入門(mén)自然語(yǔ)言處理的基本任務(wù)——文本匹配

2020年初，新冠疫情席卷全球。除了“待在家，不亂跑”，我想還能從哪為抗擊疫情出點(diǎn)微薄之力呢？

碰巧室友推送了一個(gè)天池公益賽“新冠疫情相似句對(duì)判定大賽”，秉持“重在參與”的心態(tài)參加了比賽。經(jīng)過(guò)半個(gè)月的努力，最終結(jié)果勉強(qiáng)不錯(cuò)（第6），收割了一臺(tái)Kindle。

2021年1月，疫情形勢(shì)依然嚴(yán)峻，幸運(yùn)的是國(guó)家不僅及時(shí)穩(wěn)住了疫情，還研發(fā)出了有效的疫苗。借助疫情主題的比賽，我希望幫助更多讀者，入門(mén)自然語(yǔ)言處理的基本任務(wù)——文本匹配。

開(kāi)源代碼：

https://github.com/yechens/COVID-19-sentence-pair

01 數(shù)據(jù)分析任務(wù)背景非常直觀，主辦方給定了“肺炎”、“支氣管炎”、“上呼吸道感染”等醫(yī)療背景下的用戶真實(shí)提問(wèn)，要求選手通過(guò)算法識(shí)別任意2個(gè)問(wèn)題，是否表達(dá)同一個(gè)意思。舉例：

問(wèn)題1：“輕微感冒需不需要吃藥？”

問(wèn)題2：“輕微感冒需要吃什么藥？”

問(wèn)題1關(guān)心“是否得吃藥”，問(wèn)題2關(guān)心“該吃什么藥”，側(cè)重點(diǎn)不同所以意思不同。

數(shù)據(jù)集樣本都是三元組（query1， query2， label）。為了降低難度，每一個(gè)問(wèn)題的長(zhǎng)度被控制在20字以內(nèi)。

比賽的訓(xùn)練集、驗(yàn)證集分別包含8746、2001條三元組。我們從dev中隨機(jī)保留了800條樣本作為最終dev，其余均加入訓(xùn)練。

數(shù)據(jù)增強(qiáng)拿到數(shù)據(jù)簡(jiǎn)單分析后，我發(fā)現(xiàn)數(shù)據(jù)集已經(jīng)過(guò)清洗，竟然異常的干凈整齊（沒(méi)有雜亂的符號(hào)、不通順的句子），label分布幾乎也接近1:1。

再觀察數(shù)據(jù)，相同的query1總是按順序排列在一起，隨后跟著不同的query2。這種分布很容易想到一種數(shù)據(jù)增強(qiáng)策略：相似傳遞性。

A 《-》 B 相似 and A 《-》 C 相似 =》 B 《-》 C 相似

最終我額外獲得了5000條高質(zhì)量的數(shù)據(jù)，比賽準(zhǔn)確率因此提升了0.5%。

實(shí)體替換此外，我們也嘗試了訓(xùn)練一個(gè)NER模型挖掘文本中的醫(yī)療實(shí)體，如“胸膜炎”、“肺氣腫”，再通過(guò)word2vec查找最接近的實(shí)體進(jìn)行替換。

但這種方式并沒(méi)有提升最終結(jié)果。我覺(jué)得原因有2個(gè)：

1W條樣本規(guī)模偏小，NER模型識(shí)別誤差較大

詞向量沒(méi)有針對(duì)醫(yī)療場(chǎng)景訓(xùn)練，包含的醫(yī)療實(shí)體很少

02 匹配方法實(shí)現(xiàn)文本匹配有非常多簡(jiǎn)單又實(shí)用的方法，例如：

基于字符統(tǒng)計(jì)：字符串匹配、編輯距離、Jaccards距離

基于語(yǔ)言模型：word2vec/glove詞向量、BERT

基于神經(jīng)網(wǎng)絡(luò)：孿生網(wǎng)絡(luò)、TextCNN、DSSM、FastText等

由于比賽需要盡可能獲得高分，這里主要介紹基于神經(jīng)網(wǎng)絡(luò)和BERT的文本匹配算法。

BERT［1］是一種預(yù)訓(xùn)練語(yǔ)言模型，通過(guò)海量文本、Transformer架構(gòu)和MLM訓(xùn)練任務(wù)在眾多NLP任務(wù)上取得了優(yōu)異成果。對(duì)BERT不了解的讀者，可以參考我之前的文章“從BERT、XLNet到MPNet，細(xì)看NLP預(yù)訓(xùn)練模型發(fā)展變遷史”［2］。

