面向?qū)嶓w對(duì)象的文本描述情感極性及色彩強(qiáng)度分析

之前沒(méi)認(rèn)真打過(guò)煉丹的比賽，這次機(jī)緣巧合碰上了三個(gè)牛逼又靠譜的隊(duì)友，就堅(jiān)持把這次比賽打完了。剛開(kāi)始的時(shí)候沒(méi)想到這次能拿下第一，趁著剛答辯完就順帶把這次NLP賽道的方案開(kāi)源出來(lái)，歡迎各位同學(xué)參考和討論。

賽題分析

賽題介紹

這次的比賽由NLP和推薦兩部分組成，推薦的特征工程實(shí)在是做不明白，這次主要還是做NLP的部分。

抄一下官網(wǎng)的NLP賽題介紹：面向?qū)嶓w對(duì)象的文本描述情感極性及色彩強(qiáng)度分析。情感極性和強(qiáng)度分為五種情況：極正向、正向、中立、負(fù)向、極負(fù)向。選手需要針對(duì)給定的每一個(gè)實(shí)體對(duì)象，從文本描述的角度，分析出對(duì)該實(shí)體的情感極性和強(qiáng)度。

NLP任務(wù)的評(píng)價(jià)指標(biāo)為macro-F1，在計(jì)算準(zhǔn)確和召回的時(shí)候，是按照分析的實(shí)體數(shù)進(jìn)行計(jì)數(shù)的，而非樣本數(shù)。

拿一條數(shù)據(jù)來(lái)舉例子（截取部分文本）：

{ "content": "離婚之后的林慶昆本以為會(huì)有一番更大的天地，沒(méi)想到離開(kāi)了吳敏自己什么都不是......", "entity": {"吳敏": 1, "林慶昆": -1} }

這條數(shù)據(jù)里有一段文本和兩個(gè)實(shí)體，需要預(yù)測(cè)出這兩個(gè)實(shí)體在文本中的情感極性，情感標(biāo)簽為-2, -1, 0, 1, 2五個(gè)。

簡(jiǎn)單分析可以知道這題可以定義為Aspect-level Sentiment Classification。

數(shù)據(jù)分析

在正式建模之前需要進(jìn)行一些簡(jiǎn)單的數(shù)據(jù)分析來(lái)挖掘賽題的特點(diǎn)。在這里截取一張和隊(duì)友一起做的PPT的圖：

數(shù)據(jù)分析

我們對(duì)數(shù)據(jù)中的文本長(zhǎng)度、實(shí)體數(shù)量和標(biāo)簽分布進(jìn)行了簡(jiǎn)單的分析，這提示我們：

有部分文本長(zhǎng)度超過(guò)BERT的512最大長(zhǎng)度，或許可以考慮長(zhǎng)文本處理的常用技巧；

實(shí)體的情感標(biāo)簽分布不平衡，最少的類只有2%左右，或許可以考慮不平衡分類問(wèn)題的技巧。

但實(shí)驗(yàn)證明上面這些考慮最后都只會(huì)成為掉分點(diǎn)，具體的思考在后文論述。

模型構(gòu)建

Baseline

官方公布了賽題的Baseline，NLP賽道的Baseline大致是如下思路：將一段文本和文本中的一個(gè)實(shí)體拼成一條數(shù)據(jù)，一段文本對(duì)應(yīng)N個(gè)實(shí)體就會(huì)有N條數(shù)據(jù)。將一條數(shù)據(jù)輸入BERT-based分類器后輸出一個(gè)實(shí)體。

仍然以上一節(jié)的case為例，按Baseline的做法這條數(shù)據(jù)會(huì)被拆成兩條數(shù)據(jù)輸入到BERT：

[CLS] 吳敏 [SEP] 離婚之后的林慶昆本以為會(huì)有一番更大的天地，沒(méi)想到離開(kāi)了吳敏自己什么都不是... [SEP] [CLS] 林慶昆 [SEP] 離婚之后的林慶昆本以為會(huì)有一番更大的天地，沒(méi)想到離開(kāi)了吳敏自己什么都不是... [SEP]

然后以BERT輸出的[CLS]位置的語(yǔ)義向量通過(guò)MLP分類器得到情感極性。

實(shí)際上我想思路的時(shí)候我還沒(méi)看到Baseline，看到Baseline的做法之后我就搖頭。

這里再截一張PPT的圖說(shuō)明Baseline有什么問(wèn)題：

就是說(shuō)，一方面預(yù)期效果不好，因?yàn)锽aseline構(gòu)造數(shù)據(jù)的方式使分布發(fā)生了變化（有一個(gè)實(shí)體的文本模型會(huì)看它一次，有30個(gè)實(shí)體的文本模型就會(huì)看它30次，但是這點(diǎn)也存疑，因?yàn)榇疝q過(guò)程中有選手表示發(fā)現(xiàn)了數(shù)據(jù)的leak，后續(xù)的方法可能是使用了這個(gè)leak所以效果才會(huì)好的）；另一方面把一段文本復(fù)制了好多遍顯然會(huì)導(dǎo)致效率大大下降；還有一點(diǎn)在PPT里沒(méi)說(shuō)的是沒(méi)有考慮到實(shí)體之間可能存在的潛在關(guān)系。

