STI比赛任务一：【智能问答baseline】

比赛简介

百度搜索首届技术创新挑战赛：赛道一 答案抽取

• STI比赛任务一：【比赛数据分析与长尾发现】
• STI比赛任务一：【NLP常见优化算法和上分Trick】
• STI比赛任务一：【智能问答baseline】

欢迎大家关注公众号ChallengeHub，获取更多比赛资料

比赛链接：https://aistudio.baidu.com/aistudio/competition/detail/660/0/task-definition

任务定义

本赛题任务是：给定一个用户搜索问题集合Q，基于每个搜索问题q，给定搜索引擎检索得到的网页文档集合Dq，其中包括最多40个网页文档。针对每个q-d对，要求参评系统从d中抽取能够回答q的答案片段a。

问题query：渝北区面积

篇章doc_text：重庆主城九区面积 【导语】:重庆市主城九区面积为:4779平方千米。其中渝中区面积为23....	

答案answer：[渝北区幅员面积1452平方公里, 2、渝北区面积: 全区幅员面积1452平方公里。] [53, 225]

数据集

训练集包含约900个query、30000个query-document对；验证集和测试集各包含约100个 query，3000个query-document对。数据的主要特点为：

文档长度普遍较长，质量参差不齐，内部往往包含大量噪声 句子级别答案片段，通常由包含完整上下文的若干句子组成 标注数据只保证答案片段与搜索问题间的相关性，不保证正确性，且存在不包含答案的文档 数据样例,文档长度分布如下：
[站外图片上传中…(image-4276fb-1668574875215)]

问题q：备孕偶尔喝冰的可以吗

篇章d：备孕能吃冷的食物吗 炎热的夏天让很多人都觉得闷热...,下面一起来看看吧! 备孕能吃冷的食物吗 在中医养生中,女性体质属阴,不可以贪凉。吃了过多寒凉、生冷的食物后,会消耗阳气,导致寒邪内生,侵害子宫。另外,宫寒是肾阳虚的表现,不会直接导致不孕。但宫寒会引起妇科疾病,所以也不可不防。因此处于备孕期的女性最好不要吃冷的食物。 备孕食谱有哪些 ...

答案a：在中医养生中,女性体质属阴,不可以贪凉。吃了过多寒凉、生冷的食物后,会消耗阳气,导致寒邪内生,侵害子宫。另外,宫寒是肾阳虚的表现,不会直接导致不孕。但宫寒会引起妇科疾病,所以也不可不防。因此处于备孕期的女性最好不要吃冷的食物。

评价指标

计算基于每个query-document对模型预测答案与标注答案间字粒度的准确、召回、F1值，取所有测试数据的平均F1作为最终指标。对于不包含答案的文档，其答案可看做一个特殊token【无答案】，若模型预测出答案，其F1为0，若模型预测【无答案】，其F1

智能问答Ernie3.0基线

项目地址：https://aistudio.baidu.com/aistudio/projectdetail/5043272

导入包

本基线需要基于最新版本的paddlenlp运行，安装命令如下：

!python -m pip install paddlepaddle-gpu==2.3.0.post101 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html
!pip install --upgrade paddlenlp

import pandas as pd
import paddle
from paddlenlp.data import Stack, Dict, Pad
import paddlenlp
from paddlenlp.datasets import load_dataset
from functools import partial
import collections
import time
import json
import paddle
from paddlenlp.metrics.squad import squad_evaluate, compute_prediction
import pyarrow as pa
import pyarrow.dataset as ds
import pandas as pd
from datasets import Datase

解压数据

!ls /home/aistudio/data/data174963

# 将比赛数据解压到work目录下
!if [ -d "work/data_task1/" ];then rm -f -r work/data_task1/;fi
!tar -zxvf /home/aistudio/data/data174963/data_task1.tar.gz -C /home/aistudio/work/
!ls work/data_task1/
!tree work/data_task1/

加载自定义数据集

paddlenlp底层load_dataset返回的是hf数据格式，我们可以直接基于DataFrame创建pyarrow数据：

train_examples = Dataset(pa.Table.from_pandas(train))
dev_examples = Dataset(pa.Table.from_pandas(dev))
train_examples,dev_examples

[站外图片上传中…(image-7d4f9b-1668574875215)]

利用tokenizer处理数据

由于文章加问题的文本长度可能大于max_seq_length，答案出现的位置有可能出现在文章最后，所以不能简单的对文章进行截断。

那么对于过长的文章，则采用滑动窗口将文章分成多段，分别与问题组合。再用对应的tokenizer转化为模型可接受的feature。doc_stride参数就是每次滑动的距离。滑动窗口生成InputFeature的过程如下图：

