谷歌BERT遭遇对手，微软UniLMAI突破大量文本处理瓶颈

编 | 云鹏

导语：它已经掌握了28996个词汇，但它还要学习更多。

智东西10月17日消息，去年10月谷歌发布的BERT模型已经在阅读理解测试中全面超越人类，今天微软的UniLM模型将这一领域的研究推向了新的高度。

微软近日推出的UniLM AI训练模型通过改变传统AI系统学习方式，成功实现单向预测，突破了自然语言处理中大量文本修改的瓶颈。

一、改变双向预测方式

语言模型预训练（Language model pretraining）是一种机器语言处理技术，它通过依据文本预测词汇的方式，教会机器学习系统（machine learning systems）如何把文本情景化地表述出来。它代表了自然语言处理（natural language processing）领域的最新突破。

目前，像谷歌的BERT模型，是双向预测，也就是根据左右两侧的词汇来预测，因此不适合大量文本的处理。

▲谷歌BERT模型

为此，微软科学家们研究出了UniLM（UNIfied pre-trained Language Model）这种新模型。该模型可以完成单向、序列到序列（sequence-to-sequence）和双向预测任务，并且可以针对自然语言的理解和生成进行微调（fine-tuned）。

微软表示它在各类常见的基础测试中都要优于BERT，并且在自然语言处理的一些测试项目中取得了该领域的最新突破。

二、“变形金刚”的威力

▲UniLM模型概览

UniLM模型是一个多层网络，其核心是由Transformer AI模型组成的，这些模型针对大量文本进行了共同的预训练，并针对语言建模进行了优化。

跟其他AI系统学习预测方式不同的是，Transformer AI将每个输出元素都连接到每个输入元素。它们之间的权重是可以动态调整的。

微软研究人员认为，经过预训练的UniLM与BERT类似，可以进行微调以适应各种下游任务。但是与BERT不同，UniLM可以通过一种特殊方式（using different self-attention masks），汇总不同类型语言模型的上下文。

此外，Transformer网络可以共享从历史训练中学到的数据，不仅使学习到的文本表示更加通用，也降低了对单一任务的处理难度。

三、学海无涯

微软研究人表示，UniLM通过学习英语维基百科（English Wikipedia）和开源BookCorpus的文章后，已经拥有高达28996的词汇量。并且在预培训后，UniLM的跨语言任务表现也非常好。

团队人员表示，UniLM未来发展的空间还很大，例如在“网络规模（web-scale）”的文本语料库上训练较大的模型来突破当前方法的局限性。

他们还希望让UniLM在跨语言任务中取得更大突破。

结语：自然语言处理领域的重大突破

自然语言处理，是人工智能界、计算机科学和语言学界所共同关注的重要问题，它对于实现人机间的信息交流起着重要作用。

谷歌BERT和微软的UniLM是这一领域的开拓者，后者通过单向预测突破了大量文本处理的难题，进而提升了此类AI在实际应用中的价值。

此次谷歌霸主地位被动摇，也势必将在该领域引发更加精彩的AI大战。

原文来源：Venturebeat