四大模型革新NLP技術應用 揭秘百度文心ERNIE最新開源預訓練模型

　　2019年以來，基于深度神經網絡的預訓練技術在技術創新和工業應用上不斷取得突破，但傳統預訓練技術上仍有一些痛點困擾著開發者：

　　僅考慮單一粒度語義建模，缺乏多粒度語義理解能力;

　　受限于 Transformer 結構的建模長度瓶頸，無法處理超長文本;

　　聚焦語言等單一模態，缺乏工業真實應用場景針對多個模態如語言、視覺、聽覺信息的聯合建模能力。

　　5月20日舉辦的2021深度學習開發者峰會WAVE SUMMIT上，依托飛槳核心框架，百度文心ERNIE最新開源四大預訓練模型：多粒度語言知識增強模型 ERNIE-Gram、長文本理解模型 ERNIE-Doc、融合場景圖知識的跨模態理解模型 ERNIE-ViL、語言與視覺一體的模型ERNIE-UNIMO。

　　針對傳統預訓練技術現存的難點痛點，此次文心ERNIE開源的四大預訓練模型不僅在文本語義理解、長文本建模和跨模態理解三大領域取得突破，效果上超越谷歌、微軟等業界模型，還擁有廣泛的應用場景和前景，進一步助力產業智能化升級。

　　文心ERNIE開源版地址：https://github.com/PaddlePaddle/ERNIE

　　文心ERNIE官網地址：https://wenxin.baidu.com/

　　一、多粒度語言知識增強模型ERNIE-Gram

從 ERNIE模型誕生起，百度研究者們就在預訓練模型中引入知識，通過知識增強的方法提升語義模型的能力。本次發布的ERNIE-Gram模型正是通過顯式引入語言粒度知識，從而提升模型的效果。具體來說，ERNIE-Gram 提出顯式 n-gram 掩碼語言模型，學習 n-gram粒度語言信息，相對連續的n-gram掩碼語言模型大幅縮小了語義學習空間（  → ，其中 為詞表大小， 為建模的gram 長度），顯著提升預訓練模型收斂速度。

　　圖1-1 連續 n-gram 掩碼語言模型 vs 顯式 n-gram 掩碼語言模型

　　此外，在顯式 n-gram 語義粒度建模基礎上，ERNIE-Gram 提出多層次 n-gram 語言粒度學習，利用 two-stream 雙流機制，實現同時學習 n-gram 語言單元內細粒度(fine-grained)語義知識和 n-gram 語言單元間粗粒度(coarse-grained)語義知識，實現多層次的語言粒度知識學習。

　　圖1-2 n-gram 多層次語言粒度掩碼學習

　　ERNIE-Gram在不增加任何計算復雜度的前提下，在自然語言推斷任務 、短文本相似度任務、閱讀理解任務等多個典型中文任務上，效果顯著超越了業界主流開源預訓練模型。此外，ERNIE-Gram 英文預訓練模型也在通用語言理解任務、閱讀理解任務上效果超越主流模型。ERNIE-Gram的方法被 NAACL 2021主會長文錄用。

　　論文地址：https://arxiv.org/abs/2010.12148

　　二、長文本理解模型ERNIE-Doc

　　Transformer 是 ERNIE預訓練模型所依賴的基礎網絡結構，但由于其計算量和空間消耗隨建模長度呈平方級增加，導致模型難以建模篇章、書籍等長文本內容。受到人類先粗讀后精讀的閱讀方式啟發，ERNIE-Doc 首創回顧式建模技術，突破了 Transformer 在文本長度上的建模瓶頸，實現了任意長文本的雙向建模。

　　通過將長文本重復輸入模型兩次，ERNIE-Doc在粗讀階段學習并存儲全篇章語義信息，在精讀階段針對每一個文本片段顯式地融合全篇章語義信息，從而實現雙向建模，避免了上下文碎片化的問題。

　　此外，傳統長文本模型(Transformer-XL等)中Recurrence Memory結構的循環方式限制了模型的有效建模長度。ERNIE-Doc將其改進為同層循環，使模型保留了更上層的語義信息，具備了超長文本的建模能力。

　　圖2-1 ERNIE-Doc中的回顧式建模與增強記憶機制

　　通過讓模型學習篇章級文本段落間的順序關系，ERNIE-Doc 可以更好地建模篇章整體信息。

　　圖2-2 篇章重排序學習

　　ERNIE-Doc顯著提升了長文本的建模能力，可以解決很多傳統模型無法處理的應用難題。例如在搜索引擎中，ERNIE-Doc可以對網頁整體理解，返回用戶更加系統的結果。在智能創作中，ERNIE-Doc可以用來生成更加長篇、語義豐富的文章。

