Awesome
“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
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。
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。）, 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。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。 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
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 和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 最终融合的模型是roberta_wwm_ext_large、 ernie_base、 roberta-pair-large. 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......
- bert mask预测进行关键词替换；
- 疾病等关键词替换；
- 自蒸馏；
- 标签平滑（线下有效，但是线上降了几个万分点）；
- 取多层bert输出进行各种骚操作；
- 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。
- 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
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 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，提交时用法：
- 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。
- 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。
- 然后 CUDA_VISIBLE_DEVICES=0 python predict.py 完事。