【深度学习】BERT变种—百度ERNIE 1.0网站首页 技术杂谈

【深度学习】BERT变种—百度ERNIE 1.0

DonngZH 2024-09-01 00:01:04

简介【深度学习】BERT变种—百度ERNIE 1.0

ERNIE: Enhanced Representation through Knowledge Integration是百度在2019年4月的时候，基于BERT模型，做的进一步优化，在中文的NLP任务上得到了state-of-the-art的结果。

ERNIE 是百度开创性提出的基于知识增强的持续学习语义理解框架，该框架将大数据预训练与多源丰富知识相结合，通过持续学习技术，不断吸收海量文本数据中词汇、结构、语义等方面的知识，实现模型效果不断进化。ERNIE 在工业界得到了大规模应用，如搜索引擎、新闻推荐、广告系统、语音交互、智能客服等。

ERNIE 1.0主要做了以下三方面的改进：

1.在mask的机制上做了改进，在pretrainning阶段增加了外部的知识。

2.使用了多样的预训练语料。

3.DLM (Dialogue Language Model) task

1 Knowledge Masking

ERNIE 1.0主要是在mask的机制上做了改进，它的mask不是基本的word piece的mask，而是在pretrainning阶段增加了外部的知识。使用先验知识来增强预训练的语言模型，因此提出了一种多阶段知识屏蔽策略，将短语和实体级知识集成到语言表示中。由三种level的mask组成，分别是basic-level masking（word piece）+ phrase level masking（WWM style） + entity level masking。

模型在预测未知词的时候，没有考虑到外部知识。但是如果我们在mask的时候，加入了外部的知识，模型可以获得更可靠的语言表示。

例如：哈利波特是J.K.罗琳写的小说。

单独预测哈[MASK]波特或者 J.K.[MASK]琳对于模型都很简单，仅仅需要通过局部共现关系，完全不需要上下文的帮助；
但是模型不能学到哈利波特和J.K. 罗琳的关系。

如果把哈利波特直接MASK掉的话，那模型可以根据作者，就预测到小说这个实体，实现了知识的学习。这些知识的学习是在训练中隐性地学习，而不是直接将外部知识的embedding加入到模型结构中（ERNIE-TsingHua[4]的做法），模型在训练中学习到了更长的语义联系，例如说实体类别，实体关系等，这些都使得模型可以学习到更好的语言表达。

ERNIE的mask的策略通过三个阶段学习的，在第一个阶段，采用的是BERT的模式，用的是basic-level masking，然后再加入词组的mask(phrase-level masking), 然后再加入实体级别entity-level的mask。

1-1 Basic level masking

第一阶段，采用基本层级的masking，使用与BERT一样的基础Mask机制，同样是15%的Mask概率，随机mask掉中文中的一个字。

在这个阶段，模型难以获得高级别的语义知识的建模能力。

1-2 Phrase level masking

第二阶段，采用词组(短语)级别的MASK机制，对于英文文本，使用lexical analysis工具获取短语的边界，对于中文或者其他语言的文本，使用对应语言的分词/分段工具，来得到单词/短语。mask掉句子中一部分词组，然后让模型预测这些词组。

在这个阶段，词组的信息就被encoding到word embedding中了。

1-3 Entity level masking

在第三阶，使用实体级别的Mask机制，如：人名，机构名，商品名等，在这个阶段被mask掉。

在这个阶段，首先会解析出句子中的所有实体（应该是通过命名实体识别模型，论文未明确说明），然后Mask掉某些实体，并进行预测。模型在训练完成后，也就学习到了这些实体的信息。

通过这三个阶段的预训练学习，模型可以通过更丰富的语义信息，得到增强的词表征。

从整个语料库中抽取10%的训练数据来验证知识掩蔽策略的有效性。结果如表所示。在基线词级屏蔽的基础上增加短语级屏蔽可以提高模型的性能。在此基础上，增加了实体级屏蔽策略，模型的性能得到了进一步提高。此外，结果还显示，在预训练数据集规模大10倍的情况下，在XNLI测试集上实现了0.8%的性能提升。

2 Heterogeneous Corpus Pre-training

ERNIE 1.0 借助百度在中文社区的强大能力，使用了各种异质(Heterogeneous)的数据集进行预训练。抽取了混合语料库中文维基百科（Chinese Wikepedia）、百度百科（Baidu Baike）、百度新闻（Baidu news）和百度贴吧（Baidu Tieba ）。句子的数量分别为21M、51M、47M、54M。

