Bert（Bidirectional Encoder Representations from Transformers）是一种基于Transformer架构的预训练语言模型，由Google在2018年提出。Bert模型在自然语言处理领域取得了重大突破，被广泛应用于各种NLP任务，如文本分类、命名实体识别、问答系统等。

Bert模型的核心思想是通过大规模无监督预训练来学习通用的语言表示，然后再通过有监督微调来适应特定任务。与传统的语言模型不同，Bert模型采用了双向Transformer编码器，能够同时利用上下文信息，从而更好地理解句子中的词语。

BERT

Bert模型的预训练过程包括两个阶段：Masked Language Model（MLM）和Next Sentence Prediction（NSP）。在MLM阶段，Bert模型会随机遮盖输入句子中的一些词语，然后通过上下文信息预测这些被遮盖的词语。在NSP阶段，Bert模型会判断两个句子是否是连续的。

屏蔽语言建模 (MLM)：取一个句子，模型随机屏蔽输入中 15% 的单词，然后通过模型运行训练，并预测屏蔽的单词。 这与传统的循环神经网络 (RNN) 不同，传统的循环神经网络通常会一个接一个的输入单词，也不同于 GPT 等自回归模型。