1 为什么BERT有用?
最常见的解释是，当输入一串文本时，每个文本都有一个对应的向量。对于这个向量，我们称之为embedding。
它的特别之处在于，这些向量代表了输入词的含义。例如，模型输入 “台湾大学”，输出4个向量。这4个向量分别代表 “台”、“湾”、"大 "和 “学”。
更具体地说，如果你把这些词所对应的向量画出来，或者计算它们之间的距离，你会发现，意思比较相似的词，它们的向量比较接近。例如，"鸟 "和 "鱼 "是动物，所以它们可能更接近。
你可能会问，中文有歧义，其实不仅是中文，很多语言都有歧义。BERT可以考虑上下文，所以，同一个词，比如说 “苹果”，它的上下文和另一个 "苹果 "不同，它们的向量也不会相同。
水果 "苹果 "和手机 "苹果 "都是 “苹果”，但根据上下文，它们的含义是不同的。所以，它的向量和相应的embedding会有很大不同。水果 "苹果 "可能更接近于 “草”，手机 "苹果 "可能更接近于 “电”。
现在我们看一个真实的例子。假设我们现在考虑 "苹果 "这个词，我们会收集很多有 "苹果 "这个词的句子，比如 “喝苹果汁”、"苹果MacBook "等等。然后，我们把这些句子放入BERT中。
接下来，我们将计算"苹果"一词的相应embedding。输入"喝苹果汁"，得到一个"苹果"的向量；输入"苹果MacBook"，又得到这个”苹果“的向量。那事实上我们可以看到这两个向量离得比较远，这是因为在Encoder中存在Self-Attention，根据 "苹果"一词的不同语境得到的向量会有所不同。接下来，我们计算这些结果之间的cosine similarity，即计算它们的相似度，结果是这样的：
-
前5个句子中的 "苹果"代表可食用的苹果。例如，第一句是 “我今天买了苹果吃”，第二句是 “进口富士苹果平均每公斤多少钱”，第三句是 “苹果茶很难喝”，第四句是 “智利苹果的季节来了”，第五句是 “关于进口苹果的事情”，这五个句子里的"苹果 "意思就比较接近。
-
后面五个句子也有 "苹果 "一词，但提到的是苹果公司的苹果。例如，“苹果即将在下个月发布新款iPhone”，“苹果获得新专利”，“我今天买了一部苹果手机”，“苹果股价下跌”，“苹果押注指纹识别技术”。
计算每一对之间的相似度，得到一个10×10的矩阵。相似度越高，这个颜色就越浅。因为自己和自己之间的相似度一定是最大的，所以对角线位置的颜色是最浅的。但前五个 "苹果 "和后五个 "苹果 "之间的相似度相对较低
按这个结果看来，BERT在填空的过程中已经学会了每个汉字的意思。也许它真的理解了中文，对它来说，汉字不再是毫无关联的，既然它理解了中文，它就可以在接下来的任务中做得更好。
那么接下来你可能会问，"为什么BERT有如此神奇的能力？约翰-鲁伯特-弗斯，一位60年代的语言学家，提出了一个假说。他说，要知道一个词的意思，我们需要看它的 “Company”，也就是经常和它一起出现的词汇，也就是它的上下文。
-
所以以苹果（apple）中的果字为例。如果它经常与 “吃”、"树 "等一起出现，那么它可能指的是可食用的苹果。
-
如果它经常与电子、专利、股票价格等一起出现，那么它可能指的是苹果公司。
当我们训练BERT时，我们给它w1、w2、w3和w4，我们覆盖w2，并告诉它预测w2，而它就是从上下文中提取信息来预测w2。所以这个向量是其上下文信息的精华，可以用来预测w2是什么。
这样的想法在BERT之前已经存在了。在word embedding中，有一种技术叫做CBOW。
CBOW所做的，与BERT完全一样。一句话中有一个空白，并要求它预测空白处的内容。这个CBOW，这个word embedding技术，可以给每个词汇一个向量，代表这个词汇的意义。
今天，当你使用BERT的时候，就相当于一个深度版本的CBOW，你可以做更复杂的事情，而且BERT还可以根据不同的语境，从同一个词汇产生不同的embedding。因为它是一个考虑到语境的高级版本的词embedding，BERT也被称为Contextualized embedding，这些由BERT提取的向量或embedding被称为Contextualized embedding。
2 多语言的BERT