百度百科包含了用正式语言编写的百科全书文章，作为语言建模的有力基础。百度新闻提供有关电影名称、演员名称、足球队名称等最新信息。百度贴吧是一个类似于Reddits的开放式讨论区，每个帖子都可以被视为一个对话线程。贴吧语料库被用于我们的DLM任务，这将在下一节讨论。

对汉字进行繁体到简体的转换，并对英文字母进行大写到小写的转换。最终词表大小为17,964个unicode字符的共享词汇。

3 DLM (Dialogue Language Model) task

百度贴吧属于对话类型的数据，对话数据对语义表征是很重要的，因为一个问题下的回答通常下是相似的。为了适应多轮的贴吧数据，ERNIE在Query-Response的对话结构下，使用一种新的DLM (Dialogue Language Model) 任务。DLM还增加了任务来判断这个多轮对话是真的还是假的。

对话的数据对语义表示很重要，因为对于相同回答的提问一般都是具有类似语义的，不同于BERT的输入形式，ERNIE能够使用多轮对话的形式，采用的是三个句子的组合，与BERT添加标志的方式一致，采用[CLS]和[SEP]完成对句子的区分，形成S1[SEP]S2[SEP]S3[SEP] 的格式。

这种组合可以表示多轮对话，例如QRQ，QRR，QQR。Q：提问，R：回答。

为了表示dialog的属性，句子添加了dialog embedding组合，这个和segment embedding很类似。

负样本会随机替换掉句子的问题或者回答，模型需要预测它是正样本还是负样本，类似于NSP和SOP。
DLM任务可以让ERNIE学习对话之间的内在关系，这也可以提升模型语义表征的学习能力。

对话语言模型。源句：[cls] How [mask] are you [sep] 8 . [sep] Where is your [mask] ?[sep]. 目标句子（预测的词）：old，8，hometown)

像BERT中的MLM一样，应用掩码来强制模型预测以查询和回应为条件的缺失词。此外，我们通过用随机选择的句子替换查询或回应来产生虚假样本。

DLM任务帮助ERNIE学习对话中的隐含关系，这也增强了模型学习语义表征的能力。DLM任务的模型结构与MLM任务的结构兼容，因此它与MLM任务交替进行预训练。

使用所有训练语料的10%，以不同的比例来说明DLM任务对XNLI开发集的贡献。我们在这些数据集上从头开始预训练ERNIE，并报告5次随机重启微调对XNLI任务的平均结果。详细的实验设置和开发集结果见表3，在这个DLM任务上，开发/测试的准确率提高了0.7%/1.0%。

4 实验结果

ERNIE被应用于5个中文NLP任务，包括自然语言推理、语义相似度、命名实体识别、情感分析和问题回答。

1.自然语言推理

跨语言自然语言推理（XNLI）语料库是MultiNLI语料库的一个众包集合。这些对子都有文本导出的注释，并被翻译成包括中文在内的14种语言。标签包含矛盾、中性和蕴涵的内容。

2.语义相似性

大型中文问题匹配模型（LCQMC）旨在识别两个句子是否具有相同的意图。数据集中的每一对句子都与一个二进制标签相关联，表明这两个句子是否有相同的意图，该任务可以被形式化为预测二进制标签。

3.命名实体识别

MSRA-NER数据集是为命名实体识别而设计的，它由微软亚洲研究院发布。实体包含几种类型，包括人名、地名、组织名称等。这个任务可以被看作是一个序列标签任务。

4.情感分析

ChnSentiCorp（Song-bo）是一个数据集，旨在判断一个句子的情感。它包括几个领域的评论，如酒店、书籍和电子计算机。这个任务的目标是判断句子是积极还是消极的。

5.检索问题回答

NLPCC-DBQA数据集的目标是选择相应问题的答案。这个数据集的评价方法包括MRR和F1得分。
下表展示了5个汉语NLP任务的测试结果。可以看出，ERNIE 1.0在所有任务上的表现都优于BERT，在这些中文NLP任务上创造了新的最先进的结果。在XNLI、MSRA-NER、ChnSentiCorp和NLPCC-DBQA任务中，ERNIE比BERT获得了超过1%的绝对准确率。