Python 多语言Bert语句向量捕获使用的语言多于意义-作为实习生工作？

与伯特一起玩，我下载了Huggingface多语言伯特，输入了三个句子，保存了它们的句子向量（嵌入

[CLS]

），然后通过Google Translate进行翻译，通过模型传递并保存了它们的句子向量

然后我用余弦相似性比较了结果

我惊讶地发现，每一个句子向量都与从它翻译出来的句子产生的向量相差甚远（0.15-0.27余弦距离），而来自同一种语言的不同句子却非常接近（0.02-0.04余弦距离）

因此，相同语言的不同句子之间的距离更近，而不是将意义相似（但语言不同）的句子组合在一起（在768维空间中）

据我所知，多语言Bert的全部要点是跨语言迁移学习——例如，在一种语言的表示上训练模型（比如，和FC网络），并使该模型可以在其他语言中使用

如果（不同语言的）具有确切含义的句子被映射成比同一语言的不同句子更为相隔，那么这怎么可能起作用呢

我的代码：

import torch

import transformers
from transformers import AutoModel,AutoTokenizer

bert_name="bert-base-multilingual-cased"
tokenizer = AutoTokenizer.from_pretrained(bert_name)
MBERT = AutoModel.from_pretrained(bert_name)

#Some silly sentences
eng1='A cat jumped from the trees and startled the tourists'
e=tokenizer.encode(eng1, add_special_tokens=True)
ans_eng1=MBERT(torch.tensor([e]))

eng2='A small snake whispered secrets to large cats'
t=tokenizer.tokenize(eng2)
e=tokenizer.encode(eng2, add_special_tokens=True)
ans_eng2=MBERT(torch.tensor([e]))

eng3='A tiger sprinted from the bushes and frightened the guests'
e=tokenizer.encode(eng3, add_special_tokens=True)
ans_eng3=MBERT(torch.tensor([e]))

# Translated to Hebrew with Google Translate
heb1='חתול קפץ מהעץ והבהיל את התיירים'
e=tokenizer.encode(heb1, add_special_tokens=True)
ans_heb1=MBERT(torch.tensor([e]))

heb2='נחש קטן לחש סודות לחתולים גדולים'
e=tokenizer.encode(heb2, add_special_tokens=True)
ans_heb2=MBERT(torch.tensor([e]))

heb3='נמר רץ מהשיחים והפחיד את האורחים'
e=tokenizer.encode(heb3, add_special_tokens=True)
ans_heb3=MBERT(torch.tensor([e]))


from scipy import spatial
import numpy as np

# Compare Sentence Embeddings

result = spatial.distance.cosine(ans_eng1[1].data.numpy(), ans_heb1[1].data.numpy())

print ('Eng1-Heb1 - Translated sentences',result)


result = spatial.distance.cosine(ans_eng2[1].data.numpy(), ans_heb2[1].data.numpy())

print ('Eng2-Heb2 - Translated sentences',result)

result = spatial.distance.cosine(ans_eng3[1].data.numpy(), ans_heb3[1].data.numpy())

print ('Eng3-Heb3 - Translated sentences',result)

print ("\n---\n")

result = spatial.distance.cosine(ans_heb1[1].data.numpy(), ans_heb2[1].data.numpy())

print ('Heb1-Heb2 - Different sentences',result)

result = spatial.distance.cosine(ans_eng1[1].data.numpy(), ans_eng2[1].data.numpy())

print ('Heb1-Heb3 - Similiar sentences',result)

print ("\n---\n")

result = spatial.distance.cosine(ans_eng1[1].data.numpy(), ans_eng2[1].data.numpy())

print ('Eng1-Eng2 - Different sentences',result)

result = spatial.distance.cosine(ans_eng1[1].data.numpy(), ans_eng3[1].data.numpy())

print ('Eng1-Eng3 - Similiar sentences',result)

#Output:
"""
Eng1-Heb1 - Translated sentences 0.2074061632156372
Eng2-Heb2 - Translated sentences 0.15557605028152466
Eng3-Heb3 - Translated sentences 0.275478720664978

---

Heb1-Heb2 - Different sentences 0.044616520404815674
Heb1-Heb3 - Similar sentences 0.027982771396636963

---

Eng1-Eng2 - Different sentences 0.027982771396636963
Eng1-Eng3 - Similar sentences 0.024596810340881348
"""

附言

至少Heb1比Heb2更接近Heb3。

---

这一点也适用于英语对应词，但不太常见

[CLS]标记以某种方式表示输入序列，但其确切程度很难说。语言当然是句子的一个重要特征，可能不仅仅是意义。伯特模型是一种预训练模型，它试图对意义、结构和语言等特征进行建模。如果你想有一个模型，它可以帮助你识别两个不同语言的句子是否意味着同一件事，我可以想出两种不同的方法：

方法：你可以在这个任务上训练分类器（SVM，逻辑回归，甚至一些神经网络，比如CNN）<代码>输入：两个[CLS]-标记，输出：相同含义或不相同含义。 作为训练数据，您可以选择不同语言的[CLS]-标记句对，这些句子的含义相同或不同。为了得到有意义的结果，你需要很多这样的句子对。幸运的是，你可以通过google translate生成它们，或者使用类似于圣经的平行文本（存在于许多语言中），并从中提取句子对

方法：精确调整该任务的bert模型： 与前面的方法一样，您需要大量的培训数据。 伯特模型的样本输入如下所示： 一只猫从树上跳下来吓了游客一跳

要对这些句子是否具有相同的含义进行分类，您需要在[CLS]-标记的顶部添加一个分类层，并在该任务上微调整个模型

---

注意：我从来没有使用过多语言的伯特模型，这些方法就是我想要完成上述任务的方法。如果您尝试这些方法，我很想知道它们是如何执行的，但仍不完全了解多语言BERT的功能以及它的工作原理。最近有两篇论文（第一篇，第二篇）对此做了一些探讨

从论文中可以看出，向量似乎倾向于按照语言（甚至语族）进行聚类，因此对语言进行分类非常容易。这是显示的群集：

正因为如此，你可以从表达中减去语言的平均值，最终得到一个某种程度上的跨语言向量，这两篇论文都表明可以用于跨语言句子检索

---

此外，似乎一千个平行句子（例如，在两种语言中）足以学习两种语言之间的投影。请注意，他们没有使用

[CLS]

向量，但他们的意思是将各个子词的向量集合起来。

很有趣。在你看来，对于这两种方法，有多少数据就足够了？正如Jindřich提到的，每种语言1000个句子对可能就足够了，但如果它真的有效，你真的需要测试它。非常有趣！语言手段公布了吗？我不这么认为，但自己做应该不会太难。