
  - 循环：把预测的词加入上文，重复阶段1→阶段2→阶段3，直到生成完整文本，或达到长度上限（比如1024个词）；
阶段4：结束条件。当生成的文本长度达到模型上限（比如1024个词），或遇到“结束符（EOS）”，生成停止，输出最终文本。