BERT+实体-百度ERNIE优化了啥
ERNIE 1.0
如何将知识(knowledge)信息融入到模型训练中，一种方式是将知识信息作为输入，成本是其他人使用的时候也要构建知识库，并且fine-tune和pre-train的知识库分布不一致，fine-tune也会出现问题。
另一种方式是将知识信息融入到训练任务中，ERNIE提出一种知识掩盖策略取代bert的mask，包含实体层面和短语级别的掩盖，实验验证了这种策略的有效性，
多阶段的mask
Basic-Level Masking
和bert一样，随机选取token做mask。
Phrase-Level Masking
会将语法中的短语做mask，例如：a series of|such as 等。
Entity-Level Masking
会将一些实体整个mask，主要实体包含人物、地点、组织、产品名等。
数据
训练预料包括中文维基百科，百度百科，百度新闻（最新的实体信息），百度贴吧。
DLM
其中百度贴吧的Query-Response信息用于DLM训练，即对话语言模型，每个句子会有一个标记，Q表示query，R表示response。这个dialogue embedding，其实就是bert里面的sentence embedding(segment id)。
效果
实验证明了其提出的两种mask策略都对下游人物有所提升，其二，证明了DLM人物，对于下游人物也有相应的提升。其三，通过完型填空人物，ernie能够更好地利用词语信息预测出正确的实体。
ERNIE 2.0
当前pre-training模型更多关注词语或者句子共现，没有很好地利用语料中词汇( lexical)、句法(syntactic)和语义(semantic)信息，例如实体、semantic closeness、discourse relations。为了更好的利用训练语料中的词汇、句法和语义信息，提出可持续学习(continual learning)的ERNIE2.0的多任务的预训练框架，并实验论证了在GLUE上效果超过BERT和XLNet。
XLNet看论文提出的方法很有意思，但是效果提升上来说，真的难讲是参数量带来的提升还是模型改进，甚至怀疑是调优上带来的提升（炼丹术）。
纵观BERT相关改进方法，无非模型和数据两方面，添加跟多语言建模任务其实是数据和模型上的改进，效果上肯定是数据优化带来的提升更为明显，例如roberta改进了数据预处理带来的某些任务提升就超过了XLNet。
ERNIE2.0框架
作者基于上面假设，提出来ERNIE2.0的框架，支持添加定制的任务与原有多任务一起增量地预训练，使得模型能够更好地学习到语料中的词汇( lexical)、句法(syntactic)和语义(semantic)表示。
个人理解主要区别就在于添加了更多的语言任务，底层模型的话还是Transformer，或者你也可以换成RNN（换成RNN图个啥呢）
git: https://github.com/PaddlePaddle/ERNIE
Continual Pre-training
持续预训练包含两步。首先，通过引入先验知识和大数据上持续地无监督任务训练模型，然后增量的添加多任务更新ERNIE模型。
对于第一步pre-training，会构造词语感知、结构感知、语义感知的任务，这些任务都是无监督或者弱监督的信号，能够方便的从大量语料中，无须人工标注。
对于第二步的多任务，使用持续学习的方式训练。首先使用一个简单的任务训练初始模型，然后持续增加新的预训练任务来升级模型。注意，在添加新任务的时候，会和之前任务一起训练，来保证模型不会忘记之前学到的知识。基于此，作者认为这种持续学习能够让ERNIE框架保持学习并且持续收集知识，同时积累的知识保证模型在新任务上能够学得更好。
讲道理，这不就是 积跬步而至千里 吗？
整体框架如下图，中间的Encoder为各个人物所共享，可以是Transformer、RNN、甚至CNN(as you like，但是也没必要开倒车)，将其分类了两大类损失，一类是句子级别的损失，一类是字级别，后面会介绍。
ERNIE 2.0 Model
模型结构
Transformer Encoder：作为底层的共享编码层，细节参考：Attention Is All You Need
Task Embedding：底层引入了任务的编码特征来区分不同的任务，对于不同的任务使用唯一表示的ID来表示，每个id有一个唯一的向量表示（就想word embedding一样，只是这里id少而已）。其他的和BERT类似，就是Token embedding, sentence embedding, Position embedding. 见图三。
