當(dāng)前位置：首頁(yè) > 编程资源 > 编程问答 >内容正文

编程问答

nlp大赛冠军总结

發(fā)布時(shí)間：2025/3/19 编程问答 59 豆豆

生活随笔收集整理的這篇文章主要介紹了 nlp大赛冠军总结小編覺得挺不錯(cuò)的,現(xiàn)在分享給大家,幫大家做個(gè)參考.

1. 比賽介紹

這是一個(gè)文本多分類的問題：目標(biāo)是“參賽者根據(jù)知乎給出的問題及話題標(biāo)簽的綁定關(guān)系的訓(xùn)練數(shù)據(jù)，訓(xùn)練出對(duì)未標(biāo)注數(shù)據(jù)自動(dòng)標(biāo)注的模型”。通俗點(diǎn)講就是：當(dāng)用戶在知乎上提問題時(shí)，程序要能夠根據(jù)問題的內(nèi)容自動(dòng)為其添加話題標(biāo)簽。一個(gè)問題可能對(duì)應(yīng)著多個(gè)話題標(biāo)簽，如下圖所示。

這是一個(gè)文本多分類，多l(xiāng)abel的分類問題（一個(gè)樣本可能屬于多個(gè)類別）。總共有300萬(wàn)條問題-話題對(duì)，超過2億詞，4億字，共1999個(gè)類別。

1.1 數(shù)據(jù)介紹

參考?https://biendata.com/competition/zhihu/data/

https://biendata.com/competition/zhihu/rules/?next_url=%2Fcompetition%2Fzhihu%2Fdata%2F

總的來(lái)說就是：

數(shù)據(jù)經(jīng)過脫敏處理，看到的不是“如何評(píng)價(jià)2017知乎看山杯機(jī)器學(xué)習(xí)比賽”，而是“w2w34w234w54w909w2343w1"這種經(jīng)過映射的詞的形式，或者是”c13c44c4c5642c782c934c02c2309c42c13c234c97c8425c98c4c340"這種經(jīng)過映射的字的形式。
因?yàn)樵~和字經(jīng)過脫敏處理，所以無(wú)法使用第三方的詞向量，官方特地提供了預(yù)訓(xùn)練好的詞向量，即char_embedding.txt和word_embedding.txt ，都是256 維。
主辦方提供了1999個(gè)類別的描述和類別之間的父子關(guān)系（比如機(jī)器學(xué)習(xí)的父話題是人工智能，統(tǒng)計(jì)學(xué)和計(jì)算機(jī)科學(xué)），但這個(gè)知識(shí)沒有用上。
訓(xùn)練集包含300萬(wàn)條問題的標(biāo)題（title），問題的描述（description）和問題的話題（topic）
測(cè)試集包含21萬(wàn)條問題的標(biāo)題（title）,問題的描述(description)，需要給出最有可能的5個(gè)話題（topic）

1.2 數(shù)據(jù)處理

數(shù)據(jù)處理主要包括兩部分：

char_embedding.txt 和 word_embedding.txt 轉(zhuǎn)為numpy格式，這個(gè)很簡(jiǎn)單，直接使用word2vec的python工具即可
對(duì)于不同長(zhǎng)度的問題文本，pad和截?cái)喑梢粯娱L(zhǎng)度的（利用pad_sequence 函數(shù)，也可以自己寫代碼pad）。太短的就補(bǔ)空格，太長(zhǎng)的就截?cái)唷２僮鲌D示如下：

1.3 數(shù)據(jù)增強(qiáng)

文本中數(shù)據(jù)增強(qiáng)不太常見，這里我們使用了shuffle和drop兩種數(shù)據(jù)增強(qiáng)，前者打亂詞順序，后者隨機(jī)的刪除掉某些詞。效果舉例如圖：

1.4 評(píng)價(jià)指標(biāo)

每個(gè)預(yù)測(cè)樣本，提供最有可能的五個(gè)話題標(biāo)簽，計(jì)算加權(quán)后的準(zhǔn)確率和召回率，再計(jì)算F1值。注意準(zhǔn)確率是加權(quán)累加的，意味著越靠前的正確預(yù)測(cè)對(duì)分?jǐn)?shù)貢獻(xiàn)越大，同時(shí)也意味著準(zhǔn)確率可能高于1，但是F1值計(jì)算的時(shí)候分子沒有乘以2，所以0.5是很難達(dá)到的。
?

