天池大赛疫情文本挑战赛线上第三名方案分享.zip

# “公益AI之星”挑战赛-新冠疫情相似句对判定大赛 天池大赛疫情文本挑战赛线上第三名方案分享 ==== 欢迎大家使用[tensorflow1.x的bert系列模型库，支持单机多卡，梯度累积，自动导出pb部署](https://github.com/huanghuidmml/textToy) 相信所有参赛人员都有种感觉，就是这次比赛的数据质量太好、bert模型太强， 完全找不到下手的地方，其实我也是......我尝试了很多trick，但是有用的就 四个：数据增强、fgm训练、调参以及模型融合。trick之少，可能会让大家有所失望，抱歉。 [比赛链接](https://tianchi.aliyun.com/competition/entrance/231776/information) **方案介绍** ------ ### **任务简介** 本次大赛主要面对疫情抗击，疫情知识问答应用得到普遍推广。是由 达摩院联合医疗服务机构妙健康发布的疫情相似句对判定任务，比赛整理 近万条真实语境下疫情相关的肺炎、支原体肺炎、支气管炎、 上呼吸道感染、肺结核、哮喘、胸膜炎、肺气肿、感冒、咳血等患者提问句对。 而任务就是判定两问句是否相似，属于问句相似性判断任务。 以下是示例句子： | query1 | query2 | label | | :------: | :------: | :------: | | 剧烈运动后咯血,是怎么了?| 剧烈运动后咯血是什么原因？| 1 | | 剧烈运动后咯血,是怎么了?| 剧烈运动后为什么会咯血？| 1 | | 剧烈运动后咯血,是怎么了?| 剧烈运动后咯血，应该怎么处理？| 0 | | 剧烈运动后咯血,是怎么了?| 剧烈运动后咯血，需要就医吗？| 0 | | 剧烈运动后咯血,是怎么了?| 剧烈运动后咯血，是否很严重？| 0 | 本次任务我采用的方式和大家一样，bert+fc，构造句子对输入， 直接送入bert进行0 1分类。 ### **任务难点** 姑且写一个稍微正经点的难点，其实最大的难点就是我上边说的...... * **数据量小** 数据量小一般就会造成模型容易过拟合或欠拟合。 ### **解决方案** #### **数据增强** 在比赛过程中我采用过很多数据增强，例如bert mask预测进行关键词替换（整理后的代码没有 提交这些失败的方案，做法可以借鉴[华为开源的tinyBert数据增强方法。](https://github.com/huawei-noah/Pretrained-Language-Model/blob/master/TinyBERT/data_augmentation.py)）, 还有eda，ICD医疗词汇替换增强等，均让我线下效果下降了，也就放弃了进行线上测试。 有用的数据增强就是数据传递，例如A与B相似，A与C相似，A与D不相似，因此得到B、C相似，B、C和D不相似， 但同时要注意，数据增强不能过多，需要保证扩充的数据0 1标签分布要和原数据一致，这样才能提升效果， 详情方法见[增强代码部分](code/data_aug.py)。我稍微测了下线上，数据增强后ernie五折结果提升了3-4个千分点。 #### **fgm** 增加对抗训练应该算是一个通用的提升模型方法，可以有效提高模型的鲁棒性和泛化能力， 详情参见[功守道：NLP中的对抗训练 + PyTorch实现](https://zhuanlan.zhihu.com/p/91269728)。 本次代码中只需要将train.py中的adv_type改成fgm就行了。 在fgm中我只对word embedding进行了扰动，尝试过position embedding等的扰动， 但是都下降了。fgm代码在[adv_utils.py](code/utils/adv_utils.py) #### **调参** 调参真的是一个恶心的过程，但是在bert时代，得调参者得天下......， 参数中最有奇效的是lr和weight decay（0.01），参数设定的话请见[train.py](code/train.py) 和[main.sh](code/main.sh) #### **模型融合** 模型融合方式我采用的投票，logits取平均的话单模比投票稍低5个万分点， 方式：五折组间投票，然后投票结果再与其他模型进行投票。详细代码见[predict.py](code/predict.py) 最终融合的模型是[roberta_wwm_ext_large](https://github.com/ymcui/Chinese-BERT-wwm)、 [ernie_base](https://github.com/nghuyong/ERNIE-Pytorch)、 [roberta-pair-large](https://github.com/CLUEbenchmark/CLUEPretrainedModels). 请不要喷我融合太多...为了上分，没办法，不融合干不过。 #### **失败trick** 本次比赛，我阵亡的trick比有用的trick多多了...... 1. bert mask预测进行关键词替换； 2. 疾病等关键词替换； 3. 自蒸馏； 4. 标签平滑（线下有效，但是线上降了几个万分点）； 5. 取多层bert输出进行各种骚操作； 6. 在bert后增加lstm、gru、attention、cnn、capsule net各种网络， 并且我在法研杯有效的rcnn加上去也降了。 7. 以及其它我记不清楚的不知名trick。 **代码说明** ------- #### **基本代码** 开源的代码是我整理来提交复现的，一股脑训练预测运行流程请见[main.sh](code/main.sh) 下边是我线下测试的一个运行流程。 **数据增强** 线下的话只需要增强训练集就好，用验证集测试。 在data_aug中修改main下边的代码。 ``` datas = load_data('train.csv路径') datas = data_aug(datas) # 进行数据增强操作 write_fold_data(datas, '增强后数据保存文件名') ``` 线下测试的话首先把增强后的数据放到train.csv文件夹下， 然后还要将[code/utils/data_utils.py](code/utils/data_utils.py) 中的PairProcessor部分（31行左右）的对应训练数据名称train.csv替换成增强后的训练数据名称。 **训练** 在train.py指定好其余训练参数后。如下运行： ``` CUDA_VISIBLE_DEVICES=0 python train.py \ --do_train \ --do_eval \ --do_eval_during_train \ ``` 程序会边运行边进行模型筛选，每五十步筛选一次，保存在验证集上acc最好的模型。 **预测** 预测代码是[code/predict.py](code/predict.py)，提交时用法： 1. 将77行vote_model_paths参数替换成你的五折模型文件夹就行了，文件夹下边是五个子文件夹; 如果有多个模型用英文逗号分隔。 2. 指定好测试集文件名(predict_file)和预测结果文件名(predict_result_file)就行了。 3. 然后 CUDA_VISIBLE_DEVICES=0 python predict.py 完事。 **Reference** ----- 1. [Transformers: State-of-the-art Natural Language Processing for TensorFlow 2.0 and PyTorch. ](https://github.com/huggingface/transformers)