Bert是去年谷歌发布的一款新模型，在11个主流NLP任务中都取得优异的结果，因此成为NLP领域最吸引人的一个模型。它的核心思想在于：作者认为语言表示存在一个通用模型，而具体到专业领域，可以对通用模型进行精炼(fine-tune)来实现更加好的效果。从技术角度而言，它采用了transformer等技术搭建了一个更深的深度网络。受限于作者能力，模型细节不能详细解释，大家可以参看官方介绍或51NLP Bert资料汇总.(https://www.52nlp.cn/tag/bert)
在调用服务时，只需要引用BertClient模块，然后构造一个连接，既可进行embedding，下面是一个实例，得到的词向量为768维。如下示例:
# -*- coding:utf-8 -*-
from bert_serving.client import BertClient
from sklearn.metrics.pairwise import cosine_similarity
class Encoding(object):
def __init__(self):
self.server_ip = "127.0.0.1"
self.bert_client = BertClient(ip=self.server_ip)
def encode(self, query):
tensor = self.bert_client.encode([query])
return tensor
def query_similarity(self, query_list):
tensors = self.bert_client.encode(query_list)
return cosine_similarity(tensors)[0][1]
if __name__ == "__main__":
ec = Encoding()
print(ec.encode("中国").shape)
print(ec.encode("美国").shape)
print("中国和美国的向量相似度:", ec.query_similarity(["中国", "美国"]))
print("中国和地球的向量相似度:", ec.query_similarity(["中国", "地球"]))
print("美国和地球的向量相似度:", ec.query_similarity(["美国", "地球"]))上述代码的返回结果如下，最后两个相似度示例可以看出，由于中国和美国都是国家，所以他们的相似度要高于中国或美国和地球的相似度。
(1, 768)
(1, 768)
中国和美国的向量相似度: 0.9300134
中国和地球的向量相似度: 0.8481554
美国和地球的向量相似度: 0.837299
参考资料：
bert-as-service: https://bert-as-service.readthedocs.io/en/latest/source/client.html