小丑西瓜9

这个屌丝很懒，什么也没留下！

热门标签

冯仕堃：预训练模型哪家强？百度知识增强大模型探索实践！

作者：小丑西瓜9 | 2024-04-04 01:43:27

踩

百度预训练模型

作者 | 冯仕堃百度主任架构师

来源 | DataFunTalk

导读：近年来，预训练语言模型在自然语言处理领域发展迅速，并获得广泛应用。本文将介绍百度基于知识增强的语义理解ERNIE的实践探索，主要内容包括首个知识增强大模型ERNIE 3.0，以及在语言生成、跨模态理解、多语言理解等方向取得的技术突破，最后分享基于ERNIE的百度应用实践。

具体将从以下几方面展开：

语义理解技术简介
ERNIE技术原理
ERNIE最新进展
ERNIE应用实践

语义理解技术简介

我们从语义理解技术开始，了解它的挑战、实现、演变，以及在预训练时代下的发展历程。首先我们来看看语言理解任务的挑战。

1. 语义理解任务的挑战

“我们这边快完了”这几个字从字面来看是一模一样的，但是它们背后的语义是不一样的。如上图的右侧所示，我们能看到的只是表征人类认知符号的语言的一小部分，但它背后其实蕴含了对这个真实世界的映射（认知）。语言有很大的复杂性和多样性，只有对它背后的语义知识有更好的理解，才能处理好后续更多的语言理解任务。

2. 语义理解任务的实现

可以把语义理解归纳成两个问题：

如何进行语义表示
如何对表示进行建模

其中语义表示是最重要的，它是实现语义理解的基础。语义表示在发展过程中产生了两大类方法：

符号化表示（形式化表示）
数学化表示

3. 语义理解任务的演变

基于形式化的表示方法可以追溯到80年代基于语言学知识的WordNet、HowNet方法，以及90年代基于语义解析的Logic Forms。这类方法的问题在于，基本都要靠人工来处理，自动化程度不高，在实际应用中的效果也比较差。

后来出现了基于统计的方法，即使用one-hot表示对词进行稀疏（sparse）的编码，这种方式的问题在于：两个不同的词在表示后的两个向量间距离接近于0，不能很好的把语义相近的词进行聚合。为了解决这个问题，1954年Harris提出一个假设：如果两个词的上下文比较接近，那这两个词的语义就会比较相近。基于这一点，百度使用了基于语言共现的统计表示方法来对词语进行向量表示。如利用搜索引擎得到词语“计算机”相关的top10文本，统计文本中的TF-IDF等特征值，得到相关词的权重，排序后取top-k个词语，使用这top-k个词及其权重来对“计算机”进行向量表示。

随着深度学习的发展，出现了word2vec这类稠密（dense）的深度学习语义表示方法。这类方法的优点在于：一是它是一种稠密表示，二是学习过程中考虑上下文，能将类似的词语在向量空间中尽可能的表示在一起。

在方法提出的当时（2012年），该方法在词类比的效果上是比较惊艳的，如“国王-男人+女人=皇后”的例子。但是由于上下文无关且embedding方式是静态的，这类方法比较难解决歧义问题，如“苹果”在不同语境里的语义是不一样的。该方法过于关注词本身的可解释性，缺乏对下游应用任务的关注。

4. 预训练时代下的语义理解技术

2018年有一系列的经典文章发表，掀起了预训练时代语义理解新范式的革新，这种范式主要是从ELMo、GPT、BERT发展起来的一种“预训练+微调”的范式，它取得了巨大的突破，横扫了GLUE上多个NLP测评，带来了新的技术变革。

下面来了解一下基于这种预训练方法在近两年内提升的效果。首先GLUE是一个通用语言理解的数据集，包含9项NLP典型任务。从右侧图中可以看出，从最开始的70%提升到了90%，一共提升了20个点，这个提升是非常显著的。

图中展示了两个经典的上下文有关的语义理解方法：

ELMo：2018年提出的ELMo以feature-based（基于特征）方式对文本进行语义理解。ELMo的作者首先使用双向LSTM（BiLSTM）从语料中预训练了一个模型，文本会先通过这个预训练语言模型得到一个表示并拼接起来，然后再进入下游任务进行微调。它的梯度在拼接时被切断了，所以不会回传到之前的双向LSTM模型中，所以这是一个feature-based的方法。
BERT：同年（2018年），ELMo很快被BERT取代。BERT也提出了“预训练+微调”的方式，并且在微调时允许下游任务的lose回传到预训练中的transformer里面，这种方式比ELMo的效果更好。

