1.ERNIE1.0
ERNIE（Enhanced Representation through Knowledge Integration） 是百度基于BERT开发的NLP模型。ERNIE使用了更多的语料，除维基百科等数据集外，还使用了中文维基百科，百度百科，百度新闻，百度贴吧数据集。该模型的参数： L = 12，H = 768，A = 12 （BERT BASE）。
ERNIE实现了实体级别的Mask，实体级别的连续Mask改变了训练Task，而BERT是基于单字的Mask，其区别如下图所示：
ERNIE的实体级别的Mask包括单字、实体和短语等三个级别，实现字粒度的输入：
使用不同级别的Mask效果如下：
ERNIE还采用了Dialog embedding，输入层使用多轮对话修改NSP任务（random replace 构造负样本）
2.ERNIE2.0
2.1 整体框架
随后百度使用Reddit和搜索数据扩充了数据集，提出多任务持续学习训练框架并构建三种类型的无监督任务，但保持参数与BERT一致，建立ERNIE2.0。其整体框架如下：
1）连续多任务学习不遗忘之前的训练结果；多任务高效的进行训练；使用上一任务的参数，并且新旧任务一起训练；将每个任务分成多次迭代，框架完成不同迭代的训练自动分配
2）多任务训练
Sentence level loss & word level loss；每个任务有独立的loss function， sentence task 可以和word task 一起训练
2.2 模型结构
ERNIE2.0基于三种类型的无监督任务进行训练，其模型结构如下：
1）词法级别预训练任务（MASK LM）
Knowledge Masking Task（ERNIE 1.0）：学习当前和全局依赖
Capitalization Prediction Task：大写用于专名识别等，小写也可用在其他任务
Token-Document Relation Prediction Task：token存在段落A中是否token会在文档的段落B中出现
2）语言结构级别预训练任务（NSP）
Sentence Reordering Task：文档中的句子打乱（分成1到m段，shuffle），识别正确顺序
Sentence Distance Task：句子间的距离，3分类任务
0 :相连的句子
1：同一文档中不相连的句子
2：两篇文档间的句子
3）语法级别预训练任务（NSP）
Discourse Relation Task：计算两句间的语义与修辞关系IR
Relevance Task：短文本信息检索关系（百度的核心）
Query-title （搜索数据）
0：搜索并点击（需求，服务业务场景）
1：搜索并展现（先验，相关性）
2：无关，随机替换（不想关）
2.3 连续多任务学习的效果
参考资料
[3]ERNIE 2.0
[4]ERNIE源码
