NLP:用Cluster-to-Cluster生成更多樣化的新數(shù)據(jù)

論文名稱：C2C-GenDA: Cluster-to-Cluster Generation for Data Augmentation of Slot Filling 論文作者：侯宇泰、陳三元、車萬(wàn)翔、陳成、劉挺 原創(chuàng)作者：侯宇泰 論文鏈接：https://arxiv.org/abs/2012.07004 出處：哈工大SCIR

1. 簡(jiǎn)介

1.1 研究背景

對(duì)話語(yǔ)言理解（Spoken Language Understanding，SLU）[1]經(jīng)常面臨領(lǐng)域和需求的頻繁切換，這常常會(huì)導(dǎo)致訓(xùn)練數(shù)據(jù)在數(shù)量和質(zhì)量上的不足。

數(shù)據(jù)增強(qiáng)（Data Augmentation）是一種自動(dòng)生成新數(shù)據(jù)擴(kuò)充訓(xùn)練集的技術(shù)，能夠有效地緩解上述數(shù)據(jù)不足的帶來(lái)的挑戰(zhàn) [2,3]。

1.2 研究動(dòng)機(jī)

如圖1（上）所示，現(xiàn)有數(shù)據(jù)增強(qiáng)，如基于Seq2Seq 的句子復(fù)述（re-phrasing）方法 [4,5,6]，經(jīng)常無(wú)法避免地生成沒(méi)有意義的重復(fù)數(shù)據(jù)。這很大程度要?dú)w咎于現(xiàn)有的one-by-one數(shù)據(jù)生成模式。

相較之下，如圖1（下）所示，one-by-one數(shù)據(jù)生成弊病可以天然地通過(guò)多到多（cluster-to-cluster）生成方式得到緩解。

圖1 示例：從已有句子生成新表述，現(xiàn)有one-by-one復(fù)述方法無(wú)法避免生成重復(fù)數(shù)據(jù)

1.3 我們的貢獻(xiàn)

我們提出了一種全新的Cluster-to-Cluster生成范式來(lái)生成新數(shù)據(jù)，并基于此提出了一個(gè)全新的數(shù)據(jù)增強(qiáng)框架，稱為C2C-GenDA。C2C-GenDA通過(guò)將現(xiàn)有句子重構(gòu)為表達(dá)方式不同但語(yǔ)義相同的新句子，來(lái)擴(kuò)大訓(xùn)練集。與過(guò)往的Data Augmentation（DA）方法逐句（One-by-one）構(gòu)造新句子的做法不同，C2C-GenDA采用一種多到多（Cluster-to-Cluster）的全新的新語(yǔ)料生成方式。

具體的，C2C-GenDA聯(lián)合地編碼具有相同語(yǔ)義的多個(gè)現(xiàn)有句子，并同時(shí)解碼出多個(gè)未見(jiàn)表達(dá)方式的新句子。

這樣種的生成方式會(huì)直接帶來(lái)如下好處：

（1）同時(shí)生成多個(gè)新話語(yǔ)可以讓模型建模生成的新句子之間的關(guān)系，減少新句子間內(nèi)部重復(fù)。

（2）聯(lián)合地對(duì)多個(gè)現(xiàn)有句子進(jìn)行編碼讓模型可以更廣泛地看到已有的現(xiàn)有表達(dá)式，從而減少無(wú)意義的對(duì)已有數(shù)據(jù)的重復(fù)。

1.4實(shí)驗(yàn)效果

當(dāng)只有數(shù)百句訓(xùn)練語(yǔ)料時(shí)，C2C-GenDA數(shù)據(jù)增強(qiáng)方法在了兩個(gè)公開(kāi)的槽位提取（slot filling）數(shù)據(jù)集上分別帶來(lái)了 7.99 (11.9%↑) and 5.76 (13.6%↑) F-scores 的提升。

2. 方法

2.1 Cluster2Cluster 生成模型

給定具有相同語(yǔ)義框架（semantic frame）的一組多個(gè)句子，即input cluster， 模型一次性生成多個(gè)新句子，即output cluster。這些輸出與輸入的語(yǔ)義框架相同，但是具有不同的表達(dá)方式。

圖2 Cluster2Cluster 生成模型

如圖2所示，Cluster2Cluster模型采用基于Transformer的Encoder和Decoder。具體的，我們用特殊分割Token拼接input cluster中的句子，作為模型輸入。在解碼時(shí)，模型用多個(gè)共享參數(shù)的decoder同步解碼多個(gè)新句子。

我們采用了前人添加Rank Token作為解碼起步的方法[5]來(lái)讓模型區(qū)分不同的輸出句子。

同時(shí)，為了進(jìn)一步提升句子的多樣性，我們提出Duplication-aware Attention和Diverse-Oriented Regularization來(lái)進(jìn)一步強(qiáng)化模型，如圖2所示：