此外，还有一个不容忽视的工作：GPT。GPT与BERT最大的区别在于：GPT是一个单向的语言模型。如上图所示，E2这个token能看到的感受野，即attention位置的只能往前追溯，而不可以往后，但是BERT可以往后。

虽然GPT的效果没有BERT好，但是OpenAI希望通过“大算力”+“大数据”+“大模型”的方式创造“奇迹”。OpenAI训练了一个1700亿参数的超大规模预训练模型，发现该模型除了语义理解以外，还能做小样本学习（few-shot learning），可以广泛的处理各类任务。在训练模型的时候并不知道这个模型要用于什么任务，并且任务也不需要提供微调的数据。如GPT-3可以用于搜索引擎中的QA问答，用户提出问题以后，GTP-3可以直接生成回答。图中列举了十几个GPT-3号称可以解决的问题，给我们展示了通用AI的一条可能可行的路径。

上图展示了一系列BERT之后的预训练工作。在预训练语言模型分类中，可以分为：

单向LM（语言模型）：GPT、GPT-2、GPT-3
双向LM：BERT、Roberta
端到端LM：T5、MASS
持续学习（continuallearning）+知识增强（knowledge）：ERNIE、ERNIE 2.0、ERNIE 3.0

基于这些基础模型，学术界做了下列扩展：

多语言模型：XLM、InfoXLM、ERNIE-M
多模态模型：VideoBERT、UNITER、ERNIE-ViL
模型压缩：MiniLM、TinyBERT、ERNIE-Tiny

还有一些基于特定任务的预训练模型：

相似度任务：SentenceBERT、ERNIE-Sim
生成任务：UniLM、MASS、ERNIE-Gen
领域模型：BioBERT、SciBERT、ERNIE-Health/Law/Financial

百度在2019年3月提出了ERNIE 1.0模型，在同年7月提出了ERNIE 2.0模型，并在12月刷新了GLUE榜单，并被《MIT Technology Review》官方报道。之后，百度在模型扩展方面及特定任务模型方面都进行了深耕，如ERNIE-GEN、ERNIE-ViL、ERNIE-UNIMO、ERNIE-M、ERNIE-Gram、ERNIE-Doc等模型，这些模型也都取得了SOTA成绩。在比赛方面，百度斩获了SemEval2020的5项任务冠军，并入选了2020中国人工智能学会优秀科技成果，也获得了2020世界人工智能大会最高荣誉SAIL奖。2021年7月，百度发布了基于知识增强的百亿参数大模型ERNIE 3.0，解决了语义理解与生成问题，并在SuperGLUE任务测评中获得全球第一。

以上是百度ERNIE的获奖情况。

ERNIE技术原理

下面将进入第二部分--介绍ERNIE的技术原理。

1. ERNIE背景技术介绍

首先我们来对BERT的技术原理进行简单的剖析。BERT的基本模型还是Transformer模型，它的预训练任务是完形填空和上下句预测。这里的完形填空是简单的15%的随机的字的掩码，模型需要去预测被掩码的字是什么。但是这种方法存在着一个问题：它只学习到了局部的语言信号，缺乏对句子全局建模，难以学到词、短语、实体的完整语义。

2. ERNIE 1.0

由此，百度在2019年提出了知识融合的思路。ERNIE（Enhanced Representation throughkNowledge IntEgration）指基于知识融合（knowledge masking）的新一代语义表示模型。ERNIE在做masking的时候，是以knowledge masking的方式，对词、短语、实体的完整语义进行masking的。

实验发现，ERNIE比BERT具有更好的知识推理能力。

在ERNIE 1.0的基础上，百度尝试用更多的知识来得到更好的模型。如通过构建多个层次的任务，来挖掘语料中的词法、结构、语义的潜在知识，并且还要在学习新知识的时候不遗忘旧知识。

3. ERNIE 2.0

在ERNIE 2.0，百度提出了持续学习的语义理解框架。在大数据和先验知识的基础上，构建了句法、语法、语义相关的一系列任务，这些任务会在框架内持续的训练学习，更新整个ERNIE模型，从而对下游任务有一个更好的理解。

ERNIE的框架也是基于Transformer，基于这个框架，百度构建了三大体系的预训练任务（pre-training task）：词感知（word-aware）、结构感知（structure-aware）、语义感知（semantic-aware）。

