Update

基于当前repo 优化后，A/B 榜皆是Top1，~~代码整理中，后续会陆续放上来！~~

优化思路

Post training

mlm

提升mlm任务中的mask策略，提升难度，提高下游性能：挖掘新词，加入词典，whole word mask + dynamic mask

挖掘新词

python new_words_mining.py

nsp

句子级别的任务是有用的，不过替换为SOP/AOP: query-answer pair时互换位置(sop)，query-answer-list时，只打乱answer-list的顺序（aop)

model-adaptive

post training的样本格式与下游一致，也能带来提升（区别RoBERTa 中的结论）

完整post training代码为两份：query-answer pair 与 query-answerA-list两种方式：

python popint-post-training-wwm-sop.py
python pair-post-training-wwm-sop.py

PS: post training 后，bert 后接复杂分类层（CNN/RNN/DGCNN/...)基本不会带来提升

融入知识

融入知识主要两种方式：bert 的Embedding层融入与transformer output层融入:

embedding层融合
transformer output 层融合

融入的知识使用的gensim 训练的word2vec(dims=100)，不过两种方式多次实验后都没带来提升：

python pair-external-embedding.py

如何切换融入的方式，请查看代码后自行修改

对比学习

引入对比学习尝试提高模型性能，对比学习主要有两种方式：自监督对比学习与监督对比学习：

自监督对比学习
通过互换QA位置，并随机mask 10%的token来构建一对view，view之间互为正例：
loss
model
监督对比学习
将相同label的样本视为互为正例：
loss
model

执行自监督对比代码：

python pair-data-augment-contrstive-learning.py

执行监督对比学习代码：

python pair-supervised-contrastive-learning.py

自蒸馏

自蒸馏即Teacher 与 Student 为同一个模型，Teacher训练一次后，在train data上打上soften labels，然后迁移至Student 模型。

python pair-self-kd.py

对抗训练

使用FGM方法对EMbedding进行扰动：

python pair-adversarial-train.py

数据增强

数据增强主要尝试了两种方式：EDA与伪标签。

EDA 随机删除/随机替换/随机插入/随机重复，操作比例10%，每个样本生成4个新样本词向量质量低，所以使用从当前句子随机选取一个词作为同义词进行操作
伪标签用已训练的模型对test data打上标签加入训练集

Tips：数据增强时用已训练模型进行过滤，将低置信度（<0.7)的样本过滤掉，避免引入错误标签样本；此外，伪标签时，要结合数据比例，过多的测试数据提前进入训练集，最终的结果只会与“伪标签”一致，反而无法带来提升。

shuffle

在query-answer-list 样本格式下，解码时对answer-list进行全排列，然后投票。不过此次比赛的数据顺序很重要，乱序后结果较差，没带来提升

总结

-----------------------------------2020.01.18------------------------------------------------------------------

比赛

贝壳找房-房产行业聊天问答匹配，比赛地址https://www.datafountain.cn/competitions/474/datasets

总结博客：ccf问答匹配

简单说明

样本为一个问题多个回答，其中回答有的是针对问题的回答（1），也有不是的（0），其中回答是按顺序排列的。即： query1: [(answer1, 0), (answer2, 1),...] 任务是对每个回答进行分类，判断是不是针对问题的回答。

pretrain model weights

预训练模型使用的是华为开源的nezha-base-wwm

Baseline

思路一：

不考虑回答之间的顺序关系，将其拆为query-answer 对，然后进行判断。比如现在的样本是: {query: "房子几年了", answers: [("二年了", 1), ("楼层靠中间"， 0)]},此时我们将其拆分为单个query-answer pair，即： [{query: "房子几年了", answer: "二年了", label: 1}, {query: "房子几年了", answer: "楼层靠中间", label: 0}]

代码实现：pair_match

单模型提交f1: 0.752

思路二：

考虑对话连贯性，同时考虑其完整性，将所有回答顺序拼接后再与问题拼接，组成query-answer1-answer2，然后针对每句回答进行分类。上面的例子将被组成样本：{query: "房子几年了", answer: "两年了[SEP]楼层靠中间[SEP]", label: [mask, mask, mask, 0, mask, mask, mask,mask,mask, 0]} 即：将每句回答后面的[SEP] 作为最终的特征向量，然后去做二分类。

代码实现：match_point

单模型提交f1: 0.75

思路三：

Pattern-Exploiting Training(PET)，即增加一个pattern，将任务转换为MLM任务，然后通过pattern的得分来判断对应的类别。如本次样本可以添加一个前缀pattern："简接回答问题"/"直接回答问题"，分别对应label 0/1,pattern的得分只需看第一个位置中"间"/"直" 两个token的概率谁高即可。此外，训练时还可以借助bert的预训练任务中的mlm任务增强模型的泛化能力。更详细的请介绍请查阅文本分类秒解

对于本次样本，对应的示意图如下：

对应代码实现：pet classification

单模型提交f1: 0.76+

思路四

由于bert 不同的transformer 层提取到的语义粒度不同，而不同粒度的信息对分类来说起到的作用也不同，所以可以concat所以粒度的语义信息，拼接后作为特征进行分类。

对应于本次样本，示意图如下：

对应代码实现：concat classification 单模型提交f1: 0.75+

tips

贴几篇感觉有启发的关于文本分类的论文

ljch2018/ccf_2020_qa_match