[站外图片上传中…(image-10dce0-1668574875215)]

from functools import partial

max_seq_length = 512
doc_stride = 128

train_trans_func = partial(prepare_train_features, 
                           max_seq_length=max_seq_length, 
                           doc_stride=doc_stride,
                           tokenizer=tokenizer)


dev_trans_func = partial(prepare_validation_features, 
                           max_seq_length=max_seq_length, 
                           doc_stride=doc_stride,
                           tokenizer=tokenizer)
    
column_names = train_examples.column_names

调用map()方法批量处理数据

由于我们传入了lazy=False，所以我们使用load_dataset()自定义的数据集是MapDataset对象。MapDataset是paddle.io.Dataset的功能增强版本。其内置的map()方法适合用来进行批量数据集处理。

map()方法接受的主要参数是一个用于数据处理的function。正好可以与tokenizer相配合。

train_ds = train_examples.map(train_trans_func, batched=True, num_proc=3, remove_columns=column_names)
dev_ds = dev_examples.map(dev_trans_func, batched=True, num_proc=3, remove_columns=column_names)

Batchify和数据读入

使用paddle.io.BatchSampler和paddlenlp.data中提供的方法把数据组成batch。

然后使用paddle.io.DataLoader接口多线程异步加载数据。

batchify_fn详解：
[站外图片上传中…(image-1106cc-1668574875215)]

import paddle
from paddlenlp.data import DataCollatorWithPadding

batch_size = 64

# 定义BatchSampler
train_batch_sampler = paddle.io.DistributedBatchSampler(
        train_ds, batch_size=batch_size, shuffle=True)

dev_batch_sampler = paddle.io.BatchSampler(
    dev_ds, batch_size=batch_size, shuffle=False)


# 定义batchify_fn

train_batchify_fn = DataCollatorWithPadding(tokenizer)

dev_batchify_fn = DataCollatorWithPadding(tokenizer)

# 构造DataLoader
train_data_loader = paddle.io.DataLoader(
    dataset=train_ds,
    batch_sampler=train_batch_sampler,
    collate_fn=train_batchify_fn,
    return_list=True)

dev_data_loader = paddle.io.DataLoader(
    dataset=dev_ds_for_model,
    batch_sampler=dev_batch_sampler,
    collate_fn=dev_batchify_fn,
    return_list=True)

加载ernie3.0模型

以下项目以ERNIE为例，介绍如何将预训练模型Fine-tune完成DuReaderrobust阅读理解任务。

DuReaderrobust阅读理解任务的本质是答案抽取任务。根据输入的问题和文章，从预训练模型的sequence_output中预测答案在文章中的起始位置和结束位置。原理如下图所示：
[站外图片上传中…(image-7d74f8-1668574875215)]

from paddlenlp.transformers import AutoModelForQuestionAnswering

model = AutoModelForQuestionAnswering.from_pretrained(MODEL_NAME)

设计loss function

模型的网络结构确定后我们就可以设计loss function了。

AutoModelForQuestionAnswering模型对将ErnieModel的sequence_output拆开成start_logits和end_logits输出，所以DuReaderrobust的loss由start_loss和end_loss两部分组成，我们需要自己定义loss function。

对于答案起始位置和结束位置的预测可以分别看成两个分类任务。所以设计的loss function如下：

class CrossEntropyLossForRobust(paddle.nn.Layer):
    def __init__(self):
        super(CrossEntropyLossForRobust, self).__init__()

    def forward(self, y, label):
        start_logits, end_logits = y
        start_position, end_position = label
        start_position = paddle.unsqueeze(start_position, axis=-1)
        end_position = paddle.unsqueeze(end_position, axis=-1)
        start_loss = paddle.nn.functional.cross_entropy(
            input=start_logits, label=start_position)
        end_loss = paddle.nn.functional.cross_entropy(
            input=end_logits, label=end_position)
        loss = (start_loss + end_loss) / 2
        return loss

训练配置

适用于ERNIE/BERT这类Transformer模型的学习率为warmup的动态学习率。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JK6w69yx-1668574808616)(https://upload-images.jianshu.io/upload_images/1531909-6da3d2343de5a2d4?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)]

