一、背景与起源
- 上下文建模的局限：在 BERT 之前，诸如 Word2Vec、GloVe 等词向量方法只能给出静态的词表示；而基于单向或浅层双向 LSTM/Transformer 的语言模型（如 OpenAI GPT）只能捕捉文本从左到右（或右到左）的上下文信息。
- 论文贡献：2018 年 Google 的 Devlin 等人提出 BERT，通过真正的“深度双向”Transformer 编码器，在大规模语料上同时从左右两个方向学习上下文，显著提升了各类 NLP 任务的基线性能。
二、核心架构
Transformer Encoder
- BERT 完全由多层 Transformer Encoder 组成，每层包括多头自注意力（Multi-Head Self-Attention）和前馈网络（Feed-Forward Network），并配以层归一化与残差连接。
- 常见版本有
- BERT-Base：12 层 Encoder、768 维隐藏层、12 个注意力头，约 1.1 亿参数；
- BERT-Large：24 层 Encoder、1024 维隐藏层、16 个注意力头，约 3.4 亿参数。
Embedding 层
- Token Embeddings：子词（WordPiece）级别的初始向量；
- Segment Embeddings：用于区分句子 A/B，在下游需要句间关系时有效；
- Position Embeddings：表示序列中各 token 的位置；
- 三者逐元素相加后，送入第一层 Encoder。
三、输入表示
给定输入文本对 (Sentence A, Sentence B)，BERT 构造如下序列：
[CLS] tokens_A [SEP] tokens_B [SEP]
- [CLS]：分类标记，其最终层输出向量用于下游分类任务；
- [SEP]：分隔符标记，标识句子边界；
- Segment ID：句子 A 中所有 token 的 segment embedding 为 0，句子 B 中为 1；
- Attention Mask：指示哪些位置是真实 token（1）或填充（0）。
四、预训练任务
BERT 的成功很大程度上来自于两个预训练目标的设计
- Masked Language Model (MLM)
- 思路：随机遮蔽输入中 15% 的 token (
[MASK])，让模型预测这些被遮蔽位置原本的词。 - 细节：
- 遮蔽策略：80% 用
[MASK]替换，10% 保留原词，10% 随机替换为词表中其他词； - 这样既避免模型过度依赖
[MASK]，又能学习对真实 token 的预测能力。
- 遮蔽策略：80% 用
- 思路：随机遮蔽输入中 15% 的 token (
- Next Sentence Prediction (NSP)
- 思路：给定句子对，50% 概率为原序列中相邻的两句话（“IsNext”），50% 概率随机抽取另一段文字（“NotNext”）；模型判别它们是否具有上下文连续关系。
- 作用：为下游的问答、自然语言推理等任务提供句间关系判断能力。
五、模型微调（Fine-Tuning）
通用流程
- 在预训练的 BERT 模型上，追加一个或多个任务相关的输出层（如分类头、回归头、序列标注头等）；
- 以较小的学习率（如 2e-5–5e-5）在下游任务标注数据上继续训练整个网络；
- 最终得到一个在该任务上性能优异的专用模型。
示例任务
- 文本分类：取
[CLS]对应的隐藏向量接一个全连接 + Softmax； - 命名实体识别：对每个 token 的输出向量接一个分类层，识别实体标签；
- 问答阅读理解：为每个位置预测开始/结束概率，找到答案所在 span。
- 文本分类：取
六、BERT 的优势与局限
优势
- 深度双向上下文：相比单向或浅层双向模型，在理解句子含义时更全面；
- 统一框架：一个预训练模型可微调到几十种不同任务，极大简化了模型部署；
- 强大基线：在 GLUE、SQuAD、MNLI 等多项公开基准上创纪录。
局限
- 计算与内存开销大：特别是 BERT-Large，在推理时对 GPU/TPU 资源要求高；
- 预训练目标简单：如 NSP 的效果有限，后续研究多选择取消或替换
- 固定长度限制：标准 BERT 的最大输入长度为 512，难以直接处理超长文本。
七、应用与生态
下游生态
自 BERT 发布以来，社区围绕预训练与微调构建了丰富工具与框架，例如 Hugging Face Transformers、TensorFlow Hub 等，用户可以方便地加载各类 BERT 模型及其变种。行业应用
包括智能客服中的意图识别与槽位填充、搜索引擎中的语义匹配、法律/医药领域的文档分类与信息抽取等。