【ACL2020】BERT如何融合主题模型做文本匹配

来自：NLP从入门到放弃

今天分享一个论文ACL2020-tBERT^[1]，论文主要融合主题模型和BERT去做语义相似度判定，在特定领域使用这个模型，效果更明显。

掌握以下几点：

1. 【CLS】向量拼接两个句子各自的主题模型，效果有提升
2. 尤其是在特定领域的数据集合会有更好的表现。

第二点这个特定领域发现还挺有意思的，感兴趣的可以在自己数据集做个试验扩展。

1. 架构图

先看架构图：

tbert架构图

模型架构比较简单，BERT这边使用的【CLS】输出向量：

主题模型使用两种，LDA和GSDMM，主要是因为LDA在长文本效果更好；GSDMM在短文本效果更好。

获取主题模型如下所示：

代表的是主题数量，N是 的字数量，M是 的字数量

进而我们可以得到单词的主题分布:

所以在最后和【CLS】连接的时候，可以使用文档主题 ，也可以使用单词主题 。

2.实验效果

tBERT实验效果

看实验效果，LDA效果会比GSDMM更好一点。

其实有一个比较有意思的点是，BERT的建模能力已经足够强了，为啥加上主题模型还会有提升。

换句话说，主题模型在基于BERT的方向上，能够在哪些方面提升。

作者是这么做的实验，他选了和主题模型相关的三个属性：实体，特定领域词和不规范拼写。根据三个属性抽取样本，总共500个， 然后让BERT和tBERT做预测。

tBERT三个属性实验

看实验效果是这样的，发现在特定领域tBERT效果更明显一点。

作者认为在预训练的时候，可能是BERT碰到特定领域词汇的机会比较少，没有很好的学习到这些信息，所以主题模型很好的补充了这部分信息。

不过，感觉这个实验并不充分，一个属性这块挑选感觉有点不太充分，还有一个是样本数量感觉太少了，500个......

总结

说一下掌握的知识点：

1. 【CLS】向量拼接两个句子各自的主题模型，效果有提升
2. 尤其是在特定领域的数据集合会有更好的表现。

说一下我自己的思考，关于特定领域这块。一般来说，微调是可以解决这个问题的。

不过看作者的实验，即使是微调之后的BERT，在特定领域这块，效果也没有tBERT好，说明主题模型在这块还是很有用的。

进一步思考，可不可以这么推论，如果说我们的任务输入越是特定领域，那么假如tBERT越有明显的提升呢？

这个感兴趣的大家可以去试一试，比如医疗领域，比如金融领域之类的。

参考资料

[1]

tBERT: Topic Models and BERT Joining Forces for Semantic Similarity Detection: https://www.aclweb.org/anthology/2020.acl-main.630.pdf,