# 训练过程中的最大学习率
learning_rate = 3e-5 

# 训练轮次
epochs = 1

# 学习率预热比例
warmup_proportion = 0.1

# 权重衰减系数，类似模型正则项策略，避免模型过拟合
weight_decay = 0.01

num_training_steps = len(train_data_loader) * epochs

# 学习率衰减策略
lr_scheduler = paddlenlp.transformers.LinearDecayWithWarmup(learning_rate, num_training_steps, warmup_proportion)

decay_params = [
    p.name for n, p in model.named_parameters()
    if not any(nd in n for nd in ["bias", "norm"])
]
optimizer = paddle.optimizer.AdamW(
    learning_rate=lr_scheduler,
    parameters=model.parameters(),
    weight_decay=weight_decay,
    apply_decay_param_fun=lambda x: x in decay_params)

模型训练和评估

模型训练的过程通常有以下步骤：

从dataloader中取出一个batch data。
将batch data喂给model，做前向计算。
将前向计算结果传给损失函数，计算loss。
loss反向回传，更新梯度。重复以上步骤。
每训练一个epoch时，程序通过evaluate()调用paddlenlp.metric.squad中的squad_evaluate(), compute_predictions()评估当前模型训练的效果，其中：

compute_predictions()用于生成可提交的答案；

squad_evaluate()用于返回评价指标。

二者适用于所有符合squad数据格式的答案抽取任务。这类任务使用F1和exact来评估预测的答案和真实答案的相似程度。

criterion = CrossEntropyLossForRobust()
global_step = 0
for epoch in range(1, epochs + 1):
    for step, batch in enumerate(train_data_loader, start=1):
        global_step += 1
        input_ids, segment_ids, start_positions, end_positions = batch
        logits = model(input_ids=batch["input_ids"], token_type_ids=batch["token_type_ids"])
        loss = criterion(logits, (batch["start_positions"], batch["end_positions"]))

        if global_step % 400 == 0 :
            print("global step %d, epoch: %d, batch: %d, loss: %.5f" % (global_step, epoch, step, loss))

        loss.backward()
        optimizer.step()
        lr_scheduler.step()
        optimizer.clear_grad()

结果预测与提交

test=pd.read_json('work/data_task1/test_data/test.json',lines=True)
test['id']=[f'test_{id}' for id in range(len(test))]
test['answer_list']=[[] for i in range(len(test))]
test['answer_start_list']=[[] for i in range(len(test))]
test_examples = Dataset(pa.Table.from_pandas(test))

test_trans_func = partial(prepare_validation_features, 
                           max_seq_length=max_seq_length, 
                           doc_stride=doc_stride,
                           tokenizer=tokenizer)
test_ds = test_examples.map(test_trans_func, batched=True, num_proc=3, remove_columns=['answer_list',
 'title',
 'url',
 'answer_start_list',
 'doc_text',
 'query',
 'id'])
test_ds_for_model = test_ds.remove_columns(["example_id", "offset_mapping"])


batch_size = 16


test_batch_sampler = paddle.io.BatchSampler(
    test_ds, batch_size=batch_size, shuffle=False)


# 定义batchify_fn

test_batchify_fn = DataCollatorWithPadding(tokenizer)


test_data_loader = paddle.io.DataLoader(
    dataset=test_ds_for_model,
    batch_sampler=test_batch_sampler,
    collate_fn=test_batchify_fn,
    return_list=True)
# 传入test_data_loader，并将is_test参数设为True，即可生成千言比赛可提交的结果。
all_predictions, all_nbest_json, scores_diff_json=evaluate(model=model, raw_dataset=test_examples, dataset=test_ds, data_loader=test_data_loader, is_test=True

制作提交结果

sub_data=[]
for i in range(len(test_examples["query"])):
    prob=all_nbest_json[test_examples['id'][i]][0]['probability']
    text=all_nbest_json[test_examples['id'][i]][0]['text']
    sub_data.append([prob,text])
sub=pd.DataFrame(sub_data,columns=['prob','text'])
sub['text']=sub['text'].apply(lambda  x:"NoAnswer" if len(x.strip())<2 else x)
sub[['prob','text']].to_csv('subtask1_test_pred.txt',sep='\t',header=None,index=None)

优化思路

• 目前该baseline还不支持多片段答案抽取，不过可以从all_nbest_json候选答案中挑选答案
• 可以参考NLP优化算法，使用fgm进行对抗训练
• 对于NoAnswer的数据，answer_list可以默认填充‘无答案’字符，然后同时在doc_text拼接这个字符，然后进行训练和预测，目前基于预测答案长度修改答案，过于粗糙

参考资料

• 【实践】NLP领域中的ERNIE模型在阅读理解中的应用