作者：DOTA

????好久不打比賽，周末看到“全球人工智能技術(shù)創(chuàng)新大賽”已經(jīng)開打了一段時(shí)間，前排分?jǐn)?shù)沖的有點(diǎn)兇，技癢的我看到了一道熟悉的賽題——小布助手對(duì)話短文本語義匹配，由于在搜索推薦系統(tǒng)的一些任重中，文本語義匹配子任務(wù)也是經(jīng)常會(huì)遇到的一個(gè)問題，于是乎掏出那根...咳咳..沉睡了很久的GPU，翻出了祖?zhèn)鞔a，跑了一波Baseline...

????賽題題型不新鮮，在Baseline的的基礎(chǔ)上參考了一些思路做些煉丹技巧上的操作，3次提交之后順利沖進(jìn)排行榜首頁。針對(duì)短文本語義匹配，本文幫大家梳理一波方案技巧。

P.S.?發(fā)稿之前，看了一眼排行榜，分?jǐn)?shù)已經(jīng)被大家刷上去了，參加人數(shù)還蠻多，有興趣的同學(xué)可以去戰(zhàn)一波...

賽題背景

????意圖識(shí)別是對(duì)話系統(tǒng)中的一個(gè)核心任務(wù)，而對(duì)話短文本語義匹配是意圖識(shí)別的主流算法方案之一。本賽題要求參賽隊(duì)伍根據(jù)脫敏后的短文本query-pair，預(yù)測它們是否屬于同一語義，提交的結(jié)果按照指定的評(píng)價(jià)指標(biāo)使用在線評(píng)測數(shù)據(jù)進(jìn)行評(píng)測和排名，得分最優(yōu)者獲勝。

數(shù)據(jù)及評(píng)估指標(biāo)

數(shù)據(jù)

????訓(xùn)練數(shù)據(jù)包含輸入query-pair，以及對(duì)應(yīng)的真值。初賽訓(xùn)練樣本10萬，復(fù)賽訓(xùn)練樣本30萬，這份數(shù)據(jù)主要用于參賽隊(duì)伍訓(xùn)練模型，為確保數(shù)據(jù)的高質(zhì)量，每一個(gè)樣本的真值都有進(jìn)行人工標(biāo)注校驗(yàn)。每行為一個(gè)訓(xùn)練樣本，由query-pair和真值組成，每行格式如下：

• query-pair格式：query以中文為主，中間可能帶有少量英文單詞（如英文縮寫、品牌詞、設(shè)備型號(hào)等），采用UTF-8編碼，未分詞，兩個(gè)query之間使用\t分割。

• 真值：真值可為0或1，其中1代表query-pair語義相匹配，0則代表不匹配，真值與query-pair之間也用\t分割。

評(píng)估標(biāo)準(zhǔn)

????比賽的評(píng)估標(biāo)準(zhǔn)由性能標(biāo)準(zhǔn)和效果標(biāo)準(zhǔn)兩部分組成，初賽采用效果標(biāo)準(zhǔn)，AUC 指標(biāo)，具體定義如下：

其中：

rank(i)：表示i這個(gè)樣本的預(yù)測得分在測試集中的排序；

M：測試集中語義匹配的樣本的個(gè)數(shù)；

N：測試集中語義不匹配的樣本的個(gè)數(shù)。

解決方案與技巧

????在BERT橫行的時(shí)代，解決方案大同小異，直接梭哈BERT的性價(jià)比是很高的，當(dāng)所有人都會(huì)使用這套操作時(shí)，你又該怎么辦呢？首先針對(duì)此類問題，分享一波煉丹小技巧。由于本賽題開賽前，將文本替換成了加密形式，有些技巧可能無法使用，但不影響學(xué)習(xí)。

數(shù)據(jù)增強(qiáng)