　　超長文本理解模型 ERNIE-Doc在包括閱讀理解、信息抽取、篇章分類、語言模型等不同類型的13個典型中英文長文本任務上取得最優的效果。ERNIE-Doc的方法被 ACL 2021主會長文錄用。

　　論文鏈接：https://arxiv.org/abs/2012.15688

　　三、融合場景圖知識的跨模態理解模型ERNIE-ViL

　　跨模態的信息處理能力需要人工智能模型深入理解并綜合語言、視覺、聽覺等模態的信息。當前，基于預訓練的跨模態語義理解技術，通過對齊語料學習跨模態的聯合表示，將語義對齊信號融合到聯合表示中，從而提升跨模態語義理解能力。ERNIE-ViL提出了知識增強的視覺-語言預訓練模型，將包含細粒度語義信息的場景圖(Scene Graph)知識融入預訓練過程，構建了物體預測、屬性預測、關系預測三個預訓練任務，使得模型在預訓練過程中更加關注細粒度語義知識，學習到能夠刻畫更好跨模態語義對齊信息，得到更好的跨模態語義表示。

　　圖3-1知識增強的跨模態預訓練ERNIE-ViL框架

　　ERNIE-ViL首次將場景圖知識融入跨模態模型的預訓練過程，為跨模態語義理解領域研究提供了新的思路。該模型在視覺問答、視覺常識推理、引用表達式理解、跨模態文本&圖像檢索等5個典型跨模態任務上取得了領先的效果。ERNIE-ViL模型也逐步在視頻搜索等真實工業應用場景中落地。ERNIE-ViL的方法被AAAI-2021主會長文錄用。

　　論文地址:https://arxiv.org/abs/2006.16934

　　四、語言與視覺一體的模型ERNIE-UNIMO

　　大數據是深度學習取得成功的關鍵基礎之一。當前的預訓練方法，通常分別在各種不同模態數據上分別進行，難以同時支持各類語言和圖像的任務。基于深度學習的AI系統是否也能像人一樣同時學習各種單模、多模等異構模態數據呢?如果能夠實現，無疑將進一步打開深度學習對大規模數據利用的邊界，從而進一步提升AI系統的感知與認知的通用能力。

　　為此，語言與視覺一體的模型ERNIE-UNIMO提出統一模態學習方法，同時使用單模文本、單模圖像和多模圖文對數據進行訓練，學習文本和圖像的統一語義表示，從而具備同時處理多種單模態和跨模態下游任務的能力。此方法的核心模塊是一個Transformer網絡，在具體訓練過程中，文本、圖像和圖文對三種模態數據隨機混合在一起，其中圖像被轉換為目標(object)序列，文本被轉換為詞(token)序列，圖文對被轉換為目標序列和詞序列的拼接。統一模態學習對三種類型數據進行統一處理，在目標序列或者詞序列上基于掩碼預測進行自監督學習，并且基于圖文對數據進行跨模態對比學習，從而實現圖像與文本的統一表示學習。進一步的，這種聯合學習方法也讓文本知識和視覺知識互相增強，從而有效提升文本語義表示和視覺語義表示的能力。

　　此方法在語言理解與生成、多模理解與生成，4類場景、共13個任務上超越主流的文本預訓練模型和多模預訓練模型，同時登頂權威視覺問答榜單VQA、文本推理榜單aNLI。首次驗證了通過非平行的文本與圖像單模數據，能夠讓語言知識與視覺知識相互增強。此工作被ACL2021主會長文錄用。

　　論文地址:https://arxiv.org/abs/2012.15409

　　五、破解NLP技術難題，助力產業智能化

　　文心ERNIE全新開源發布4 大預訓練模型，不斷推動NLP模型技術研究層面的創新與應用。

　　語言與知識技術被看作是人工智能認知能力的核心。2019 年以來，百度憑借在自然語言處理領域的深厚積累取得了系列世界突破，發布了文心ERNIE語義理解平臺，該平臺廣泛用于金融、通信、教育、互聯網等行業，助力產業智能化升級。

　　作為“人工智能皇冠上的明珠”，NLP領域向來是人工智能技術研發與落地實踐的前沿。百度文心平臺基于領先的語義理解技術，幫助企業在NLP賽道上跨過技術、工具、算力、人才等門檻，對開發者和企業進行開放，全面加速NLP技術助力全產業智能化升級進程，為AI工業大生產插上智能的“翅膀”。

特別提醒：本網信息來自于互聯網，目的在于傳遞更多信息，并不代表本網贊同其觀點。其原創性以及文中陳述文字和內容未經本站證實，對本文以及其中全部或者部分內容、文字的真實性、完整性、及時性本站不作任何保證或承諾，并請自行核實相關內容。本站不承擔此類作品侵權行為的直接責任及連帶責任。如若本網有任何內容侵犯您的權益，請及時聯系我們，本站將會在24小時內處理完畢。