超過Google，微信AI在NLP領(lǐng)域又獲一項世界第一

乾明 2019-10-17 12:51:10 來源：量子位

乾明 發(fā)自 G151

量子位 報道 | 公眾號 QbitAI

微信AI，NLP領(lǐng)域又獲一項世界第一，這次是在機器閱讀理解方面。

在專門考驗計算機數(shù)學(xué)推理能力的DROP數(shù)據(jù)集上，微信AI最新方案超過了Google Research，排名第一，成為SOTA。

今年3月，在第七屆對話系統(tǒng)技術(shù)挑戰(zhàn)賽（DSTC7）上，首次亮相的微信智言團隊一路過關(guān)斬將，最終拿下冠軍。

不過這一次，微信AI團隊說，這不僅是他們在機器閱讀理解方面的進展，也是他們在數(shù)學(xué)推理方面的第一篇工作。

這一方案，并沒有以當(dāng)前業(yè)界主流的BERT為核心，而是以數(shù)字感知的圖神經(jīng)網(wǎng)絡(luò)（NumGNN）方案為基礎(chǔ)。

微信AI團隊介紹，在NumGNNd為核心的情況下，結(jié)合NAQANet的基礎(chǔ)模塊以及改進的前處理方法，在不使用BERT、RoBERTa等預(yù)訓(xùn)練模型的條件下，就能獲得了高達67.97%的F1值。

在實際提交到榜單上的NumNet+上，他們又進一步融入RoBERTa的能力，并增加了對多span型問題的支持，從而使單模型 F1值能夠高達82.99%。

從而，他們也得出了一個結(jié)論：

即使不使用BERT等預(yù)訓(xùn)練模型，模型的效果就已經(jīng)比使用BERT的好了。

微信AI團隊說，這一方案可以幫助人工智能提升閱讀理解能力和邏輯推理能力，將來也會將其中的技術(shù)應(yīng)用到騰訊小微智能對話助手中。

不過區(qū)別于谷歌和百度等智能語音助手的To C產(chǎn)品形式，目前騰訊小微智能對話助手，主要還是以云服務(wù)形式對外輸出。

微信成績意味著什么？AI考數(shù)學(xué)

先從數(shù)據(jù)集DROP說起。

DROP數(shù)據(jù)集，由AI2（Allen Institute for Artificial Intelligence）實驗室提出，主要考察的是模型做類似數(shù)學(xué)運算相關(guān)的操作能力。

（小巧合，微信之父張小龍英文名也叫Allen，但allen.ai的域名屬于AI2）

與SQuAD數(shù)據(jù)集中大多都是“劉德華老婆是誰？”的問題不同，其中的問題會涉及到數(shù)學(xué)運算的情況。

比如說，給我們5個人每個人買2個蛋撻，一共要買幾個蛋撻？

這個問題對于人來說很簡單，但對于機器來說卻很困難。

微信AI團隊解釋了這背后的原因：機器不僅要能夠比較數(shù)字相對的大小，還要能夠知道和哪些數(shù)字做比較并進行推理，這就需要把數(shù)字相對的大小等等知識注入模型。

但在之前大多數(shù)機器閱讀理解模型中，基本上都將數(shù)字與非數(shù)字單詞同等對待，無法獲知數(shù)字的大小關(guān)系，也不能完成諸如計數(shù)、加減法等數(shù)學(xué)運算。

正是基于這一原因，微信AI團隊提出了一種數(shù)字感知的圖神經(jīng)網(wǎng)絡(luò)（numerically-aware graph neural network，NumGNN），并基于此提出了NumNet。

一方面利用圖的拓撲結(jié)構(gòu)編碼數(shù)字間的大小關(guān)系，將文章和問題中的數(shù)字作為圖結(jié)點，在具有“>”和“<=”關(guān)系的數(shù)字間建立有向邊，從而將數(shù)字的大小關(guān)系作為先驗知識注入模型。

具體來講，給定一個問題和一段文本，先把問題里面的數(shù)字和文本里面的數(shù)字都抽出來。

每個數(shù)字就是圖上一個節(jié)點，同時對于任意兩個數(shù)字，假如A數(shù)字和B數(shù)字，如果A大于B的話，那么A和B中間加一條有向邊，表示數(shù)字A和B之間是A大于B的關(guān)系。

如果A小于等于B，則會加另外一種有向邊，把它們兩個連接起來。通過這種操作，用圖的拓譜結(jié)構(gòu)把數(shù)字相對大小知識注入模型。

另一方面，是結(jié)合文本信息去做更復(fù)雜的數(shù)學(xué)推理，具體的實現(xiàn)方式是使用圖卷積神經(jīng)網(wǎng)絡(luò)在前述圖結(jié)構(gòu)上執(zhí)行推理，從而支持更復(fù)雜的數(shù)學(xué)推理功能。

超過Google方案，斬獲全球第一

在DROP數(shù)據(jù)集的LEADERBOARD上，微信AI團隊的方案為NumNet+。

微信AI團隊介紹稱，這一方案的基礎(chǔ)與NumNet一樣，都是NumGNN。

在新的方案中，用預(yù)訓(xùn)練模型替換了NumNet中的未經(jīng)過預(yù)訓(xùn)練的Transformer作為encoder，進一步融入了RoBERTa的能力以及對多span型問題的支持。

從而實現(xiàn)了單模型 F1值 82.99%的效果，一舉超過Google Research的BERT-Calculator Ensemble方案，成為榜單第一。

盡管取得的效果還不錯，但在微信AI團隊來看，但還有很多缺陷。

比如說，目前能夠支持的數(shù)學(xué)表達式種類還是受到一定限制。尤其是DROP數(shù)據(jù)集的局限，其對文本理解的要求更高，但需要的數(shù)學(xué)推理難度比解數(shù)學(xué)應(yīng)用題那類問題來得相對簡單一點。

微信AI團隊說，如何把兩者更好的結(jié)合起來，使得整個模型的能力進一步的提升，是他們下一步考慮的問題。

而且，他們也說，并不會把注意力集中在用GNN來解決數(shù)字推理的問題上，后面也會重點去考慮其他的方式。

更具體來說，是能夠?qū)rithmetic word problems (AWPs)相關(guān)工作中處理復(fù)雜數(shù)學(xué)表達式相關(guān)的方法能夠進行吸收融合，進一步提升模型的推理能力。

更多詳情，可以前往DROP數(shù)據(jù)集LEADERBOARD：

https://leaderboard.allenai.org/drop/submissions/public

而微信AI這次的研究成果，已經(jīng)被EMNLP2019收錄，論文也已公開發(fā)表：

NumNet: Machine Reading Comprehension with Numerical Reasoning

https://arxiv.org/abs/1910.06701

項目地址：

https://github.com/llamazing/numnet_plus