超30亿中文数据首发！首个专为中文NLP打造的GLUE基准发布

2019 年 10 月 26 日 新智元

AI WORLD 2019 世界人工智能峰会精彩重放！

10 月 18 日，2019 中关村论坛平行论坛 ——AI WORLD 2019 世界人工智能峰会在北京启幕。新智元杨静、科大讯飞胡郁、微软王永东、华为王成录、英特尔宋继强、旷视及智源学者孙剑、滴滴叶杰平、AWS 张峥、依图颜水成、地平线黄畅、autowise.ai 黄超等重磅嘉宾中关村论剑，重启充满创新活力的 AI 未来。峰会现场，新智元揭晓 AI Era 创新大奖，并重磅发布 AI 开放创新平台和献礼新书《智周万物：人工智能改变中国》。回放链接：

【腾讯科技】

客户端：https://view.inews.qq.com/a/TEC2019101600718500

PC 端：http://v.qq.com/live/p/topic/74606/preview.html

【海淀融媒】

https://m.toutiaoimg.cn/i6748195040323062540

【新浪科技】

http://video.sina.com.cn/l/p/1728577.html

新智元报道

来源：新智元

编辑：鹏飞

【新智元导读】首个专为中文量身打造的ChineseGLUE来袭！目前拥有八个数据集的整体测评及其基线模型，20多位来自各个顶尖机构的自愿者加入并成为了创始会员。还发布了已经处理好的大规模中文语料，可用于语言理解、预训练、文本生等任务，包含14G左右数据，含30亿中文字，已在新智元小程序宣布首发！欢迎来新智元 AI 朋友圈与大咖一起讨论～

GLUE终于有中文版了！

如果要评选NLP领域基准TOP 3，GLUE必须拥有姓名。GLUE是一个自然语言任务集合，包含了以下任务：

但一直以来GLUE只针对英文，没有专门针对全世界使用人数最多的语言汉语的GLUE基准。

为什么会有ChineseGLUE？

和英文这种基于字母的语言不同，中文是象形文字，字与字之间没有分隔符，不同的分词(分字或词)会影响下游任务。显然当前的GLUE无法满足中文NLP。

相对于英文的数据集，中文的公开可用的数据集还比较少。很多数据集是非公开的或缺失基准测评的；多数的论文描述的模型是在英文数据集上做的测试和评估，那么对于中文效果如何？不得而知。

如今，预训练模型极大的促进了自然语言理解。不同的预训练模型相继产生，但不少最先进(state of the art)的模型，并没有官方的中文的版本，也没有对这些预训练模型在不同任务上的公开测试，导致技术的发展和应用还有不少距离，或者说技术应用上的滞后。

是时候推出针对中文的GLUE基准了！

现在，由算法专家、AlBERT第一作者等20余位顶尖专业人才成立“开源协助组织”，共同推出了针对中文的GLUE基准：ChineseGLUE。

【中文任务基准测评ChineseGLUE】地址：

https://github.com/chineseGLUE/chineseGLUE

专为中文量身打造的ChineseGLUE，还发布了已经处理好的大规模中文语料，可用于语言理解、预训练、文本生等任务，包含14G左右数据，含30亿中文字，已在新智元小程序宣布首发！

地址：

http://106.13.187.75:8003/index

针对中文的GLUE基准：ChineseGLUE诞生！

ChineseGLUE即中文语言理解测评基准，包括代表性的数据集、基准(预训练)模型、语料库、排行榜。

新智元获悉，团队的“目标”是跑遍主流的中文数据集。解决当前中文任务公开可用数据集匮乏、没有基准测评、最先进的预训练模型不足等中文任务基础设施问题。

为更好的服务中文语言理解、任务和产业界，做为通用语音模型测评的补充，通过完善中文语言理解基础设施的方式来促进中文语言模型的发展。

该基准会选择一系列有一定代表性的任务对应的数据集，作为测试基准的数据集。这些数据集会覆盖不同的任务、数据量、任务难度。中文任务的基准测试也会覆盖多个不同程度的语言任务。