上图（左）展示了结构层面的语序关系：需要让ERNIE模型知道“春天播种，夏天浇水，秋天收获”的逻辑，这样模型才能更好的“理解”文本含义，故设计了文本语序的预测任务。

中间图片展示了结构层面的语义关系：百度从大规模语料中设计了“语义距离”的任务：

语义紧密：一篇文章中相邻的两个句子，可以认为是语义紧密。
同一话题：属于同一篇文章的两个句子，可以认为是同一话题。
语义无关：两个句子在不同文章中，可以认为是语义无关。

上图（右）展示了语义层面的逻辑关系，这些关系（因果、假设、递进、转折等）是通过无监督的方式从大规模语料中获取的，希望ERNIE能从中学习到一些逻辑知识。

ERNIE最新进展

接下来将介绍ERNIE 3.0的最新进展。

1. ERNIE 3.0成长路径

ERNIE 3.0的定位为知识增强的大模型。模型都是在不断持续学习的，ERNIE 2.0也在不断进行版本迭代，每一个迭代都比之前有更好的提升。

在ERNIE 3.0时代业界出现了一些大模型，这些大模型有两个共同点：一是仅仅只是读更多的文字，比如扩大语料，这是模型增长的前提；二是很多大模型都是使用auto-regressive（自回归）方式进行的，GPT、盘古这些都使用了这种方式。百度ERNIE希望除了从更多更优质的文本中学习以外，还希望模型能从知识图谱学习到世界知识，这个世界知识能够更好的促进下游任务，除了文本生成以外，还希望能保留模型的理解能力。

2. ERNIE 3.0整体框架

ERNIE 3.0的整体框架显示：模型除了使用大规模语料外，还引入了百度知识图谱（包含5千万事实），共包含4TB语料。

上图展示了ERNIE 3.0 4TB语料的来源，除了ERNIE 2.0中的对话、百科、wiki等语料之外，还加入了百度自有的搜索数据、互联网的web数据、QA问答的长文本/短文本，以及小说、诗歌、对联、医疗/法律/金融等领域数据，最后还引入了知识图谱的数据，并对优质数据进行了加权以便更好的引入这些数据。

在准备好语料之后，ERNIE建立了一个持续学习的框架，该框架基于Transformer-XL模型。之所以使用Transformer-XL结构，是因为该结构可以处理无尽文本。GPT-3中只能处理2048长度的文本，Transformer-XL中采用了片段递归（segment-level recurrence）机制使其可以处理基本无穷的文本。模型使用了一个深层（48层）网络，4096的hidden size，64头的attention。

这个模型会产出一个双分支结构的面向任务的表示（task-specific representation）。ERNIE的初衷是在一个模型内能完成理解和生成两个任务，理解任务使用了自编码的方式，生成任务使用了自回归的方式。两个任务模型的参数是非共享的（参数非共享的方式具有更好的效果）。百度在小规模语料上做了验证，非共享方式取得了更低的PPL，并且后面的曲线是逐渐扩大的，即优势逐渐扩大。这是一种求同存异的模式，“同”在于做了一个universal representation，“异”在于双分支结构。自编码和自回归的模型参数为L12H768A12（网络深度为12，768 hidden size，12头attention），这是ERNIE-based的模型，百度希望通过这个模型给业界带来大模型的应用新范式。

Universal representation是一个非常庞大接近百亿规模的模型，在中小企业是比较难应用的。如何让这些企业也能使用大模型呢？可以通过百度提供表示（representation）传输到用户，用户可以使用小的模型进行微调（fine-tuning），只更新上层小模型的参数，不会影响大模型，即可以使用比较少的资源获取大模型的能力。

上图展示了ERNIE 3.0的学习任务，共分为3部分：

词感知（word-aware）预训练任务：沿用ERNIE 1.0的知识掩码（knowledgemasking）；新增了文档语言建模（document language modeling），采取了增强自循环记忆机制（enhancedrecurrence memory mechanism，可自行查看ERNIE-doc相关论文）来增加模型的感受野。
结构感知（structure-aware）预训练任务：语义重组（semantic reordering）、语义距离（semantic distance）。
知识感知（knowledge-aware）预训练任务：是一个文本与知识平行的预训练方法。

对于一段文本，会利用知识图谱进行实体链接（entity linking），得到句子的SPO（Subject-Predicate-Object，实体关系对），并与原始文本进行拼接（concat），再使用拼接文本进行下游的knowledge masking任务（ERNIE 1.0）。这种方式在知识类任务以及信息抽取中都有比较显著的收益。