接下来要讲的是一种叫做Multi-lingual BERT的BERT。Multi-lingual BERT有什么神奇之处？
它是由很多语言来训练的，比如中文、英文、德文、法文等等，用填空题来训练BERT，这就是Multi-lingual BERT的训练方式。
2.1 跨语言的阅读理解
google训练了一个Multi-lingual BERT，它能够做104种语言的填空题。神奇的地方来了，如果你用英文问答数据训练它，它就会自动学习如何做中文问答
所以这里有一个真实的实验例子，这是一些训练数据。他们用SQuAD进行fine-tune。这是一个英文Q&A数据集。中文数据集是由台达电发布的，叫DRCD。
在BERT提出之前，效果并不好。在BERT之前，最强的模型是QANet。它的F1得分只有78.1，这个F1得分事实上并不是准确率，但你可以暂时把它看成是准确率或正确率。
如果我们允许用中文填空题进行预训练，然后用中文Q&A数据进行微调，那么它在中文Q&A测试集上的正确率达到89%。因此，其表现是相当令人印象深刻的。
神奇的是，如果我们把一个Multi-lingual的BERT，用英文Q&A数据进行微调，它仍然可以回答中文Q&A问题，并且有78%的正确率，这几乎与QANet的准确性相同。它从未接受过中文和英文之间的翻译训练，也从未阅读过中文Q&A的数据集。它在没有任何准备的情况下参加了这个中文Q&A测试，尽管它从未见过中文测试，但不知为何，它能回答这些问题。
2.2 跨语言对齐
那么BERT是怎么做到跨语言问答的呢？一个简单的解释是：也许对于多语言的BERT来说，不同的语言并没有那么大的差异。无论你用中文还是英文显示，对于具有相同含义的单词，它们的embedding都很接近。汉语的"跳"与英语中的 "jump"接近，汉语中的 "鱼"与英语中的 "fish"接近，汉语中的 "游"与英语中的 "swim"接近，也许在学习过程中它已经自动学会了。
这是可以被验证的。验证的标准被称为Mean Reciprocal Rank，缩写为MRR。我们在这里不做详细说明。你只需要知道，MRR的值越高，不同embedding之间的Alignment就越好。
更好的Alignment意味着，具有相同含义但来自不同语言的词将被转化为更接近的向量。如果MRR高，那么具有相同含义但来自不同语言的词的向量就更接近。
这条深蓝色的线是谷歌发布的104种语言的Multi-lingual BERT的MRR，它的值非常高，这说明不同语言之间没有太大的差别。Multi-lingual BERT只看意思，不同语言对它没有太大的差别。
那这里还会有一个疑问，你说BERT可以把不同语言中含义相同的符号放在一起，使它们的向量接近。但是，当训练多语言的BERT时，如果给它英语，它可以用英语填空，如果给它中文，它可以用中文填空，它不会混在一起。
那么，如果不同语言之间没有区别，怎么可能只用英语标记来填英语句子呢？为什么它不会用中文符号填空呢？这说明它知道语言的信息也是不同的，那些不同语言的符号毕竟还是不同的，它并没有完全抹去语言信息。
后来我们发现，语言信息并没有隐藏得很深。一个学生发现，我们把所有英语单词的embedding，放到多语言的BERT中，取embedding的平均值，我们对中文单词也做同样的事情。在这里，我们给Multi-lingual BERT一个英语句子，并得到它的embedding。我们在embedding中加上这个蓝色的向量，这就是英语和汉语之间的差距。
这些向量，从Multi-lingual BERT的角度来看，变成了汉语。有了这个神奇的东西，你可以做一个奇妙的无监督翻译。例如，你给BERT看这个中文句子：“能帮助我的小女孩在小镇的另一边，没人能够帮助我”，现在我们把这个句子扔到Multi-lingual BERT中。
然后我们取出Multi-lingual BERT中的一个层，它不需要是最后一层，可以是任何一层。我们拿出某一层，给它一个embedding，加上这个蓝色的向量。对它来说，这个句子马上就从中文变成了英文。所以它在某种程度上可以做无监督的标记级翻译，尽管它并不完美，神奇的是，Multi-lingual的BERT仍然保留了语义信息。