2 模型介紹

建議大家先閱讀這篇文章，了解文本多分類問題幾個(gè)常用模型：用深度學(xué)習(xí)（CNN RNN Attention）解決大規(guī)模文本分類問題

https://zhuanlan.zhihu.com/p/25928551

2.1 通用模型結(jié)構(gòu)

文本分類的模型很多，這次比賽中用到的模型基本上都遵循以下的架構(gòu)：

基本思路就是，詞（或者字）經(jīng)過embedding層之后，利用CNN/RNN等結(jié)構(gòu)，提取局部信息、全局信息或上下文信息，利用分類器進(jìn)行分類，分類器的是由兩層全連接層組成的。

在開始介紹每個(gè)模型之前，這里先下幾個(gè)結(jié)論：

如果你的模型分?jǐn)?shù)不夠高，試著把模型變得更深更寬更復(fù)雜

當(dāng)模型復(fù)雜到一定程度的時(shí)候，不同模型的分?jǐn)?shù)差距很小

當(dāng)模型復(fù)雜達(dá)到一定程度，繼續(xù)變復(fù)雜難以繼續(xù)提升模型的分?jǐn)?shù)

2.2 TextCNN

這是最經(jīng)典的文本分類模型，這里就不細(xì)說了，模型架構(gòu)如下圖：

和原始的論文的區(qū)別就在于：

使用兩層卷積
使用更多的卷積核，更多尺度的卷積核
使用了BatchNorm
分類的時(shí)候使用了兩層的全連接

總之就是更深，更復(fù)雜。不過卷積核的尺寸設(shè)計(jì)的不夠合理，導(dǎo)致感受野差距過大。

2.3 TextRNN

沒找到論文，我就憑感覺實(shí)現(xiàn)了一下：

相比于其他人的做法，這里的不同點(diǎn)在于：

使用了兩層的雙向LSTM。
分類的時(shí)候不是只使用最后一個(gè)隱藏元的輸出，而是把所有隱藏元的輸出做K-MaxPooling再分類。

2.4 TextRCNN

參考原論文的實(shí)現(xiàn)，和RNN類似，也是兩層雙向LSTM，但是需要和Embedding層的輸出Concat(類似于resnet的shortcut直連)。

2.5 TextInception

這個(gè)是我自己提出來(lái)的，參照TextCNN的思想（多尺度卷積核），模仿Inception的結(jié)構(gòu)設(shè)計(jì)出來(lái)的，一層的Inception結(jié)構(gòu)如下圖所示，比賽中用了兩層的Inception結(jié)構(gòu)，最深有4層卷積，比TextCNN更深。

2.6 訓(xùn)練方法

要點(diǎn)：

基于詞和基于字的模型要分開訓(xùn)，然后融合，一起訓(xùn)的效果不好
使用官方給的word-embedding.txt和char-embedding.txt初始化Embedding層的權(quán)重
剛開始訓(xùn)練的時(shí)候Embedding層的學(xué)習(xí)率為0，其它層的學(xué)習(xí)率為1e-3，采用Adam優(yōu)化器（一開始的時(shí)候卷積層都是隨機(jī)初始化的，反向傳播得到的Embedding層的梯度受到卷積層的影響，相當(dāng)于噪聲）
訓(xùn)練1-2個(gè)epoch之后，Embedding層的學(xué)習(xí)率設(shè)為2e-4
每個(gè)epoch或者半個(gè)epoch統(tǒng)計(jì)一次在驗(yàn)證集的分?jǐn)?shù)
- 如果分?jǐn)?shù)上升，保存模型，并記下保存路徑
- 如果分?jǐn)?shù)下降，加載上一個(gè)模型的保存路徑，并降低學(xué)習(xí)率為一半（重新初始化優(yōu)化器，清空動(dòng)量信息，而不是只修改學(xué)習(xí)率----使用PyTorch的話新建一個(gè)新優(yōu)化器即可）

2.7 各個(gè)模型分?jǐn)?shù)計(jì)算

訓(xùn)練的時(shí)候，每個(gè)模型要么只訓(xùn)練基于詞（word）的模型，要么只訓(xùn)練基于字（char）的模型。各個(gè)模型的分?jǐn)?shù)都差不多，這里不再單獨(dú)列出來(lái)了，只區(qū)分訓(xùn)練的模型的類型和數(shù)據(jù)增強(qiáng)與否。