1. 標(biāo)簽傳遞

• 根據(jù)IF A=B and A =C THEN B=C 的規(guī)則，對(duì)正樣本做了擴(kuò)充增強(qiáng)。

• 根據(jù)IF A=B and A!=C THEN B!=C的規(guī)則，對(duì)負(fù)樣本做了擴(kuò)充增強(qiáng)。

2. 隨機(jī)刪除，隨機(jī)替換， 隨機(jī)交換

• Query比較短，大約有10-20個(gè)字的長度，隨機(jī)刪除部分。

• 很多query僅僅相差一個(gè)單詞， 隨機(jī)替換部分。

• 多數(shù)屬于問句， 隨機(jī)交換部分。

3. 同義詞替換

建模思路

????第一個(gè)Baseline我沿用了之前計(jì)算相似度的方式對(duì)問題就行了求解，也做了模型線上的第一次提交，線上0.88的水平。具體思路如下：

1. SIF Sentence Embedding

??? SIF Sentence Embedding 使用預(yù)訓(xùn)練好的詞向量，使用加權(quán)平均的方法，對(duì)句子中所有詞對(duì)應(yīng)的詞向量進(jìn)行計(jì)算，得到整個(gè)句子的embedding向量。

??? SIF的計(jì)算分為兩步：

• 對(duì)句子中的每個(gè)詞向量，乘以一個(gè)獨(dú)特的權(quán)重b，權(quán)重b是一個(gè)常數(shù) a除以a與該詞頻率的和，這種做法的會(huì)對(duì)出現(xiàn)頻率高詞進(jìn)行降權(quán)，也就是說出現(xiàn)頻次越高，其權(quán)重也就越小；

• 計(jì)算句向量矩陣的第一主成分u，讓每個(gè)Sentence Embedding減去它在u上的投影；

????這里，利用該方法做召回，在驗(yàn)證集上的準(zhǔn)確性要比其他兩種方式效果好。

• 對(duì)句子中所有單詞求平均得到sentence embedding；

• 對(duì)句子中所有單詞利用IDF值加權(quán)后求平均得到sentence embedding。

2. InferSent

????InferSent相似度模型是Facebook提出了一種通過不同的encoder得到Sentence Embedding，然后計(jì)算兩個(gè)Sentence Embedding的差值、點(diǎn)乘得到交互向量，計(jì)算兩者之間的相似度。

????這里，對(duì)原始論文方法做了兩處修改：其一是針對(duì)這個(gè)問題對(duì)3-way softmax層（entailment，contradiction，neutral）做了相應(yīng)的修改變?yōu)?-way softmax；其二是中間層去掉了u和v，只使用差值和內(nèi)積兩種特征表征方式；同時(shí)在7中編碼器：1）LSTM, 2）GRU, 3）bi-GRU, 4）bi-LSTM(mean pooling), 5）bi-LSTM(max pooling), 6）self-attention, 7）CNN 中選用了Bi-LSTM MaxPooling的方式。

開源方案

????本賽題蘇劍林開源了一套方案，這套方案讓脫敏數(shù)據(jù)，也能使用BERT。脫敏數(shù)據(jù)對(duì)于BERT來說，其實(shí)就是Embedding層不一樣而已，其他層還是很有價(jià)值的。所以重用BERT主要還是通過預(yù)訓(xùn)練重新對(duì)齊Embedding層。

????在這個(gè)過程中，初始化很重要。首先，我們把BERT的Embedding層中的[UNK]、[CLS]、[SEP]等特殊標(biāo)記拿出來，這部分不變；然后，我們分別統(tǒng)計(jì)密文數(shù)據(jù)和明文數(shù)據(jù)的字頻，明文數(shù)據(jù)指的是任意的開源通用語料，不一定要密文數(shù)據(jù)對(duì)應(yīng)的明文數(shù)據(jù)；接著按照頻率簡單對(duì)齊明文字表和密文字表。這樣一來，我們就可以按照明文的字來取出BERT的Embedding層來作為相應(yīng)的初始化。

????簡單來說，就是蘇劍林用最高頻的明文字對(duì)應(yīng)的BERT Embedding，來初始化最高頻的密文字，依此類推來做一個(gè)基本的字表對(duì)齊。對(duì)比實(shí)驗(yàn)表明，這個(gè)操作可以明顯加快模型的收斂速度。

