文 / 創(chuàng)意技術專家 Philip Bayer；軟件工程師 Ping Yu 和開發(fā)技術推廣工程師 Jason Mayes

在探索 BERT 針對語言的有益用例時，我們發(fā)現(xiàn)了許多令人興奮的研究。我們想知道：如果我們可以讓您更方便地在網(wǎng)絡瀏覽器中使用 BERT，將會怎么樣？這將實現(xiàn)哪些可能的有趣用例？

在 Google 中搜索提出類似于“自由女神像有多高？”的問題，并從網(wǎng)絡中得到答案（305 英尺）很容易。但是，還沒有辦法可以輕松針對具體內(nèi)容（例如，新聞報道、研究論文或文章）用自然語言提問。您或許可以嘗試使用瀏覽器中的“在網(wǎng)頁中查找”這一搜索功能 (CTRL + F)，但此功能依賴于字詞的直接匹配（通過搜索的關鍵字進行匹配）。那么，輸入一個完整的問題而不是要查找的關鍵字，期待頁面上能夠突出顯示答案，會不會更易實現(xiàn)？

為了探索這一想法，我們使用 MobileBERT 問答模型制作了 Chrome 擴展程序的原型，可以在瀏覽網(wǎng)頁時提出任何問題。通過 TensorFlow.js ，該擴展程序會根據(jù)頁面內(nèi)容返回答案。模型完全在設備端的瀏覽器會話中運行，因此，無需向服務器發(fā)送內(nèi)容，這樣可以保護隱私。

MobileBERT 問答模型
https://github.com/tensorflow/tfjs-models/tree/master/qna

本文將介紹我們的早期試驗，并分享我們的發(fā)現(xiàn)，闡述如何通過開源的 TensorFlow.js BERT 模型來構建此類應用。探索示例很有幫助，在一些示例中，我們得到了所需的答案，而在一些示例中，我們沒有得到所期待的結果。這讓我們得以了解模型的潛力及其當前限制。我們希望這些示例可以幫助所有人都參與進來，并讓每個人都能思考機器學習可以怎樣為語言提供幫助。

TensorFlow.js BERT 模型
https://github.com/tensorflow/tfjs-models/tree/master/qna

△ 使用 Chrome 擴展程序，問一個有關文章的問題，并得到答案

我們的發(fā)現(xiàn)

以下是我們獲得了有用答案的一些結果：

介紹螃蟹（鏈接見文末）- 問題：“How do they move?”答案：“Crabs typically walk sideways”

某產(chǎn)品照明燈介紹頁- 問題：“Can it get wet?”答案：“submersion in up to 1m of water for 30min”

某汽車測評 - 問題：“Gas mileage”答案：“19 miles per gallon in the city”

介紹木質(zhì)摩天樓 - 問題：“How tall is it”答案：“280 feet in height”

千層面配方介紹 - 問題：“How long in the oven”答案：“25 minutes”

在一些示例中，模型沒有返回我們期待的答案，但探索這些示例一樣有趣。以下是我們找到的幾個示例：

某產(chǎn)品介紹頁 - 問題：“What is the pitcher made of?”返回的答案是“Ice mode pulses at staggered intervals to uniformly crush a pitcher of ice in seconds”，而不是“BPA-free polycarbonate pitcher”

某文章 - 問題：“Were the sharks real?”返回的文字是“sharks! sharks”，但問到相關問題“How did the sharks work?”時，給出的答案較為有用：“mechanical sharks often malfunctioned”

機器學習模型的工作原理

MobileBERT 問答模型可用于構建一套可用自然語言來回答用戶問題的系統(tǒng)。模型使用預訓練的 BERT 模型創(chuàng)建，后者基于 SQuAD 1.1 (Stanford Question Answering Dataset) 進行了微調(diào)。這是一種預訓練語言表征的新方法，語言表示可以在各種自然語言處理 (NLP) 任務中獲取最前沿 (SOTA) 的結果。

MobileBERT 問答模型
https://github.com/tensorflow/tfjs-models/tree/master/qna

BERT 模型
https://github.com/google-research/bert

我們很高興地宣布，此模型現(xiàn)在可以在 TensorFlow.js 中供您的用例使用。MobileBERT 模型是一個緊湊型 BERT 變體，可以部署到資源有限的設備上。

TensorFlow.js 中
https://tensorflow.google.cn/js/models/

該模型將段落和問題作為輸入，然后返回一段最有可能回答問題的段落。由于我們使用的是 TensorFlow.js，所有操作均在客戶端的網(wǎng)絡瀏覽器中進行。這意味著，用戶隱私可以得到保護，不會將您的檢索文本發(fā)送到服務器。

TensorFlow.js
https://tensorflow.google.cn/js

TensorFlow.js BERT API

該模型使用起來超級簡單。請看下面的代碼段：

正如您看到的，前兩行用于從托管腳本中加載 TensorFlow.js 庫和 Q&A（問答）模型，因此，我們可以執(zhí)行問答搜索。這只需要調(diào)用一次 - 模型位于內(nèi)存中時，將保持加載狀態(tài)。然后，我們可以重復調(diào)用 findAnswers()，向其傳遞兩個字符串。第一個字符串是用戶要提出的問題，第二個字符串是我們想要用來進行搜索的文字（例如，頁面上的文字）。之后，我們將返回 results 對象，其結構如下所示：

[ { text: string, score: number, startIndex: number, endIndex: number } ]

您將獲得一組對象，表示可以最好地解答問題的段落的各個部分，同時還會獲得一個分數(shù)，表示回答正確的置信度。另外，我們還會得到答案文字的索引，便于定位答案文字在上下文字符串中的位置。這就是全部內(nèi)容！借助此數(shù)據(jù)，您現(xiàn)在可以突出顯示找到的文字，返回一些較豐富的結果，或?qū)崿F(xiàn)一些創(chuàng)造性的應用。

如果您想自己嘗試 MobileBERT 問答模型，我們很高興地告訴您，該模型現(xiàn)已開放源代碼，您可以在我們的 GitHub 倉庫中找到它。如果您實現(xiàn)了一些有趣應用，請與我們分享，我們期待看到有更多豐富的應用與創(chuàng)意！

GitHub
https://github.com/tensorflow/tfjs-models/tree/master/qna

分享
http://services.google.cn/fb/forms/TFCS/?channel=wechat

如果您想詳細了解 本文提及 的相關內(nèi)容，請參閱以下文檔。這些文檔深入探討了這篇文章中提及的許多主題：

介紹螃蟹
https://en.wikipedia.org/wiki/Crab

某產(chǎn)品頁介紹照明燈
https://www.rei.com/rei-garage/product/167000/black-diamond-spot-headlamp

某汽車測評
https://www.autotrader.com/car-reviews/2020-infiniti-q60-review-281474979991514

介紹木質(zhì)摩天樓
https://www.cnn.com/style/article/wooden-skyscraper-revolution-timber/index.html

千層面配方介紹
https://www.allrecipes.com/recipe/23600/worlds-best-lasagna/?internalSource=hub%20recipe&referringContentType=Search

某產(chǎn)品介紹頁
https://www.bedbathandbeyond.com/store/product/kitchenaid-reg-5-speed-diamond-blender/3242409

某文章
https://en.wikipedia.org/wiki/Jaws_(film)

責任編輯：xj

原文標題：用 TensorFlow.js 探索 BERT 在瀏覽器中的趣味實踐

文章出處：【微信公眾號：TensorFlow】歡迎添加關注！文章轉(zhuǎn)載請注明出處。