看到这里我有点好奇训练方式，难道七个任务是交替训练吗，继续看下文吧
在这里插入图片描述
预训练任务
Word-aware Pre-training Tasks
Knowledge Masking Task：和ERNIE1.0类似，使用字、短语、实体级别的mask LM任务来训练，具体就是掩盖掉整个短语、实体，让模型通过上下文和全局信息预测这些被掩盖掉的词语。此任务是初始化训练模型。
Capitalization Prediction Task： 即大小写预测，在英文中大写字母一般有特殊含义，一般都是实体，所以这个任务对于识别实体会有一些帮助。
Token-Document Relation Prediction Task：这是啥意思，TF? no IDF? 预测一个词语是否在其他段落中。一般主题词不会在其他段落中出现，但是主题词也有可能在其他类似文档中出现，所以作者期望这个能够让模型具备捕获关键词能力。
Structure-aware Pre-training Tasks
Sentence Reordering Task： 即排序任务，咋建模呢，哈哈，将一段话随机切成[1,m]段，然后随机打乱顺序，那模型咋预测，简单，可能的序列有
种，那不就是一个k分类问题吗，好吧。然后模型就能学到段落中句子的关系。
说实话，我觉得能如果m比较小还行，比如m=2就很像BERT里面的NSP任务，但是m大的话，呵呵。但是，作者这种范式总结还是很赞。
Sentence Distance Task： 对于句子距离，怎么建模呢，仍然是分类来做，具体为3分类问题。
- 0类：两个句子是同一段中相邻。
- 1类：两个句子在同一段话中，但是不相邻。
- 2类：两个句子没有在同一段话中。
Semantic-aware Pre-training Tasks
Discourse Relation Task：除了句子的位置距离，那么语义关系还没有呢，于是这里提出了句子间的语义（其实是修辞）关系任务。使用了Mining discourse markers for unsupervised sentence representation learning中的英文数据训练模型，同时使用期方法自动构建了中文数据来训练中文模型。
IR Relevance Task：那么真语义相似性任务呢，这就来了，利用百度搜索引擎的数据（要是能用google的估计能好不少），判断query（第一句）和url title（第二句）的关系，也是一个三类别。
- 0表示强相关（即用户点击）。
- 1表示弱相关，即用户输入query，title被展示出来，哈哈，就是百度的搜索结果作为标签（那不全学到广告了，哈哈，开玩笑的，应该会去掉广告吧）。
- 2表示query、title完全不相关，随机选取。
那么具体是怎么训练的呢？
Continual Multi-task Learning
面临两个问题，一是使用持续学习的方式学习多个任务，并且模型不能遗忘之前的任务的知识。作者通过continual multi-task learning方法，每次训练新任务之前加载之前模型参数，并且新任务会和之前的任务一起同时训练。
另一个是怎么更高效地训练多个任务。通过对不同的任务，分配不同的迭代次数N，在不同的训练阶段框架需要自动对每个任务分配N的值，以此来保证高效并且模型不会遗忘之前任务。
那么问题来了，这个超参数N咋设置呢，炼丹吗？
实验
最重要的，数据来源，英文数据集来自于wiki百科，book corpus，收集了Reddit和Discoery data[3]作为语义关系的数据。中文预料包含百科、新闻、对话、信息检索、语义关系、搜索引擎数据。见下表
Fine-tuning任务
英文自然是GLUE任务。中文任务包含9项：阅读理解、实体识别、NLI、语义相似度、情感分析、QA。
结果自然是超过了之前的一些BERT模型。英文数据集GLUE结果
中文数据集：
训练方式对比
作者所谓的continual Multi-task Learning，分别和MTL、CL做了对比，如图
三种训练方式，continual Multi-task Learning最优，具体训练是stage1训练任务1 20k步，stage2训练任务1和任务2以3：1比例训练。以此类推，作者任务这样会
Reference
- Attention Is All You Need
- https://github.com/PaddlePaddle/ERNIE
- Mining discourse markers for unsupervised sentence representation learning
- [GLUE](
