万创杯中医药天池大数据竞赛-中医文献问题生成挑战决赛第一名源码+项目说明.zip

# “万创杯”中医药天池大数据竞赛——中医文献问题生成挑战 决赛 第一名方案 wodejiafeiyu|nano- nano- 康一帅 ## 简介 ### 环境 * `Tensorflow` == 1.14.0 * `Keras` == 2.3.1 * `bert4keras` == 0.8.8 ### 文件说明 * `EDA`：用于探索性数据分析。 * `code/train.py`：用于模型的训练。 * `code/infer.py`：用于模型的推断（预测）。 * `code/utils.py`：工具函数。 * `data`：数据目录。 ## 赛题背景分析及理解 * 赛题是中医药领域的问题生成挑战，而问题生成属于NLG中重要的一种应用。 * 问题生成任务需要我们根据篇章及对应的答案自动生成相应的问题，即`“篇章+答案→问题”`这样的流程。 * 训练集由三个字段（篇章、问题、答案）构成，测试集由两个字段（篇章、答案）构成，其中的问题字段需要我们生成。 * 根据以上分析，我们可以采用Seq2Seq模型来端到端地实现问题生成，而模型的输入为篇章和答案，输出为问题。  ## 数据探索分析 ### 文本长度分布 * 篇章文本长度在100以下的数据较少，长度区间400-500的数据占比较大。  * 问题文本长度主要集中在5-20这个区间，长度40以上的数据较少。  * 答案文本长度主要集中在1-100区间，长度200以上的数据较少。  ### 分析总结 * 训练数据量适中，不是很大数据量，但是也不算少。 * 文本长度：篇章文本最大，其次是答案文本，最后是问题文本。 * 如果只看答案文本，那它的长度分布应该是同分布。 * 若要将篇章、问题和答案拼接进行训练，则需要对其进行文本截断； * 问题是要预测的部分，并且长度不是太长，所以可以不进行截断； * 答案是从篇章中截取的，可以适当截取短一点； * 篇章在硬件资源允许的范围内，可以尽量截取长一点。 ## 核心思路 * 数据预处理：数据清洗（剔除空白字符、剔除带括号的英文），处理部分不匹配数据（绝大部分答案是从篇章中截取的，不匹配数据指答案在篇章中无法完全匹配到的数据）； * 文本截断：思路是篇章中答案所在位置的附近与问题的相关性最强，答案的前面部分信息最多，问题文本最长131个字符。具体操作是篇章取答案所在位置的前64个字符和后128个字符；答案取前64个字符；问题取前131个字符。 * 数据输入：训练时按照“[CLS]篇章[SEP]答案[SEP]问题[SEP]”格式输入。推断时按照“[CLS]篇章[SEP]答案[SEP]”格式输入。如图1所示。 * 模型架构：使用“NEZHA + UniLM”的方式来构建一个Seq2Seq模型，端到端地实现“篇章 + 答案 → 问题”。如图2所示。  * 缓解Exposure Bias问题的策略：1.通过随机替换Decoder的输入词来构造“有代表性”的负样本；2.使用对抗训练来生成扰动样本。 * 解码：使用Beam search来对问题进行解码。 * 解决显存不足的方法：由于显存有限，无法使用较大的batch size进行训练，梯度累积优化器可以使用小的batch size实现大batch size的效果——只要你愿意花n倍的时间，可以达到n倍batch size的效果，而不需要增加显存。 * 其他Trick： * 在单模型（NEZHA-Large-WWM）上使用5折交叉验证。 * 对词表进行精简（因为总的tokens大概有2万个，这意味着最后预测生成的token时是一个2万分类问题，但事实上有接近一半的tokens都不会分出来，因此这2万分类浪费了一些计算量）。 * EarlyStopping。 * 伪标签。 ## 经验总结 * 文本截断策略使得文本能够在满足预训练模型输入的要求下，较少的损失上下文信息，提分效果显著。使用该文本截断策略之前，一直无法提升至0.6+。 * nezha-large-wwm预训练模型是我们队试过效果是最好的模型，单个的nezha-large-wwm加上之前的技巧就能达到0.64+。nezha-base、nezha-base-wwm和wobert在该任务上效果相差不多，大约0.63+，roberta-wwm-large-ext、bert-wwm-ext大约0.62+。 * 使用随机替换和对抗训练能够缓解Exposure Bias，使用这两个trick后效果提升也比较明显，大约有百分之二提升。 * 不使用交叉验证，不划分验证集的情况下，使用全部训练数据进行训练，大约第12个epoch效果最好。使用交叉验证后效果会优于全量训练的结果，缺点是训练推断时间太长。 * 伪标签是一个比较常用的trick，在该生成任务上，使用伪标签有细微的提升，大约万分之二左右。 * 梯度累积使得能够用较大的batch size训练large模型，分数上也有细微的提升。