基于百科类数据训练的 ELMo 中文预训练模型

在NLP世界里，有一支很重要的家族，英文叫做LARK（LAnguage Representations Kit），翻译成中文是语言表示工具箱。目前LARK家族最新最重要的三种算法，分别是ELMo，BERT和ERNIE。

你一定不知道，这三个普通的名字，竟然包含着一个有趣的秘密。

真相，即将揭开！

我们先从算法模型的名字寻找一些蛛丝马迹

第一位，ELMo：

来自英文Embedding from Language Models 的缩写，来自论文名为Deep contextualized word representation

第二位，BERT:

来自英文Bidirectional Encoder Representations from Transformers的缩写，来自论文名为Pre-training of Deep Bidirectional Transformers for LanguageUnderstanding

第三位，ERNIE:

来自英文Enhanced Representation through kNowledge IntEgration) 的缩，来自论文名为Enhanced Representation through Knowledge Integration

看完了，是不是，还是一头雾水，哪里有什么秘密？

不卖关子了，直接上图！

What？？

再回头看看，你还记得那三个算法的名字么？

ELMo，BERT，ERNIE

竟然都是美国经典动画片，《Sesame Street（芝麻街）》里面的卡通人物！！！

好吧，如果你说，没看过这个动画片，没感觉啊。那我举个例子，如果把《芝麻街》类比成中文《舒克和贝塔》。那么，第一篇论文把模型取做“舒克”，第二篇很有爱的就叫做“贝塔”，第三篇就硬把模型叫做“皮皮鲁”，也许不久的下一个模型就命名为“鲁西西”啦。

谁说科学家们很无聊，是不是也很童趣？

好了，扯远了，今天我们先给大家介绍LARK家族的ELMo！ 提出它的论文获得2018年NAACL最佳paper，它在NLP领域可是有着响当当的名头，让我们来认识它！

ELMo模型简介

ELMo(Embeddings from Language Models) 是重要的通用语义表示模型之一，以双向 LSTM 为网路基本组件，以 Language Model 为训练目标，通过预训练得到通用的语义表示，将通用的语义表示作为 Feature 迁移到下游 NLP 任务中，会显著提升下游任务的模型性能。

ELMo模型核心是一个双层双向的LSTM网络，与传统的word2vec算法中词向量一成不变相比，ELMo会根据上下文改变语义embedding。

一个简单的例子就是 “苹果”的词向量：

句子1：“我 买了 1斤 苹果”

句子2：“我 新 买了 1个 苹果 X”

在word2vec算法中，“苹果”的词向量固定，无法区分这两句话的区别，而ELMo可以解决语言中的二义性问题，可以带来性能的显著提升。

ELMo项目的飞桨（PaddlePaddle）实现

为了方便广大的开发者，飞桨（PaddlePaddle） 完成了ELMo的开源实现（依赖于 Paddle Fluid 1.4），发布要点如下。

注意啦，下面划重点！！！

接下来，我们看看怎么可以快速把ELMo用到我们的项目中来吧！

ELMo训练过程介绍

（1）数据预处理

将文档按照句号、问号、感叹以及内容分词预处理。预处理后的数据文件，每行为一个分词后的句子。给出了训练数据 data/train 和测试数据 data/dev的数据示例如下：

本 书 介绍 了 中国 经济 发展 的 内外 平衡问题 、 亚洲 金融 危机 十 周年 回顾 与 反思 、 实践 中 的 城乡 统筹 发展 、 未来 十 年 中国 需要 研究 的 重大 课题 、 科学 发展 与新型 工业 化 等 方面 。

吴 敬 琏 曾经 提出 中国 股市 “ 赌场 论 ” ， 主张 维护 市场 规则 ， 保护 草根 阶层 生计， 被 誉 为 “ 中国 经济 学界 良心 ” ， 是 媒体 和公众 眼中 的 学术 明星

（2）模型训练

利用提供的示例训练数据和测试数据，进行单机多卡预训练。在开始预训练之前，需要把 CUDA、cuDNN、NCCL2 等动态库路径加入到环境变量 LD_LIBRARY_PATH 之中，然后执行run.sh即可开始单机多卡预训练，run.sh文件内容如下：

export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7

python train.py \

--train_path='data/train/sentence_file_*' \

--test_path='data/dev/sentence_file_*' \

--vocab_path data/vocabulary_min5k.txt \

--learning_rate 0.2 \

--use_gpu True \

--all_train_tokens 35479 \

--local True $@

其中，all_train_tokens为train和dev统计出来的tokens总量，训练过程中，默认每个epoch后，将模型参数写入到 checkpoints 路径下，可以用于迁移到下游NLP任务。

（3）ELMo模型迁移

以 LAC 任务为示例, 将 ELMo 预训练模型的语义表示迁移到 LAC 任务的主要步骤如下：

#step1: 在已经搭建好的LAC 网络结构之后，加载 ELMo 预训练模型参数：

from bilm import

init_pretraining_params

init_pretraining_params(exe,args.pretrain_elmo_model_path, fluid.default_main_program())

#step2: 基于ELMo 字典 将输入数据转化为 word_ids，利用 elmo_encoder接口获取 ELMo embedding：

from bilm import elmo_encoder

elmo_embedding = elmo_encoder(word_ids)

#step3: ELMoembedding与 LAC 原有 word_embedding 拼接得到最终的 embedding：

• word_embedding=fluid.layers.concat(input=[elmo_embedding, word_embedding], axis=1)

好的，到这里，模型的迁移就完成了，再来回顾一下加入ELMo后对性能的提升，心动不如行动，赶紧用起来吧！

ERNIE模型简介

学习完了ELMo，我们再来了解一下LARK家族的学习成绩最好的重磅成员ERNIE，在多项NLP中文任务上表现非凡。

ERNIE通过建模海量数据中的实体概念等先验语义知识，学习真实世界的语义关系。具体来说，ERNIE 模型通过对词、实体等语义单元的掩码，使得模型学习完整概念的语义表示。相较于BERT 学习原始语言信号，ERNIE 直接对先验语义知识单元进行建模，增强了模型语义表示能力。

ERNIE在多个公开的中文数据集上进行了效果验证，包括语言推断、语义相似度、命名实体识别、情感分析、问答匹配等自然语言处理各类任务上，均超越了语义表示模型 BERT 的效果。

更多详细内容请点击文末阅读原文或参见：

https://github.com/PaddlePaddle/LARK