當前位置:首頁  > 資訊  > 教程  > 谷歌 BERT 在環信 NLP 中的應用

谷歌 BERT 在環信 NLP 中的應用

發稿日期:2019-07-11 來源:用戶投稿 億智蘑菇官方微信

Google 的 BERT 模型一經發布便點燃了 NLP 各界的歡騰,Google Brain 的資深研究科學家 Thang Luong 曾給出其“開啟了 NLP 新時代”的高度定義,國內外許多公司及開發者對其進行了研究及應用,本文作者及其團隊對 BERT 進行了應用探索。

隨著 Google 推出的 BERT 模型在多種 NLP 任務上取得 SOTA,NLP 技術真正進入了大規模應用階段,環信一直致力于幫助企業應用先進的AI技術提高生產效率,對于 BERT 的探索我們一直走在了行業前列。

111.jpg

訓練模型

訓練數據

訓練其他模型時我們已經標注了大量的訓練數據,主要把相似句對分為三類來標注:

 

不相似(0)、相關(0.5)、相似(1)

 

所以,訓練 BERT 模型時就可以“拿來主義”了。

模型修改

我們的主要應用點是相似度計算,期望模型返回的結果是一個概率(分值)而不是每個類別的概率。當然如果模型給的結果是每一個類別的概率,依然可以通過加權求和輸出一個分值,但這樣是不是又復雜了。

所以我們在官方代碼上做了點小的修改(將最后的 softmax 改為了 sigmoid)使得模型輸出是一個分值,這個分值也就是我們要的相似度了。

模型訓練

我們使用之前標注的數據集在 GeForce GTX 1070 上訓練(Fine-Tune),大概訓練了 8 個小時左右。

模型導出

模型訓練完會產生幾個 Checkpoint,這些 Checkpoint 是不能直接在工程中使用的,需要導出成 PB 文件,可以使用 Estimator 的 export_savedmodel 方法導出。

 

模型使用

通過調研,主要有兩種方式:

Java JNI:基于我們的 GPU 編譯[1]一個合適的 libtensorflow 和libtensorflow_jni_gpu(如果你的配置和官方一致就不需要自己編譯 了,自己編譯太多坑,這里有一份經過驗證的編譯環境配置[2])打成 jar 包并加入到工程依賴,使用 TensorFlow 提供的 Java API 加載 BERT 模型,在你的 Java 工程中使用[3]。

Docker + Nvidia-docker + Tensorflow Serving:需要一個合適的 Tensorlfow Serving 的 image,這里有一份官方做好的 image 列表[4],當然你也可以自己做一個。

這兩種方式各有優缺點,我們主要考慮以下幾個方面:

性能:我們對兩種方案做了實驗,Tensorflow Serving 是 C++ 寫成的服務,對于 batch 做過優化[6],性能優于 Java JNI。

多模型支持能力:方案 2 是支持多模型的,也就是多個模型共用一個 GPU,方案 1 不支持。

簡單好部署:兩種方案都不復雜。

與現有服務開發和運維體系兼容性:方案 1 更有優勢。

另外,方案 2 不僅支持多模型還支持多版本、模型的冷啟動和熱加載。綜合考慮下,我們使用了方案 2 進行模型部署。

 

效果對比

我們用一些典型客戶的數據構建了測試環境,抽取這些客戶的真實訪客數據,對現有模型和 BERT 模型做了對比實驗,BERT 模型的效果相比于對照模型提高了超過 10%。

 

調用圖

這是我們的調用時序圖:

2.png

FAQ 服務->相似度計算服務:句子 1 和 句子 2 相似度是多少 ?相似度計算服務->TensorflowServing: 句子 1 和 句子 2 相似度是多少 ?Note right of TensorflowServing: bert 模型預測TensorflowServing->相似度計算服務: 句子 1 和 句子 2 相似度是 xx相似度計算服務->FAQ 服務: 句子 1 和 句子 2 相似度是 xx

這里抽象出一個相似度計算服務,是因為我們集成了多種相似度計算方法。

 

優化

后處理

這種模型的一個主要問題是:模型并不能完美解決所有問題,時不時總會有 bad case 出現。一旦模型上線,如果有問題我們無法及時解決(訓練模型和上線都會消耗大量時間)。為此我們增加了后處理,以便于我們的訓練師能夠及時干預,解決問題。

預訓練

BERT 預訓練的模型使用的數據來源于維基百科,與我們的主要應用場景不一致。我們可以猜想如果在 BERT 原有 Pre-Training 模型的基礎上,使用客服里的數據再次進行 Pre-Training 應該會更好,事實上我們也的確這樣做了。結論是影響不大,可能是數據不夠多,新的訓練實驗還在進行中。

數據標注

GPT 2.0 的出現再次證明了要想得到好的模型,不僅要有數據量,還要提高數據的品質。我們新的標注也在進行中,相信會對模型效果有所提高。

其他應用

我們在產品中還提供了意圖識別的服務,意圖識別服務要求必須能夠在線訓練。如果直接使用  BERT 來做意圖識別,很難滿足在線訓練的要求(BERT 訓練太慢了)。為此我們使用了簡單的模型來支持在線訓練,并把 Fine-tune 模型的倒數第二層作為特征,增強意圖識別的效果。

 

BERT 的近鄰

最近 Google 又攜 XLnet 屠榜了,從實驗效果看對比 BERT 確實有比較大的提升,我們也在關注中,實驗的小手已經蠢蠢欲動了。如果在我們的場景實驗效果好的話,相信我們環信的客戶很快便會體驗到。

[1]: https://github.com/tensorflow/tensorflow/blob/master/tensorflow/java/README.md

[2]: https://www.tensorflow.org/install/source#tested_build_configurations

[3]: https://github.com/tensorflow/tensorflow/blob/master/tensorflow/java/README.md

[4]: https://hub.docker.com/r/tensorflow/serving/tags

[5]: https://github.com/tensorflow/serving/blob/master/tensorflow_serving/g3doc/building_with_docker.md

[6]: https://github.com/tensorflow/serving/tree/master/tensorflow_serving/batching

[7]: https://www.tensorflow.org/tfx/serving/serving_config

[8]: https://arxiv.org/abs/1906.08237

聲明:本文為平臺用戶投稿,不代表億智蘑菇認同其觀點。
0次打賞

二維碼

關鍵詞: 谷歌  BERT      環信  NLP 
全部評論(0

Ta的熱門文章

熱門試用更多

221人申請德國Osann歐頌ROY汽車兒童安全座椅

355人申請南卡 NANK/S2跑步運動掛脖式藍牙耳機

381人申請WOWSTICK SD 螺絲刀套裝

303人申請海氏H1便攜式即熱飲水機

326人申請貝殼王子默PLUS 第三代

熱門導購更多

¥2180【安全座椅】德國Osann歐頌ROY汽車兒童安全座椅

¥249南卡 NANK/S2跑步運動掛脖式藍牙耳機

¥499【海氏】海氏H1便攜式即熱飲水機

¥499貝殼王子默PLUS 第三代

¥1341瑞典拓樂Thule 35L AllTrail X旅行登山雙肩包

山东群英会23选5