超过Google，微信AI在NLP领域又获一项世界第一

【大咖・来了 第7期】10月24日晚8点观看《智能导购对话机器人实践》

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

微信AI，NLP领域又获一项世界第一，这次是在机器阅读理解方面。

在专门考验计算机数学推理能力的DROP数据集上，微信AI最新方案超过了Google Research，排名第一，成为SOTA。

今年3月，在第七届对话系统技术挑战赛（DSTC7）上，首次亮相的微信智言团队一路过关斩将，最终拿下冠军。

不过这一次，微信AI团队说，这不仅是他们在机器阅读理解方面的进展，也是他们在数学推理方面的第一篇工作。

这一方案，并没有以当前业界主流的BERT为核心，而是以数字感知的图神经网络（NumGNN）方案为基础。

微信AI团队介绍，在NumGNNd为核心的情况下，结合NAQANet的基础模块以及改进的前处理方法，在不使用BERT、RoBERTa等预训练模型的条件下，就能获得了高达67.97%的F1值。

在实际提交到榜单上的NumNet+上，他们又进一步融入RoBERTa的能力，并增加了对多span型问题的支持，从而使单模型 F1值能够高达82.99%。

从而，他们也得出了一个结论：

即使不使用BERT等预训练模型，模型的效果就已经比使用BERT的好了。

微信AI团队说，这一方案可以帮助人工智能提升阅读理解能力和逻辑推理能力，将来也会将其中的技术应用到腾讯小微智能对话助手中。

不过区别于谷歌和百度等智能语音助手的To C产品形式，目前腾讯小微智能对话助手，主要还是以云服务形式对外输出。

微信成绩意味着什么？AI考数学

先从数据集DROP说起。

DROP数据集，由AI2（Allen Institute for Artificial Intelligence）实验室提出，主要考察的是模型做类似数学运算相关的操作能力。

（小巧合，微信之父张小龙英文名也叫Allen，但allen.ai的域名属于AI2）

与SQuAD数据集中大多都是“刘德华老婆是谁？”的问题不同，其中的问题会涉及到数学运算的情况。

比如说，给我们5个人每个人买2个蛋挞，一共要买几个蛋挞？

这个问题对于人来说很简单，但对于机器来说却很困难。

微信AI团队解释了这背后的原因：机器不仅要能够比较数字相对的大小，还要能够知道和哪些数字做比较并进行推理，这就需要把数字相对的大小等等知识注入模型。

但在之前大多数机器阅读理解模型中，基本上都将数字与非数字单词同等对待，无法获知数字的大小关系，也不能完成诸如计数、加减法等数学运算。

正是基于这一原因，微信AI团队提出了一种数字感知的图神经网络（numerically-aware graph neural network，NumGNN），并基于此提出了NumNet。

一方面利用图的拓扑结构编码数字间的大小关系，将文章和问题中的数字作为图结点，在具有“>”和“<=”关系的数字间建立有向边，从而将数字的大小关系作为先验知识注入模型。

具体来讲，给定一个问题和一段文本，先把问题里面的数字和文本里面的数字都抽出来。

每个数字就是图上一个节点，同时对于任意两个数字，假如A数字和B数字，如果A大于B的话，那么A和B中间加一条有向边，表示数字A和B之间是A大于B的关系。

如果A小于等于B，则会加另外一种有向边，把它们两个连接起来。通过这种操作，用图的拓谱结构把数字相对大小知识注入模型。

另一方面，是结合文本信息去做更复杂的数学推理，具体的实现方式是使用图卷积神经网络在前述图结构上执行推理，从而支持更复杂的数学推理功能。

超过Google方案，斩获全球第一

在DROP数据集的LEADERBOARD上，微信AI团队的方案为NumNet+。

微信AI团队介绍称，这一方案的基础与NumNet一样，都是NumGNN。

在新的方案中，用预训练模型替换了NumNet中的未经过预训练的Transformer作为encoder，进一步融入了RoBERTa的能力以及对多span型问题的支持。

从而实现了单模型 F1值 82.99%的效果，一举超过Google Research的BERT-Calculator Ensemble方案，成为榜单第一。

尽管取得的效果还不错，但在微信AI团队来看，但还有很多缺陷。

比如说，目前能够支持的数学表达式种类还是受到一定限制。尤其是DROP数据集的局限，其对文本理解的要求更高，但需要的数学推理难度比解数学应用题那类问题来得相对简单一点。

微信AI团队说，如何把两者更好的结合起来，使得整个模型的能力进一步的提升，是他们下一步考虑的问题。

而且，他们也说，并不会把注意力集中在用GNN来解决数字推理的问题上，后面也会重点去考虑其他的方式。

更具体来说，是能够将arithmetic word problems (AWPs)相关工作中处理复杂数学表达式相关的方法能够进行吸收融合，进一步提升模型的推理能力。

更多详情，可以前往DROP数据集LEADERBOARD：

https://leaderboard.allenai.org/drop/submissions/public

而微信AI这次的研究成果，已经被EMNLP2019收录，论文也已公开发表：

NumNet: Machine Reading Comprehension with Numerical Reasoning

https://arxiv.org/abs/1910.06701