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。

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。

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：

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

— 完 —

量子位 QbitAI · 头条号签约

关注我们，第一时间获知前沿科技动态