bert存在的问题
1、针对有两个及两个以上连续字组成的词，随机mask字割裂了连续字之间的相关性，使模型不太容易学习到词的语义信息。比如一句话：‘北京是中国的首都，是一座美丽的城市’，在bert的随机mask LM任务中，可能是把‘京’mask掉在再做预测，这样就把‘北京’两个字的语义割裂了。
2、NSP任务是否有必要？在bert的变体中，ROBERTA和ALBERT都更改或移除了NSP任务，他们认为bert中的NSP任务对下游任务并没有太大的帮助。虽然没有明确的证据可言，但实践出真知了。
ERNIE1.0
ERNIE的网络结构和bert_base相似，也是采用transformer的encoder单元，layers = 12, hidden = 768, attention = 12，ERNIE分1.0和2.0版本。
（1）实体级别连续MASK
针对bert存在的第一个问题，ERNIE改变了mask的方式，不再是单个token的mask，而是加入了实体和短语的mask，这让模型具有了更强的语法学习能力。对比如下：
在上图中，短语‘a series of’ 和人名‘J.K.Rowling’被连续mask了。
我们知道bert中是token级别的，而在ERNIE如何获得实体呢？这就需要先对语料进行分词，所以分词的精确度对mask的效果是有影响的。在分词之后，ERNIE为什么没有直接把实体作为输入呢，而是把实体分成多个token然后连续mask？原因在于词是无限的，token是有限的，也有效避免了oov问题。
ERNIE的不同级别的mask（单字、实体、短语）
每个样本由5个 字段输入: token_ids; sentence_type_ids; position_ids; seg_labels; next_sentence_label；其中 seg_labels 表示分词边界信息: 0表示词首、1表示非词首、-1为占位符。
在每个epoch会随机选择句子是mask_word（mask实体和短语） 还是 mask_char（mask单字） 模式，mask_char 模式就和bert的mask相似了。mask_word 模式后续会走 phrase-level masking 逻辑，会利用分词边界信息，代码地址https://www.jianshu.com/p/594188d27497。
（2）更多的语料
ERNIE除了mask的重大改变，同时在训练数据集上增加了很多。bert使用了中文维基百科，ERNIE也同样使用了，并且在此基础上加入百度自有的数据集：百度百科（实体、强描述性）、百度新闻（专业通顺语料）、百度贴吧（多轮对话）。这三个数据集的侧重点不同，对模型应该也有较好的提升。对语料的处理加入了中文繁体-->简体，英文大写-->小写，词表大小为17964。
（3）多轮对话
针对bert存在的第二个问题，ERNIE对NSP任务做了修改，输入层使用多轮对话来替代句子对分类任务。输入格式为[CLS]S1[SEP]S2[SEP]S3[SEP] ，这种组合可以表示多轮对话，例如QRQ、QRR、QQR，Q是提问，R是回答。随机替换R，然后让模型判断这个多轮对话是真的还是假的。
ERNIE2.0
相比于1.0，ERNIE2.0又做了两件事情：构建多任务持续学习预训练框架；构建三种类型的无监督任务。来刷新效果。
（1）连续多任务学习
百度通过大数据和先验知识（比如实体、分词的结果）构建很多个任务，让这些任务持续的喂给muti-task learning结构，进行预训练学习。然后将学习得到的权重参数返回给下游任务specific tasks，进行微调。
连续多任务学习的目的是不遗忘之前的训练结果，因为任务太多了，模型容易忘记最早训练的任务得到的参数。所以，ERNIE2.0使用上一个任务的参数训练新任务时，旧任务也加进来一起训练，这样每一轮迭代都带上老任务，到最后一轮时，同时训练所有的任务。这是一个串行和并行同时进行的框架，多次迭代之间是串行的，每一次迭代的时候多个任务是并行计算的。为什么可以并行计算呢？因为每个任务都有独立的loss function，sentence task 可以和word task 一起训练。
ERNIE2.0包括token embedding、position embedding、sentence embedding、task embedding。与bert不同的是，sentence embedding不是11111100001111110000这种，而是AAAAAABBBBBCCCCCDDDD这种，task embedding是标记该样本输入是服务于哪个预训练任务。
（2）三种类型的无监督任务
1、词法级别预训练任务
Knowledge Masking Task：学习当前和全局依赖，保留ERNIE 1.0里面实体级别的mask。
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，目的是服务于找关键词的下游任务。
2、语言结构级别预训练任务
Sentence Reordering Task：文档中的句子打乱（分成1到m段，shuffle），识别正确顺序，就是句子排序题。
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，相当于NSP任务的改造。
3、语法级别预训练任务
Discourse Relation Task：计算两句间的语义与修辞关系，对因果关系、并列关系...分类。
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，1：搜索并展现，2：无关，随机替换。