在双分支结构之后，可以做很多任务包括：微调（fine-tuning）、零次学习（zero-shot learning）以及小样本学习（few-shot learning）。

以上即是ERNIE 3.0的整体框架。

3. ERNIE 3.0的训练

有了框架之后，该如何训练？大模型的训练面临着很多挑战：运行速度慢、调试成本高、迭代不同策略耗时周期长等。针对这些问题，百度提出了5D-progressive learning的概念：将batch size、sequence length、dropout、learning rate、training layer等5个元素进行共同渐进式增长，通过小数据验证发现该方式同比收敛速度节省63%（在百亿模型上可节省50%时间）。

大模型的训练需要依赖很多分布式技术，ERNIE 3.0的训练即依托于百度飞桨的4D混合并行技术。4D混合并行技术包括：数据并行、流水线并行、模型并行以及最后的分组参数切片（group sharding）。（这套技术是为千亿模型准备的，ERNIE 3.0的定位为百亿模型，使用数据并行和分组参数切片即可。）其中分组参数切片避免了多机之间的通信，可以取得较大的提升效果。最终，基于4TB的训练数据，结合ERNIE 3.0百亿参数大模型，在384个V100组成的高性能集群上完成了3750亿个tokens的训练。

4. ERNIE 3.0性能评估

上图展示了对完成训练以后模型的全方位性能评估，主要分为NLU和NLG、微调（fine-tuning）和零次（zero-shot）两个纬度，同时也在中文“千言”数据集（全面的面向自然语言理解与生成任务的数据集）和英文superGLUE数据集上进行验证。

微调（fine-tuning）层面：在NLU方向共找了14个种类共45个任务进行验证，NLG方面涵盖了7个种类的共9个任务。
零次（zero-shot）层面：在NLG方向，主要利用深层分支对7个种类的共19个任务进行了自动评估。此外，还对模型进行了人工效果评估（包括5个种类的共13个任务）。

上图展示了模型在“千言”数据集上的效果（覆盖了NLU和NLG共六个数据集），ERNIE 3.0的提升效果也是非常明显的。

上图展示了ERNIE 3.0 在fine-tuning的21个种类共54个任务（NLG和NLU）上都刷新了SOTA。其中在超过50%的数据集上都有几个百分点的提升。

上图展示了ERNIE 3.0 零次学习的自动评估结果。对比的对象主要包括CPM、盘古等业界大模型，ERNIE 3.0也保持了领先的优势，最大可以提升几十个百分点。

在ERNIE 3.0 零次学习的人工评估方面：共准备了450个case进行盲评，主要对生成内容的相关性、内容流畅度以及内容准确性3个方面进行评分（分数为0，1，2）。评估结果显示ERNIE 3.0非常有优势。

ERNIE 3.0在英文数据集（superGLUE）上登顶了榜单，力压T5、Meena、DeBERTa等模型。

5. ERNIE 3.0效果展示

以上两图展示了ERNIE 3.0的生成效果，包括古文、歌词、科技文稿创作，对对联、作诗、续写小说等。

ERNIE 3.0引入了知识图谱的数据，上图展示了ERNIE 3.0对知识的掌握情况（掌握多跳知识）。

ERNIE应用实践

下面将介绍ERNIE的应用实践，这些实践都是基于文心ERNIE语义理解平台进行的。

1. 文心ERNIE工业应用效果

上图为文心ERNIE语义理解平台的整体示意图。平台的底座依赖于ERNIE 1.0、2.0、3.0等核心技术，包含了数据服务、算法开发、算法部署等各方面的功能，通过开发套件（开源版、专业版、旗舰版）和技术平台（EasyDL、BML）的方式对外输出。

文心平台在工业界的应用效果：百度内部60个以上的产品线都有应用，覆盖搜索、推荐、问答、风控、智能音箱等应用；ToB方面，也覆盖了151家企业。

2. 文心ERNIE助力产业智能化发展

文心平台累计支持了4万开发者，覆盖了金融、通信、教育、电商等一系列垂直领域/行业。

3. 文心ERNIE案例介绍

下面将通过4个案例来讲解文心平台的具体应用：

案例1: 搜索深度问答

搜索深度问答是指在搜索框中输入一个query，然后在网页库中将答案放到top1的位置。这个过程共分为两个部分：问题识别和问题答案匹配。针对响应时间的严苛要求，会将ERNIE大模型的能力迁移到小模型上，如问题识别会迁移到BOW，问题答案匹配会迁移到simnet，这种方式在召回率上得到了7%的显著提升。