????我的第2次提交是對(duì)該方案增加了FGM部分進(jìn)行了提交測試，因?yàn)镕GM帶了百一的得分收益，線上0.87+的水平，跟蘇兄開源時(shí)公布的0.86+得分相對(duì)一致。

FGM對(duì)抗訓(xùn)練

????上面提到了FGM的對(duì)抗訓(xùn)練，其實(shí)也算是一個(gè)煉丹小技巧，這里做一下見到介紹。

????對(duì)抗訓(xùn)練（Adversarial Training），顧名思義，就是在訓(xùn)練過程中產(chǎn)生一些攻擊樣本，早期是FGSM和I-FGSM攻擊，目前當(dāng)前最優(yōu)的攻擊手段是PGD。對(duì)抗訓(xùn)練，相當(dāng)于是加了一層正則化，給神經(jīng)網(wǎng)絡(luò)的隨機(jī)梯度優(yōu)化限制了一個(gè)李普希茨的約束。

????傳統(tǒng)上認(rèn)為，這個(gè)訓(xùn)練方式會(huì)犧牲掉一定的測試精度，因?yàn)榫矸e模型關(guān)注局部特性，會(huì)學(xué)到一些敏感于擾動(dòng)的特征，對(duì)抗訓(xùn)練是一種去偽存真的過程，這是目前像素識(shí)別的視覺算法的局限性。這里蘇建林在kexue.fm里實(shí)現(xiàn)是很簡單的，詳情參看引用鏈接。

總結(jié)

????最后，第3次提交將前兩次的提交的結(jié)果，做了一個(gè)簡單的線性融合，線上到了當(dāng)時(shí)排行榜的首頁，Ensemble的方式其實(shí)很多，由于時(shí)間的關(guān)系并沒去堆很多模型，對(duì)此感興趣的同學(xué)，可以去看一下《Kaggle競賽寶典》的系列文章。

????比賽結(jié)束還有一段時(shí)間，感興趣的同學(xué)可以去嘗試一波。數(shù)據(jù)競賽作為一種保持競技狀態(tài)（戰(zhàn)斗狀態(tài)）的一種方式，在工作中直接應(yīng)用的層面的可能很少，但是它能帶給選手的更多是一種對(duì)問題的深層次思考，一種解決問題的實(shí)戰(zhàn)訓(xùn)練能力，如果你有時(shí)間，不妨一試。這次全球人工智能技術(shù)創(chuàng)新大賽是清華大學(xué)劉強(qiáng)老師負(fù)責(zé)跟的，劉老師的負(fù)責(zé)態(tài)度和對(duì)選手的正面鼓勵(lì)，我想很多接觸過的人都會(huì)印象深刻。哈哈哈，依稀的記得2017年首次參賽，劉老師送的清華大學(xué)百年紀(jì)念郵票。

????工作之后，時(shí)間會(huì)過很快，考慮更多的可能是做一件事是否能有結(jié)果，考慮的事情多了，也就沒有了當(dāng)年肝肝肝的勇氣。偶爾回到賽場提醒一下自己，懷念一下過去.... ALL in BERT，便是這份高效利用自己時(shí)間的體現(xiàn)，簡單、有效、奧卡姆剃刀...

參考資料

• https://tianchi.aliyun.com/notebook-ai/detail?postId=101624

• https://tianchi.aliyun.com/notebook-ai/detail?postId=102057

• https://kexue.fm/archives/8213

• https://kexue.fm/archives/7234

• kaggle競賽寶典 系列文章
  

往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機(jī)器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機(jī)器學(xué)習(xí)在線手冊深度學(xué)習(xí)筆記專輯《統(tǒng)計(jì)學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯 本站qq群851320808，加入微信群請(qǐng)掃碼：

總結(jié)

以上是生活随笔為你收集整理的【NLP】ALL in BERT：一套操作冲进排行榜首页的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。