解读Lawyer LLaMA，延申专业领域大模型微调：数据集构建，模型训练

解读Lawyer LLaMA，延申自己领域大模型微调：数据集构建，模型训练

项目地址link

自己领域的大模型微调，实现思路大都和这篇文章是一样的，有的是基于LLaMA,或者有的是基于Chinese-LLaMA,或者是其他开源的大模型，本文基于自己训练过程和参考了老刘说NLP中的《也读Lawyer LLaMA法律领域微调大模型：从训练数据、模型训练到实验效果研读》，从模型要达到的结果出发，倒推介绍整个流程，供大家参考，

欢迎大家点赞关注，一起交流

一、模型重点关注的能力

专业领域的大模型应用需要具备三种能力，

1.生成回答精确，没有歧义，在任何一个专业领域，有些仅仅替换一个词就可以影响其中表达的含义，有可能会导致巨大的不同的结果，例如，定金和订金在中文只有一字之差，但它们在合同法中的含义和法律效力却完全不同，

2.理解和区分专业术语，很多概念只出现在对应的专业领域，例如台区，即使是广泛使用的词汇，其含义在不同的专业领域也是不同的，因此要在具体的句子情景中表达出不同的含义，

3.能够识别分析专业场景的实际事件，现实世界中情景总是复杂多样的，模型需要具备法律术语和应用专业领域数据来分析具体问答能力，

为了能够实现这些能力，可以使用LLaMa模型来具体实现这些功能，

1.注入专业领域的知识，收集大量的专业领域原始文本，来让模型进行无监督训练学习。

2.训练学习特定领域的技能，有监督微调模型，教模型如何用适当的知识来解决特定领域的任务。

3.用外部知识进行增强，为了使模型能够更准确和精准回答，另外引入一个信息检索模块，在生成每个回复前，首先利用用户的查询和上下文信息来检索相关的标准信息，然后在这些专业领域的文章基础上做出回答。

二、数据准备

1.预训练语料库

为提升模型在中文专业领域的回答表现，防止模型在学习专业领域数据后灾难性遗忘问题，该工作采用两种语料对LLaMA模型进行持续性训练，

首先在一个普通的多语言语料库上训练模型，以提升模型的中文能力，然后使用另一个专业领域的语料库来增强模型。

（1）多语言通用语料库

由于LLaMA主要是在英语和其他语言语料库进行训练，因此它在理解和生成中文语句方面并不完美，
为了解决这个问题，同时收集中文预训练英文语料库进行记忆重放，以避免灾难性遗忘，
具体的，为构建中文通用语料库，可以从WuDaoCorpora、CLUECorpus2020和维基百科的简体中文版本中抽取文章。
对于英文通用语料，从C4语料库中抽取文章，

（2）中文专业领域语料库

各种途径获取专业领域的数据，并按照专业和来源分类，然后解析专业数据，生成各种专业数据有没有什么比例，解析的格式是按照段落进行分段学习，问答和文本生成有没有什么区别的对待

2.专业领域指令微调数据

（1）通用能力问答公开数据集地址

https://github.com/chaoswork/sft_datasets/tree/master

（2）将专业领域数据进行数据分类构建微调数据集，再细分为多轮对话和单论对话，并使用使用ChatGPT生成回复

为了保证单轮和多轮能力，同时收集单轮和多轮对话能力，同时为了提高生成式的回答准确性，将检索文章添加到提示词中，帮助ChatGPT生成准确的回复，

1）单论问答数据的构造

让chatgpt扮演回答者，回应客户的问题，并在输入提示中，生成的回答应该满足以下要求。
1.正确引用制度条文；
2.正确理解问句含义和制度条文给出有根据的分析；
3.全面回答并分析潜在的可能性；
4.提出适当为问题来挖掘事实以帮助进一步的回答；
5.使用平实的语言；
6.给出初步意见和咨询结论。
输入ChatGPT格式例如：

{
    "instruction": "阅读以下文章:[],请回答：[]",
    "input": "",
    "output": "[答案]"
  }

生成格式如下：

2）多轮问答数据的构造

生成多轮对话，需要设计两个不同的提示词，让ChatGPT分别扮演两个对话着角色，交替使用两个提示，连同对话历史作为ChatGPT的输入
下面是github具体开放的数据例子：

