萧箫 发自 凹非寺
量子位 报道 | 公众号 QbitAI

还在担心大语言模型“啥都吃”，结果被用假信息训练了？

放在以前，这确实是训练NLP模型时值得担心的一个难题。

现在，谷歌从根本上解决了这个问题。

他们做了个名为TEKGEN的AI模型，直接将知识图谱用“人话”再描述一遍，生成语料库，再喂给NLP模型训练。

这是因为，知识图谱的信息来源往往准确靠谱，而且还会经过人工筛选、审核，质量有保障。

目前，这项研究已经被NAACL 2021接收。

如何让AI用“人话”描述知识图谱？

谷歌用来描述知识图谱的TEKGEN模型，全名Text from KG Generator（知识图谱文本生成器）。

它会读取一个知识图谱中的所有词语，捋清它们之间的关系，再用“人话”说出来。

从下图中来看，转换语句分为2步：

首先，将关系图谱中的词语，按逻辑进行排列；然后，再添加一些词语、并调整语句间的逻辑关系，将它们变成一段完整的话。

为了实现这个功能，TEKGEN包含4个部分：

• 三元组（包含主语、宾语、关系词）生成器。将维基百科的知识图谱、和维基百科文本描述进行对应，生成训练数据集。

• T5的文本-文本生成器，用于将三元组转换成文本信息。

• 实体子图创建器。用于将三元组中的文本信息转换成语句。

• 语义质量滤波器。这部分用来处理低质量的输出，保证生成的语句质量。

整体来看，用TEKGEN生成语句的流程是这样的：

生成后的语句，就能用来放心地训练大语言模型了。

这份生成的语料库，由4500万个三元组生成，组合起来的句子有1600万句。

那么，用这个语料库训练的NLP模型，是否真能取得更好的效果呢？

“满分5分，人类给它4.3分”

先来看几个连词成句的实例效果。

从输入的词语来看，只有主语、宾语，以及这两个词语之间的关系。

但TEKGEN似乎“悟”出了什么，很快就将这些句子组合成了一段正常的语句。

不仅时间、地点、从属关系等分得非常清楚，逻辑上也符合我们平时说话的语序。

那么，满分5分的话，人类对于AI的“图文转换”能力给出几分呢？

谷歌找了些志愿者来进行测评，从结果来看，TEKGEN在“语义”和“流畅度”两方面，均取得了4.3分以上的好成绩。

当然，这里面也用LAMA（LAnguage Model Analysis） probe，来对用这个语料库训练的模型进行了评估。

在Google-RE和TREx两个数据集上，经过预训练的模型，在各项任务上均取得了非常好的效果。

说不定，将来真能让AI去试试高考语文的“图文转换”题：

作者介绍

论文一作小姐姐Oshin Agarwal，是宾夕法尼亚大学的计算机系在读博士生，研究方向是自然语言处理中的信息抽取。

这篇论文，是她在谷歌实习期间完成的。

来自谷歌的Heming Ge、Siamak Shakeri和Rami Al-Rfou也参与了这项工作。

目前，作者们已经将这个用知识图谱生成的语料库放了出来。

想要训练NLP模型的小伙伴，可以用起来了~

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

用知识图谱生成的语料库：
https://github.com/google-research-datasets/KELM-corpus

参考链接：
https://ai.googleblog.com/2021/05/kelm-integrating-knowledge-graphs-with.html