2019年清华在ACL提出ERNIE模型，同年，百度也提出一个ERNIE模型。本篇论文主要针对的是清华的模型。
BERT模型在很多NLP任务中取得很好的效果，但是BERT模型只是就事论事，缺乏对知识的理解。因此ERINE模型在输入上加入了sentence存在于知识图谱中的实体信息。比如’Bob is a writer.’，在bert中原始的输入为[‘Bob’, ‘is’, ‘a’, ‘writer’, ‘.’]，ERINE加入的额外输入为[‘Q191000’, ‘UNK’, ‘UNK’, ‘Q1910001’, ‘.’ ]。这里的’Q191000’，‘Q1910001’是’Bob’、 'writer’这两个实体的id。对于包含多个token的实体，比如Jim Henson，只会和第一个token Jim进行对齐，因为作者假设模型会自动将实体信息传递到token上。
ERNIE在Bert训练基础上，都增加了预测MASK实体，但是原本标注的实体信息可能存在错误，因此ENRIE采用了以下三个策略：
5%概率随机替换实体，以期模型可以纠正错误的实体对齐
15%概率mask掉实体，以期模型可以抽取出没有标注的实体
80%概率，保留原来的实体，以期能够将实体与知识进行融合，提高NLU效果
该模型的架构如下图所示：
在这里插入图片描述
可以看到，该模型在T-Encoder上和bert是一样的，但是K-Encoder上，ERNIE不仅包含原始的输入，还假如了实体在知识图谱中的信息。
根据原始代码，可以画出如下的结构图：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
引用：像ERNIE那样做个有知识的BERT
输入token以及entities的enbedding后，分别用5层bertlayer_sim（T-Encoder，即原始的transformer）、1层bertlayermix（K-Encoder）、6层bertlayer（K-Encoder）得到最终输出。
在普通任务上，bert和ERNIE模型的输入是一样的，但在实体相关的任务上，ERNIE需要经过特殊处理。Entity Typing任务中，在实体两端加入ENT这个token；在Relation Classification任务中，在头部实体两端加入HD这个token，在尾部实体加入TL这个token。
————————————————
版权声明：本文为CSDN博主「weixin_43178406」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_43178406/article/details/91047913