除此之前，ChineseGLUE也包括了：

公开的排行榜
基线模型，包含开始的代码、预训练模型
语料库，用于语言建模、预训练或生成型任务

可用于语言建模、预训练或生成型任务等，数据量超过14G，主要部分来自于nlp_chinese_corpus项目。

当前语料库按照【预训练格式】处理，内含有多个文件夹；每个文件夹有许多不超过4M大小的小文件，文件格式符合预训练格式：每句话一行，文档间空行隔开。

包含如下子语料库（总共14G语料）：

新闻语料: 8G语料，分成两个上下两部分，总共有2000个小文件。
社区互动语料：3G语料，包含3G文本，总共有900多个小文件。
维基百科：1.1G左右文本，包含300左右小文件。
评论数据：2.3G左右文本，含有811个小文件，合并ChineseNLPCorpus的多个评论数据，清洗、格式转换、拆分成小文件。

这些语料，可以通过这两个项目，清洗数据并做格式转换获得；也可以通过邮件申请（chineseGLUE#163.com）获得单个项目的语料，告知单位或学校、姓名、语料用途；如需获得ChineseGLUE项目下的所有语料，需成为ChineseGLUE组织成员，并完成一个（小）任务。

ChineseGLUE vs GLUE，区别仅仅在于语言不同吗？

我们知道，本土化意味着不仅仅只是将界面语言翻译成中文，其实还连带着思维转换、认知差异等更深层的改变，NLP基准也不例外。

新智元获悉，ChineseGLUE并不仅仅是名字里加了个Chinese，其实背后做了非常大的改动。

最大的不同，首先就是数据集。GLUE和ChineseGLUE的数据集完全不同，很多非常好的英文的数据集是没办法直接用的。

其次是开源问题。英文很多数据集、预训练模型都是开源的，而中文这方面非常稀缺，该项目发起者徐亮说这是目前ChineseGLUE面临最大的障碍了。

由于开源意愿不强，虽然很多大厂最先进的技术都用上了，但没有开源数据集和预训练模型，那么多数人就用不上；同时由于是针对企业内部定制的，缺乏普适性。而ChineseGLUE的目标之一，也是希望能够实现整个中文基础任务测评。

ChineseGLUE路线图

新智元获悉，ChineseGLUE是一个非常大的工程，目前还处在刚刚起步阶段。接下来的规划，大概就是首先呼吁大家一起努力来敦促大厂开源开放，其次希望能有企业赞助，然后激励志愿者来做一些整理工作。

他还透露了该工程的大致路线图，共分成三个阶段：

第一阶段，也就是beta版，从10月24号到12月30号。首先整理搜集8到10个数据集，然后对这些数据集进行最先进的模型测评。提交链接：

http://106.13.187.75:8003/submit

第二阶段，也就是正式版，大概会在明年推出。这个阶段的重心是开始建立一些私有数据集，或者说数据集是公开的但是测试集是私有的，以便吸引更多人参与测评。这样ChineseGLUE就会成为一个更权威、客观的基准测试。

第三阶段，大概在2021年，准备好迎接更大的挑战、更高难度的任务和数据集。

中文任务基准测评(chineseGLUE)-排行榜-各任务对比

ChineseGLUE的发展，离不开社区的土壤

任何开源项目的发展，都需要大量的贡献者为这个社区添砖加瓦。如果你也认可ChineseGLUE，希望能够参与其中，成为未来可能改变中文NLP基准测试的一份子，那么你可能会获得以下好处：

成为中国第一个中文任务基准测评的创始会员
能与其他专业人士共同贡献力量，促进中文自然语言处理事业的发展
参与部分工作后，获得已经清洗并预训练的后的、与英文wiki & bookCorpus同等量级、大规模的预训练语料，用于研究目的
优先使用state of the art的中文预训练模型，包括各种体验版或未公开版本

参与方式：

Hard模式：发送邮件 chineseGLUE#163.com，简要介绍你自己、背景、工作或研究方向、你的组织、在哪方面可以为社区贡献力量，评估后会与你取得联系
Easy模式：ChineseGLUE发起人徐亮已入驻新智元小程序。你可以在新智元小程序里，近距离和徐亮沟通、第一时间获取“内幕消息”，并且与社区中来自华为、阿里、英特尔等大咖0距离交流！