本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

還在擔心大語言模型“啥都吃”，結(jié)果被用假信息訓練了？

放在以前，這確實是訓練NLP模型時值得擔心的一個難題。

現(xiàn)在，谷歌從根本上解決了這個問題。

他們做了個名為TEKGEN的AI模型，直接將知識圖譜用“人話”再描述一遍，生成語料庫，再喂給NLP模型訓練。

這是因為，知識圖譜的信息來源往往準確靠譜，而且還會經(jīng)過人工篩選、審核，質(zhì)量有保障。

目前，這項研究已經(jīng)被NAACL 2021接收。

如何讓AI用“人話”描述知識圖譜？

谷歌用來描述知識圖譜的TEKGEN模型，全名Text from KG Generator（知識圖譜文本生成器）。

它會讀取一個知識圖譜中的所有詞語，捋清它們之間的關系，再用“人話”說出來。

從下圖中來看，轉(zhuǎn)換語句分為2步：

首先，將關系圖譜中的詞語，按邏輯進行排列；然后，再添加一些詞語、并調(diào)整語句間的邏輯關系，將它們變成一段完整的話。

為了實現(xiàn)這個功能，TEKGEN包含4個部分：

• 三元組（包含主語、賓語、關系詞）生成器。將維基百科的知識圖譜、和維基百科文本描述進行對應，生成訓練數(shù)據(jù)集。
• T5的文本-文本生成器，用于將三元組轉(zhuǎn)換成文本信息。
• 實體子圖創(chuàng)建器。用于將三元組中的文本信息轉(zhuǎn)換成語句。
• 語義質(zhì)量濾波器。這部分用來處理低質(zhì)量的輸出，保證生成的語句質(zhì)量。

整體來看，用TEKGEN生成語句的流程是這樣的：

生成后的語句，就能用來放心地訓練大語言模型了。

這份生成的語料庫，由4500萬個三元組生成，組合起來的句子有1600萬句。

那么，用這個語料庫訓練的NLP模型，是否真能取得更好的效果呢？

“滿分5分，人類給它4.3分”

先來看幾個連詞成句的實例效果。

從輸入的詞語來看，只有主語、賓語，以及這兩個詞語之間的關系。

但TEKGEN似乎“悟”出了什么，很快就將這些句子組合成了一段正常的語句。

不僅時間、地點、從屬關系等分得非常清楚，邏輯上也符合我們平時說話的語序。

那么，滿分5分的話，人類對于AI的“圖文轉(zhuǎn)換”能力給出幾分呢？

谷歌找了些志愿者來進行測評，從結(jié)果來看，TEKGEN在“語義”和“流暢度”兩方面，均取得了4.3分以上的好成績。

當然，這里面也用LAMA（LAnguage Model Analysis） probe，來對用這個語料庫訓練的模型進行了評估。

在Google-RE和TREx兩個數(shù)據(jù)集上，經(jīng)過預訓練的模型，在各項任務上均取得了非常好的效果。

說不定，將來真能讓AI去試試高考語文的“圖文轉(zhuǎn)換”題：

作者介紹

論文一作小姐姐Oshin Agarwal，是賓夕法尼亞大學的計算機系在讀博士生，研究方向是自然語言處理中的信息抽取。

這篇論文，是她在谷歌實習期間完成的。

來自谷歌的Heming Ge、Siamak Shakeri和Rami Al-Rfou也參與了這項工作。

目前，作者們已經(jīng)將這個用知識圖譜生成的語料庫放了出來。

想要訓練NLP模型的小伙伴，可以用起來了~

論文地址：
https://arxiv.org/abs/2010.12688

用知識圖譜生成的語料庫：
https://github.com/google-research-datasets/KELM-corpus