可以看出來(lái)

基于詞的模型效果遠(yuǎn)遠(yuǎn)好于基于字的（說明中文分詞很有必要）。
數(shù)據(jù)增強(qiáng)對(duì)基于詞（word）的模型有一定的提升，但是對(duì)于基于字（char）的模型主要是起到副作用。
各個(gè)模型之間的分?jǐn)?shù)差距不大。

2.8 模型融合

像這種模型比較簡(jiǎn)單，數(shù)據(jù)量相對(duì)比較小的比賽，模型融合是比賽獲勝的關(guān)鍵。

在這里，我只使用到了最簡(jiǎn)單的模型融合方法-----概率等權(quán)重融合。對(duì)于每個(gè)樣本，單模型會(huì)給出一個(gè)1999維的向量，代表著這個(gè)模型屬于1999個(gè)話題的概率。融合的方式就是把每一個(gè)模型輸出的向量直接相加，然后選擇概率最大的5個(gè)話題提交。結(jié)構(gòu)如圖所示：

下面我們?cè)賮?lái)看看兩個(gè)模型融合的分?jǐn)?shù)：

第一列的對(duì)比模型采用的是RNN（不采用數(shù)據(jù)增強(qiáng)，使用word作為訓(xùn)練數(shù)據(jù)），第二列是四個(gè)不同的模型（不同的結(jié)構(gòu)，或者是不同的數(shù)據(jù)）。

我們可以得出以下幾個(gè)結(jié)論：

從第一行和第二行的對(duì)比之中我們可以看出，模型差異越大提升越多（RNN和RCNN比較相似，因?yàn)樗麄兊讓佣疾捎昧穗p向LSTM提取特征），雖然RCNN的分?jǐn)?shù)比Inception要高，Inception對(duì)模型融合的提升更大。
從第一行和第四行的對(duì)比之中我們可以看出，數(shù)據(jù)的差異越大，融合的提升越多，雖然基于字（char）訓(xùn)練的模型分?jǐn)?shù)比較低，但是和基于詞訓(xùn)練的模型進(jìn)行融合，還是能有極大的提升。
采用數(shù)據(jù)增強(qiáng)，有助于提升數(shù)據(jù)的差異性，對(duì)模型融合的提升幫助也很大。

總結(jié)：?差異性越大，模型融合效果越好。沒有差異性，創(chuàng)造條件也要制造差異性。

另外模型融合還有個(gè)規(guī)律：越往上越難提升,有些模型在你分?jǐn)?shù)較低的時(shí)候，對(duì)融合提升很明顯，當(dāng)你分?jǐn)?shù)較高的時(shí)候就沒什么幫助，甚至?xí)懈蓴_

2.9 MultiModel

其實(shí)模型融合的方式，我們換一種角度考慮，其實(shí)就是一個(gè)很大的模型，每一個(gè)分支就像多通道的TextCNN一樣。那么我們能不能訓(xùn)練一個(gè)超級(jí)大的模型？答案是可以的，但是效果往往很差。因?yàn)槟Ｐ瓦^于復(fù)雜，太難以訓(xùn)練。這里我嘗試了兩種改進(jìn)的方法。

第一種方法，利用預(yù)訓(xùn)練好的單模型初始化復(fù)雜模型的某一部分參數(shù)，模型架構(gòu)如圖所示：

但是這種做法會(huì)帶來(lái)一個(gè)問題：模型過擬合很嚴(yán)重，難以學(xué)習(xí)到新的東西。因?yàn)閱文Ｐ驮谟?xùn)練集上的分?jǐn)?shù)都接近0.5，已經(jīng)逼近理論上的極限分?jǐn)?shù)，這時(shí)候很難接著學(xué)習(xí)到新的內(nèi)容。這里采取的應(yīng)對(duì)策略是采用較高的初始學(xué)習(xí)率，強(qiáng)行把模型從過擬合點(diǎn)拉出來(lái)，使得模型在訓(xùn)練集上的分?jǐn)?shù)迅速降低到0.4左右，然后再降低學(xué)習(xí)率，緩慢學(xué)習(xí)，提升模型的分?jǐn)?shù)。