最后收集大约16000个单论和5000个2或3轮对话。

3.外部知识进行检索增强

对于单轮问答，使用文本检索工具选择前3篇相关文章输入到提示词中，
对于多轮问答，假设对话的主题不变，继续使用相同的3篇相关文章

或者不用训练模型，直接使用现成的文本检索框架，请参考我的另一篇博文
文本检索系统
或者使用LangChain地址

三、模型训练

微调开源模型LLaMA的步骤，如下图从S1逐步到S12

可以看到，训练是逐步进行的，并做了系列对比实验

表中显示了模型再不同阶段对NLP任务的表现,其中每个阶段的细节，可以参考上图，（1）~(6)代表不同阶段用于训练LLaMAd的预训练语料或监督微调数据集，(1)为多语言通用语料库，(2)为中文法律语料库，(3)为通用SFT数据集，(4)为司法考试和法律咨询，(5)为多轮法律对话，(6)为多轮法律对话中增加了检索的法律文章。勾号意味着相应的语料库/数据集已在前一阶段使用，而花号意味着该语料库/数据集在当前阶段被用于训练。

1、提高LLaMA的中文表达能力，S0-S1

为提升LLaMA的中文理解和生成能力，在中文通用语料库对LLaMA进行持续的预训练，Chinese-LLaMA采用的是使用汉字扩充词表的方式，
使用英文和中文的混合语料，模型很多复杂的推理能力可能来自于英文的训练，希望模型在持续的预训练中保持这些能力。

2、加入专业领域的知识S4

加入专业领域文本进行预训练，学习专业领域的能力

3、学习推理能力S7

收集专业领域真实场景的问答对，并要求ChatGPT为提供详细的解释，在训练过程中，QA对被视为指令，模型要求给出解释。

4、学习真实回复能力S9

让模型学习到单轮问答和多轮问答数据的能力，为用户的特定查询生成合适的回复。

5、提高模型回复可靠性S12

引入法律条文检索模块，使得模型能够产生可信的回复
这里初步的实验结果表明，即使模型在持续的训练阶段反复学习这些文章，它也不能在生成时正确的使用他们，它也可能引用不相关的法律条文，或者使用语句相似的词来代替一个术语，而这个词在法律领域中的含义是截然不同的意思

这时候，我们需要一个可靠的模型来召回和用户搜索词相关的三条文档，具体的，训练一个检索模型，数据集构成方面，收集一些用户的咨询问题，并要求专业人士为每个问题标注最多3篇必要文章回复，然后训练一个基于RoBERTa或者双塔模型的文本检索模型，该模型在被保留的测试集上可以达到0.85的召recall@1和0.94的recall@5。

并且，该工作还发现，直接将检索的文章和用户的问题串联起来作为新的输入，该模型会倾向于在其响应中引用所提供的文章，而不区分它们是否与当前情景正在相关

四、实验效果

收集不同领域的英文和中文通用任务，包括自然语言推理，情感分析，常识推理，对话问题回答等，测试模型在不同阶段推理表现

首先，比较s0和s1的结果，可以发现LLaMA在C3上获得了+5.3%的准确率；英语常识推理方面，s1在SciQ和PIQA的时的表现也不比s0差。这表明对多语种语料库的预训练可以增强模型对中文的表达能力，而不会牺牲其对英文的表达能力。

其次，比较s2和s3，s7和s9/s8/s6的CMNLI的结果，可以发现s3/s9/s8/s6的模型，经过司法考试的例子和法律咨询的微调，可以更好地处理中文NLI任务，准确率提高到+9.3%。

最后，该模型不能处理英语NLI和情感分析任务。在所有阶段，该模型只能对所有的MRPC实例输出Yes，而当不断地训练LLaMA时，它对SST-2也不能获得明显的改善，猜测这是因为没有足够的英语NLI和情感分析的SFT例子。那么该模型就不能理解这种任务的提示中的指令。

五、总结

大模型微调思路和数据集构建方式大致是如此，实操中发现项目最难的一点在于怎么构建自己的数据，无监督数据量太大，解析起来很费功夫，有监督的数据怎么完美构建等，因此需要数据梳理之处将数据有效分类很重要，
提高模型识别其最核心的结论在于，通过加入检索模块，可以提升问答的可靠性，并且通过引入垂直领域的预巡数据和微调数据，都可以提升其领域性能。但在具体实践中，还需要考虑到领域数据和通用数据的组成情况，以及与下游任务之间的对齐情况。