全球新闻数据可视化(3)--新闻文本情感分析_文本情感分析可视化

一、Bert模型

1、Bert介绍

BERT是2018年10月由Google AI研究院提出的一种预训练模型。BERT的全称是Bidirectional Encoder Representation from Transformers。BERT在机器阅读理解顶级水平测试SQuAD1.1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。

2、Bert架构

BERT 模型是基于 Transformer 的 Encoder（编码器）

（1）Transformer 是组成 BERT 的核心模块，而 Attention 机制又是Transformer 中最关键的部分

 

（2）Attention机制 

为了有区分地利用上下文字信息增强目标字的语义表示，就可以用到 Attention 机制

 

（3）multi-head Self-Attention

为了增强 Attention 的多样性，进一步利用不同的 Self-Attention 模块获得文本中每个字在不同语义空间下的增强语义向量，并将每个字的多个增强语义向量进行线性组合，从而获得一个最终的与原始字向 量长度相同的增强语义向量，如下图所示。

 

（4）Transformer Encoder

Transformer Encoder 在 Multi-head Self-Attention 之上又添加了三种关键操作：

• · 残差连接（ResidualConnection）：将模块的输入与输出直接相加，作为最后的输出。这种操作背后的一个基本考虑是修改输入比重构整个输出更容易。这样一来，可以使网络更容易训练。
• · Layer Normalization：对某一层神经网络节点作0均值1方差的标准化。
• · 线性转换：对每个字的增强语义向量再做两次线性变换，以增强整个模型的表达能力。这里，变换后的向量与原向量保持长度相同。

• 

 3、Bert的输入输出

输入：

 

BERT的输入为每一个token对应的表征（图中的粉红色块就是token，黄色块就是token对应的表征），

并且单词字典是采用WordPiece算法来进行构建的。为了完成具体的分类任务，除了单词的token之外，作者还在输入的每一个序列开头都插入特定的分类token（[CLS]），该分类token对应的最后一个Transformer层输出被用来起到聚集整个序列表征信息的作用。由于BERT是一个预训练模型，其必须要适应各种各样的自然语言任务，因此模型所输入的序列必须有能力包含一句话（文本情感分类，序列标注任务）或者两句话以上（文本摘要，自然语言推断，问答任务）。BERT采用了两种方法去确定句子的范围：

1）在序列tokens中把分割token（[SEP]）插入到每个句子后，以分开不同的句子tokens。

2）为每一个token表征都添加一个可学习的分割embedding来指示其属于句子A还是句子B。

输出：

介绍完BERT的输入，实际上BERT的输出也就呼之欲出了，因为Transformer的特点就是有多少个输入就有多少个对应的输出，如下图：

 

 

C为分类token（[CLS]）对应最后一个Transformer的输出， 则代表其他token对应最后一个Transformer的输出。对于一些token级别的任务（如，序列标注和问答任务），就把 输入到额外的输出层中进行预测。对于一些句子级别的任务（如，自然语言推断和情感分类任务），就把C输入到额外的输出层中，这里也就解释了为什么要在每一个token序列前都要插入特定的分类token。

二、Bert训练结果