1. 架构图

先看架构图：

模型架构比较简单，BERT这边使用的【CLS】输出向量：$C=BERT(S_{1},S_{2})$

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：

$$D_{1} = TopicModel([T_{1},...,T_{N}]) \in R^{t}$$

$$D_{2} = TopicModel([T^{,}{1},...,T^{,}{M}]) \in R^{t}$$

$t$ 代表的是主题数量，N是$S_{1}$的字数量，M是$S_{2}$的字数量

进而我们可以得到单词的主题分布:

$w_{i} = TopicModel(T_{i})$

$$W_{1} = \frac{\sum^{N}{i=1}w{i}}{N} \in R^{t}$$

$$W_{2} = \frac{\sum^{M}{i=1}w^{,}{i}}{M} \in R^{t}$$

所以在最后和【CLS】连接的时候，可以使用文档主题$D_{1}和D_{2}$，也可以使用单词主题$W_{1}和W_{2}$。

2.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。

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......

说一下掌握的知识点：

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。