云从科技和上海交通大学联合宣布NLP重大突破：深层次阅读AI超越人类

云从科技和上海交通大学联合宣布NLP重大突破：深层次阅读AI超越人类

继国际象棋、围棋、游戏等领域之后，人工智能首次在深度阅读理解超越人类。

2019年3月8日，中国人工智能“国家队”云从科技和上海交通大学联合宣布，在自然语言处理（NLP Neuro-Linguistic Programming）上取得重大突破，在大型深层阅读理解任务数据集RACE数据集（ReAding Comprehension dataset collected from English Examinations）登顶第一，并成为世界首个超过人类排名的模型。

有评论认为，这会是机器深层理解人类语言的开端。

论文中，云从科技与上海交通大学基于原创DCMN算法，提出了一种全新的模型，使机器阅读理解正确率提高了4.2个百分点，并在高中测试题部分首次超越人类（机器正确率69.8%、普通人类69.4%）。

这一研究成果，在应用领域搭配文字识别OCR/语音识别技术后，NLP将会帮助机器更好地理解人类文字/语言，并广泛应用于服务领域：帮助企业判断客户风险、审计内部文档合规、从语义层面查找相关信息；在社交软件、推荐引擎软件内辅助文字审阅工作，从枯燥的人工文字工作中解放人类。

突破语义理解瓶颈

此次云从科技和上海交通大学在自然语言处理（NLP）领域的深度阅读理解上登顶RACE排行榜第一名。RACE是一个来源于中学考试题目的大规模阅读理解数据集，包含了大约28000个文章以及近100000个问题。它的形式类似于英语考试中的阅读理解（选择题），给定一篇文章，通过阅读并理解文章（Passage），针对提出的问题（Question）从四个选项中选择正确的答案（Answers）。该题型的正确答案并不一定直接体现在文章中，只能从语义层面深入理解文章，通过分析文章中线索并基于上下文推理，选出正确答案。相对以往的抽取类阅读理解，算法要求更高，被认为是“深度阅读理解”。

RACE数据集的难点在于：由于正确答案并没有直接使用文章中的话术来回答，不能直接从文中检索得到答案。必须从语义层面深入理解文章，才能准确回答问题。

解决方案

怎么让机器在庞大的题库文章中（28000个）找到正确的答案？

云从科技与上海交通大学首创了一种P、Q、与A之间的匹配机制，称为Dual Co-Matching Network（简称DCMN），并基于这种机制探索性的研究了P、Q、与A的各种组合下的匹配策略。

结果显示，采用PQ_A的匹配策略，即先将P与Q连接，然后与A匹配，策略都得到了更优的结果。

再将模型（基于PQ_A策略）与其他已知的模型、以及纯粹基于BERT自身的模型进行了比较，得到如下的结果：

从RACE leaderboard上结果比较可以得到以下结论：

l 云从科技与上海交大的单体模型就已经超越榜单上所有的单体或Ensemble模型；

l 云从科技与上海交大的Ensemble模型在高中题目（RACE-H）部分优于人类结果（Turkers）。

论文缘起

这篇论文的作者，来自中国人工智能“国家队”云从科技与上海交通大学。

云从科技孵化于中国科学院，2017年3月，承担国家“人工智能”基础项目——“人工智能基础资源公共服务平台”建设任务。

2018年10月的国家“人工智能基础资源与公共服务平台”发布会上，云从科技创始人周曦提出了人工智能发展五个阶段，核心技术闭环是五个阶段的重要基础。

从感知到认知决策的一系列技术组成了核心技术闭环：

1-感知技术：人脸识别、语音识别、文字识别OCR、体态识别、跨镜追踪（ReID）、车辆识别等

2-认知决策：自然语言处理（NLP）、脑科学、大数据分析（风控、精准营销）等

目前，云从科技承担了国家发改委与工信部的人工智能基础平台、人工智能应用平台和人工智能的核心芯片平台项目，包含智能感知技术和认知决策技术为核心的技术闭环，并刷新多项世界纪录，保持自主核心技术国际领先。

在这个基础上，云从科技正在致力整合算力、智力、数据等资源及其成果，打造人工智能开放平台与生态，进一步促进人工智能在金融、安防、交通、零售、商业等重要行业的落地与深度融合。

附：论文解读

1. DCMN匹配机制

以P与Q之间的匹配为例，说明DCMN的匹配机制。下图为P与Q之间的DCMN匹配框架。

云从科技和上海交大使用目前NLP最新的研究成果BERT分别为P和Q中的每一个Token进行编码。基于BERT的编码，可以得到的编码是一个包含了P和Q中各自上下文信息的编码，而不是一个固定的静态编码，如上图中Hp与Hq；

其次，通过Attention的方式，实现P和Q的匹配。具体来讲，是构建P中的每一个Token在Q中的Attendances，即Question-Aware的Passage，如上图中Mp。这样得到的每一个P的Token编码，包含了与Question的匹配信息；

为了充分利用BERT带来的上下文信息，以及P与Q匹配后的信息，将P中每个Token的BERT编码Hp，与P中每个Token与Q匹配后的编码Mp进行融合， 对Hp和Mp进行了元素减法及乘法操作，通过一个激活函数，得到了P与Q的最终融合表示，图中表示为Spq；

最后通过maxpooling操作得到Cpq，l维向量，用于最后的loss计算。

2. 各种匹配策略研究

除了P与A之间的匹配之外，还可以有Q与A、P与Q之间的匹配，以及不同匹配得到的匹配向量间的组合，这些不同的匹配与组合构成了不同的匹配策略。对七种不同的匹配策略分别进行了试验，以找到更加合适的匹配策略，分别是：

[P_Q; P_A; Q_A], [P_Q; P_A], [P_Q; Q_A], [P_A; Q_A], [PQ_A], [P_QA], [PA_Q]

“PA”表示先将P和A连接为一个序列，再参与匹配，“PQ”与“QA”同理。符号“[ ; ]”表示将多种匹配的结果组合在一起。[P_Q; P_A; Q_A]模式下的模型架构如下图：

7种不同策略通过试验，采用PQ_A的匹配策略，即先将P与Q连接，然后与A匹配，无论是在初中题目(RACE-M)、高中题目(RACE-H)还是整体(RACE)，该策略都得到了更优的结果。