第二種做法是修改預(yù)訓(xùn)練模型的embedding矩陣為官方給的embedding權(quán)重。這樣共享embedding的做法，能夠一定程度上抑制模型過擬合，減少參數(shù)量。雖然CNN/RNN等模型的參數(shù)過擬合，但是由于相對(duì)應(yīng)的embedding沒有過擬合，所以模型一開始分?jǐn)?shù)就會(huì)下降許多，然后再緩慢提升。這種做法更優(yōu)。在最后提交模型復(fù)現(xiàn)成績(jī)的時(shí)候，我只提交了七個(gè)這種模型，里面包含著不同子模型的組合，一般包含3-4個(gè)子模型。這種方式生成的權(quán)重文件也比較小（600M-700M左右），上傳到網(wǎng)盤相對(duì)來(lái)說更方便。

2.10 失敗的模型或沒什么用的方法

MultiMode只是我諸多嘗試的方法中比較成功的一個(gè)，其它方法大多以失敗告終（或者效果不明顯）

數(shù)據(jù)多折訓(xùn)練：因?yàn)檫^擬合嚴(yán)重，想著先拿一半數(shù)據(jù)訓(xùn)，允許它充分過擬合，然后再拿另外一半數(shù)據(jù)訓(xùn)。效果不如之前的模型。
Attention Stack，參考了這篇文章，其實(shí)本質(zhì)上相當(dāng)于調(diào)權(quán)重，但是效果有限，還麻煩，所以最后直接用等權(quán)重融合（權(quán)重全設(shè)為1）。

?
Stack，太費(fèi)時(shí)費(fèi)力，浪費(fèi)了不少時(shí)間，也有可能是實(shí)現(xiàn)有誤，提升有限，沒有繼續(xù)研究下去。
Boost，和第二名Koala的方法很像，先訓(xùn)一個(gè)模型，然后再訓(xùn)第二個(gè)模型和第一個(gè)模型的輸出相加，但是固定第一個(gè)模型的參數(shù)。相當(dāng)于不停的修正上一個(gè)模型誤判的(可以嘗試計(jì)算一下梯度，你會(huì)發(fā)現(xiàn)第一個(gè)模型已經(jīng)判對(duì)的樣本，即使第二個(gè)模型判別錯(cuò)了，第二個(gè)模型的梯度也不會(huì)很大，即第二個(gè)模型不會(huì)花費(fèi)太多時(shí)間學(xué)習(xí)這個(gè)樣本）。但是效果不好，原因：過擬合很嚴(yán)重，第一個(gè)模型在訓(xùn)練集上的分?jǐn)?shù)直接就逼近0.5，導(dǎo)致第二個(gè)模型什么都沒學(xué)到。Koala隊(duì)伍最終就是憑借著這個(gè)Boost模型拿到了第二名，我過早放棄，沒能在這個(gè)方法上有所突破十分遺憾。
TTA（測(cè)試時(shí)數(shù)據(jù)增強(qiáng)），相當(dāng)于在測(cè)試的時(shí)候人為的制造差異性，對(duì)單模型的效果一般，對(duì)融合幾乎沒有幫助。
Hyperopt進(jìn)行超參數(shù)查詢，主要用來(lái)查詢模型融合的權(quán)重，效果一般，最后就也沒有使用了，就手動(dòng)稍微調(diào)了一下。
label設(shè)權(quán)重，對(duì)于正樣本給予更高的權(quán)重，訓(xùn)練模型，然后和正常權(quán)重的模型進(jìn)行融合，在單模型上能夠提升2-3個(gè)千分點(diǎn)（十分巨大），但是在最后的模型融合是效果很有限（0.0002），而且需要調(diào)整權(quán)重比較麻煩，遂舍棄。
用分類得到的詞向量作為下一個(gè)模型的embedding的初始值，因?yàn)楣俜浇o的word embedding是用無(wú)監(jiān)督的word2vec訓(xùn)練的，和有監(jiān)督的分類問題還是有一定偏差的。沒有深入研究下去，對(duì)單模型應(yīng)該是有提升，但是對(duì)融合可能沒什么幫助。

3 結(jié)束語(yǔ)

我之前雖然學(xué)過CS224D的課程，也做了前兩次的作業(yè)，但是除此之外幾乎從來(lái)沒寫過自然語(yǔ)言處理相關(guān)的代碼，能拿第一離不開隊(duì)友的支持，和同學(xué)們不斷的激勵(lì)。

這次比賽入門對(duì)我?guī)椭畲蟮膬善恼率怯蒙疃葘W(xué)習(xí)（CNN RNN Attention）解決大規(guī)模文本分類問題