（1）Duplication-aware Attention（DAA）：通過(guò)Attention為模型提供兩方面的信息，即Input Cluster中已有的表達(dá)方式，和其他正在解碼的句子中的表達(dá)方法。根據(jù)這些信息，我們采用一種類似Coverage Attention的方式對(duì)重復(fù)的表達(dá)生成進(jìn)行懲罰。

（2）Diverse-Oriented Regularization（DOR）：我們提出DOR來(lái)從Loss層面引導(dǎo)模型生成多樣的句子。具體的，我們用不同句子，解碼詞分布之間的KL-散度作為loss，來(lái)約束模型避免在不同的句子中的相同step解碼出相同的詞。

2.2 Cluster2Cluster 模型訓(xùn)練

僅有多到多的生成模型顯然不足以生成新的數(shù)據(jù)。為了讓Cluster2Cluster模型具有生成新表述的能力，我們提出了Dispersed Cluster Pairing算法來(lái)構(gòu)造多到多的復(fù)寫(xiě)（Paraphrase）訓(xùn)練數(shù)據(jù)。

具體的，如圖3 和圖4所示，給定具有相同語(yǔ)義的一組數(shù)據(jù)，我們首先找到一組表述相近的句子作為Input Cluster，然后貪心地構(gòu)造Output Cluster：每次添加一句和Input Cluster以及現(xiàn)有Output Cluster表述差異最大的句子到 Output Cluster。

這樣的作法旨在模擬從少量說(shuō)法有限的句子生成多樣的未見(jiàn)表述的過(guò)程。

圖3構(gòu)造多到多的Paraphrase訓(xùn)練數(shù)據(jù)

圖4多到多的Paraphrase訓(xùn)練數(shù)據(jù)構(gòu)造算法

2.3 數(shù)據(jù)增強(qiáng)實(shí)現(xiàn)

我們將原有的訓(xùn)練數(shù)據(jù)分為兩份，一份訓(xùn)練C2C-GenDA模型，一份用來(lái)做數(shù)據(jù)增強(qiáng)的輸入。

最后我們用所有新生成的句子和原有的句子作為增強(qiáng)后的訓(xùn)練集。

3. 實(shí)驗(yàn)：

3.1 主實(shí)驗(yàn)結(jié)果

如表1所示，我們的方法能夠大幅地提升Slot Filling模型效果（Baseline），并優(yōu)于現(xiàn)有的數(shù)據(jù)增強(qiáng)方法。

表1 主實(shí)驗(yàn)結(jié)果

3.2 分析實(shí)驗(yàn)

如表2所示，在消融實(shí)驗(yàn)中，我們提出的各個(gè)模塊都對(duì)最終的實(shí)驗(yàn)效果起到了作用。

表2 消融實(shí)驗(yàn)

表3展示不同生成模型的生成數(shù)據(jù)和Inter和Intra多樣性，結(jié)果顯示采用Cluster2Cluster的生成方法可以讓新數(shù)據(jù)的多樣性產(chǎn)生巨大的提升。

表3 多樣性分析實(shí)驗(yàn)

表4展示了由Cluster2Cluster模型生成的一些樣例，可以看到Cluster2Cluster模型可以從多個(gè)角度生成一些有趣的新表述方式。

表4 樣例分析

4.參考文獻(xiàn)

[1] Young, S.; Gasiˇ c, M.; Thomson, B.; and Williams, J. D. ′ 2013. Pomdp-based statistical spoken dialog systems: A review. Proc. of the IEEE 101(5): 1160–1179.

[2] Kim, H.-Y.; Roh, Y.-H.; and Kim, Y.-G. 2019. Data Augmentation by Data Noising for Open-vocabulary Slots in Spoken Language Understanding. In Proc. of NAACL, 97– 102.

[3] Shin, Y.; Yoo, K. M.; and Lee, S.-G. 2019. Utterance Generation With Variational Auto-Encoder for Slot Filling in Spoken Language Understanding. IEEE Signal Processing Letters 26(3): 505–509.

[4] Yoo, K. M. 2020. Deep Generative Data Augmentation for Natural Language Processing. Ph.D. thesis, Seoul National University

[5] Hou, Y.; Liu, Y.; Che, W.; and Liu, T. 2018. Sequence-to-Sequence Data Augmentation for Dialogue Language Understanding. In Proc. of COLING, 1234–1245.

[6] Kurata, G.; Xiang, B.; and Zhou, B. 2016. Labeled Data Generation with Encoder-Decoder LSTM for Semantic Slot Filling. In Proc. of INTERSPEECH, 725–729.

責(zé)任編輯：xj

原文標(biāo)題：【SCIR AAAI2021】數(shù)據(jù)增強(qiáng)沒(méi)效果？試試用Cluster-to-Cluster生成更多樣化的新數(shù)據(jù)吧

文章出處：【微信公眾號(hào)：深度學(xué)習(xí)自然語(yǔ)言處理】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。