全面超越BERT、XLNet，中文最强NLP模型百度ERNIE2.0发布！

新智元报道

来源：百度AI

编辑：元子

【新智元导读】百度宣布推出中英文ERNIE 2.0自然语言框架，在一系列语言理解基准和9项中文自然语言任务的最新测试中，表现强于Google的BERT和XLNet。

今年3月份，百度发布了NLP模型ERNIE初代版本。这个模型刚一出世，便取得了骄人成绩：在中文任务中，全面超越当前最强NLP模型BERT，一度引发业界广泛关注和探讨。而短短4个月时间，百度ERNIE就进化到了2代版本，这是一个中英文对话的AI框架和模型。

近日百度正式发布的ERNIE 2.0，直接将初代版本提升到了一个新的高度，刷新了SOTA。不仅在中文上全面超越BERT，甚至在英文上也全面超越了BERT和XLNet！

ERNIE的全称是“Enhanced Representation through Knowledge Integration”，代表通过知识集成实现增强型表示。和Google的BERT一样，ERNIE 2.0依赖于transformer编码器和BookCorpus数据集进行训练。

ERNIE 2.0采用多任务学习和一系列预训练任务，如大写字母预测（因为大写单词通常包含专有名词）和任务，例如学习句子之间的关系或发出语义理解。

目前，百度 ERNIE 2.0的 Fine-tuning 代码和英文预训练模型已开源。Github 项目地址：

https://github.com/PaddlePaddle/ERNIE

近两年来，以BERT、XLNet为代表的无监督预训练技术在语言推断、语义相似度、命名实体识别、情感分析等多个自然语言处理任务上取得了非常大的突破。

但是百度认为，以BERT为首的模型的工作流程，主要是通过词或句子的共现信号，构建语言模型任务进行模型预训练。

除了语言共现信息之外，语料中的词法、语法、语义也是非常有价值的信息。那么该如何利用好人名、地名、机构名等词语概念知识，句子间顺序和距离关系等结构知识，文本语义相似度和语言逻辑关系等语义知识呢？

百度ERNIE 2.0提出了持续预训练。通过持续预训练，模型能够持续地学习各类任务，从而使得模型的效果达到了进一步提升。

百度称持续预训练的过程包含两个步骤：首先，需要不断构建无监督的预训练任务，具有大的语料库和/或先验知识。其次，通过多任务学习逐步更新ERNIE模型。

百度提出可持续学习语义理解框架 ERNIE 2.0，支持增量引入词汇（ lexical ）、语法 （ syntactic ） 、语义（ semantic ）等3个层次的自定义预训练任务，能够全面捕捉训练语料中的词法、语法、语义等潜在信息。

这些任务通过多任务学习对模型进行训练更新，每当引入新任务时，该框架可在学习该任务的同时，不遗忘之前学到过的信息。这也意味着，该框架可以通过持续构建训练包含词法、句法、语义等预训练任务，持续提升模型效果。

依托该框架，百度充分借助飞桨 PaddlePaddle 多机分布式训练优势，利用 79亿 tokens 训练数据（约1/4的 XLNet 数据）和64张 V100（约1/8的 XLNet 硬件算力）训练的 ERNIE 2.0预训练模型不仅实现了 SOTA 效果，而且为开发人员定制自己的 NLP 模型提供了方案。目前，百度开源了 ERNIE 2.0的 Fine-tuning 代码和英文预训练模型。

百度研究团队分别比较了中英文环境上的模型效果。英文上，ERNIE 2.0在自然语言理解数据集 GLUE 的7个任务上击败了 BERT 和 XLNet。中文上，在包括阅读理解、情感分析、问答等不同类型的9个数据集上超越了 BERT 并刷新了 SOTA。

模型论文链接：

https://arxiv.org/abs/1907.12412

所有预训练任务都使用自我监督或弱监督信号，这些信号可以从没有人类标签的海量数据中获得。

ERNIE 的工作表明，在预训练过程中，通过构建各层面的无监督预训练任务，模型效果也会显著提升。未来，研究者们可沿着该思路构建更多的任务提升效果。