比賽中我們測(cè)試了5-6種不同的神經(jīng)網(wǎng)絡(luò)方法，并最終選擇了3種在dev上表現(xiàn)最好的模型加權(quán)融合。具體可以參考 文件。

文本CNN（TextCNN）TextCNN是Yoon Kim［3］在2014年提出的用于句子分類(lèi)的卷積神經(jīng)網(wǎng)絡(luò)。文本匹配任務(wù)本質(zhì)上可以理解成二分類(lèi)任務(wù)（0：不相似，1：相似），所以一般的分類(lèi)模型也能滿足匹配需求。

與圖像中的二維卷積不同，TextCNN采用的是一維卷積，每個(gè)卷積核的大小為 （h為卷積核窗口，k為詞向量維度）。文中采用了不同尺寸的卷積核，來(lái)提取不同文本長(zhǎng)度的特征。

然后，作者對(duì)于卷積核的輸出進(jìn)行最大池化操作，只保留最重要的特征。各個(gè)卷積核輸出經(jīng)MaxPooling后拼接形成一個(gè)新向量，最后輸出到全連接層分類(lèi)器（Dropout + Linear + Softmax）實(shí)現(xiàn)分類(lèi)。

我們知道，文本中的關(guān)鍵詞對(duì)于判斷2個(gè)句子是否相似有很大影響，而CNN局部卷積的特效能很好的捕捉這種關(guān)鍵特征。同時(shí)TextCNN還具有參數(shù)量小，訓(xùn)練穩(wěn)定等優(yōu)點(diǎn)。

文本RNN（TextRCNN）相比TextCNN，TextRCNN的模型結(jié)構(gòu)看起來(lái)復(fù)雜一些。

簡(jiǎn)單瀏覽論文后，會(huì)發(fā)現(xiàn)它的思路其實(shí)簡(jiǎn)單，粗暴。

首先通過(guò)詞向量獲得字符編碼 ，隨后將其通過(guò)雙向RNN學(xué)習(xí)上下文特征，編碼得到兩個(gè)方向的特征。

再將詞向量 和 、 拼接得到新向量，輸入經(jīng)tanh函數(shù)激活的全連接網(wǎng)絡(luò)。最后，將網(wǎng)絡(luò)的輸出最大池化，并輸入另一個(gè)全連接分類(lèi)器完成分類(lèi)。

RNN模型對(duì)于長(zhǎng)文本有較好的上下文“記憶”能力，更適合處理文本這種包含時(shí)間序列的信息。

BERT+MLP（fine-tune）最后一種方法，直接用語(yǔ)言模型BERT最后一層Transformer的輸出，接一層Dense實(shí)現(xiàn)文本匹配。

實(shí)驗(yàn)中我們發(fā)現(xiàn)，對(duì)最終輸出的每個(gè)token特征取平均（MeanPooling）效果好于直接使用首字符“［CLS］”的特征。

模型權(quán)重上，崔一鳴等人［5］發(fā)布的中文roberta_wwm_ext_large模型效果要好于BERT_large。

最后，我們根據(jù)這三種模型在dev上的準(zhǔn)確率設(shè)置了不同比重，通過(guò)自動(dòng)搜索找到最優(yōu)權(quán)重組合，在線上測(cè)試集取得了96.26%的準(zhǔn)確率。

讀者可以在“NLP情報(bào)局”后臺(tái)回復(fù)“文本匹配”直接下載模型論文。

03 漲分trick做一個(gè)深度學(xué)習(xí)主導(dǎo)的算法比賽，除了分析數(shù)據(jù)與模型，一些trick也是獲得高分的重要因素。這里羅列了一些常用策略。

數(shù)據(jù)增強(qiáng)［6］

標(biāo)簽平滑

自蒸餾

文本對(duì)抗訓(xùn)練［7］

模型融合

特征篩選

使用多個(gè)學(xué)習(xí)率［8］

針對(duì)這次文本匹配任務(wù)，數(shù)據(jù)增強(qiáng)、標(biāo)簽平滑、模型融合、多學(xué)習(xí)率都被證明是有效的。

04 總結(jié)過(guò)去將近1年的天池“新冠疫情相似句對(duì)判定大賽”，任務(wù)并不復(fù)雜，是入門(mén)NLP項(xiàng)目實(shí)戰(zhàn)，提升編程能力的很好鍛煉機(jī)會(huì)。

比賽雖然結(jié)束了，疫情猶在。大家一定要保護(hù)好自己哦！

編輯：jq