設(shè)計(jì)思路

再?gòu)腜PT里截一張圖：

在做這題的時(shí)候我就會(huì)思考如何做得優(yōu)雅，最好方法是simple yet effective的。最好就是使用以預(yù)訓(xùn)練BERT為backbone的分類器，不對(duì)模型結(jié)構(gòu)做太大修改，而且還要能在一次輸入之內(nèi)就并行分類所有實(shí)體。

除了BERT還考慮使用XLNet，因?yàn)閄LNet使用了相對(duì)位置編碼，可以原生支持超長(zhǎng)文本的輸入，而且XLNet的Tokenizer是字詞結(jié)合的，可以適應(yīng)本次比賽文本長(zhǎng)度較長(zhǎng)的情況。

模型架構(gòu)

大概想了不到一個(gè)小時(shí)，想到了如下的方案：

如圖所示，模型的整體架構(gòu)就是一個(gè)普通的分類模型，在預(yù)訓(xùn)練的BERT或XLNet模型基礎(chǔ)上增加了簡(jiǎn)單的MLP分類器。這個(gè)思路的要點(diǎn)在于改變數(shù)據(jù)輸入的方式，利用BERT和XLNet作為Masked Language Model的性質(zhì)，以[SEP]符號(hào)為界，第一段為文本輸入，第二段按順序輸入所有實(shí)體，實(shí)體之間以[MASK]進(jìn)行分隔，這個(gè)[MASK]標(biāo)簽通過(guò)BERT Encoder得到的語(yǔ)義向量就代表對(duì)應(yīng)實(shí)體的情感極性。將所有[MASK]位置的語(yǔ)義向量通過(guò)分類器即可并行對(duì)所有的實(shí)體進(jìn)行分類。

這套思路不加Trick的情況下線上F1就可以到69+，讓我在比賽前期就能超過(guò)大部分使用Baseline的團(tuán)隊(duì)。

另外根據(jù)線下指標(biāo)推測(cè)最終Accuracy在90+，說(shuō)明這題訓(xùn)練和測(cè)試集基本上同分布。

一些補(bǔ)充的思考

要說(shuō)這個(gè)方法為什么會(huì)有用，我一開(kāi)始推測(cè)是因?yàn)榭紤]了實(shí)體之間的潛在關(guān)系，而且對(duì)數(shù)據(jù)分布的假設(shè)更加合理。

后來(lái)決賽答辯的時(shí)候聽(tīng)到有選手提到這個(gè)數(shù)據(jù)存在leak，也就是在數(shù)據(jù)中標(biāo)簽非0的實(shí)體會(huì)被排在前面，標(biāo)簽為0的實(shí)體會(huì)被排在后面。我突然就覺(jué)得這可能就是這個(gè)方法提升巨大的真正原因，用了這個(gè)方法之后，相當(dāng)于模型從中學(xué)到了一個(gè)bias，就是靠近文本末尾的實(shí)體，標(biāo)簽為0的可能性更大。

另外，在比賽中期，“靈境”組在討論區(qū)公開(kāi)了一個(gè)方案，我們發(fā)現(xiàn)該方案的核心思路和我們不謀而合。在該方案公開(kāi)后很多隊(duì)伍的分?jǐn)?shù)都追上來(lái)了，在決賽答辯過(guò)程中我也發(fā)現(xiàn)很多高分團(tuán)隊(duì)都搬運(yùn)了這套方案。公開(kāi)的方案和我們做法基本一致，不過(guò)使用了一個(gè)含有MLM的全套BERT類模型，第二段文本（在該方案中被稱為Prompt）的形式為：“在這句話中，<實(shí)體1>是[MASK]，<實(shí)體2>是[MASK]......”，然后MLM頭輸出詞表大小維度（21128）的向量，取五個(gè)Token作為Verbalizer（壞、差、平、行、好），分別對(duì)應(yīng)五個(gè)情感極性標(biāo)簽，忽略其他的Token。

然而，這套方案和我們的做法還存在一定差別，這也是我認(rèn)為該方案在這個(gè)任務(wù)上存在的一些問(wèn)題：

我們不稱輸入的第二段文本為"Prompt"，因?yàn)檫@容易和Prompt Tuning概念中的Prompt混淆。該任務(wù)并不適合Prompt Tuning范式，而仍然是采用普通的對(duì)全模型進(jìn)行參數(shù)更新的Full Tuning范式。因此在該題中，“Prompt”的形式如何并不重要，增加一些沒(méi)什么用的詞反而會(huì)擠占第一段文本的輸入長(zhǎng)度。

該方案使用了BERT的MLM頭進(jìn)行分類，21128維的詞表中只有五個(gè)Token映射到有效標(biāo)簽，其余Token都被忽略。這和我們的方案在結(jié)構(gòu)上基本等價(jià)，唯一的區(qū)別是該方案有MLM頭的參數(shù)初始化而我們的分類層為隨機(jī)初始化，這個(gè)區(qū)別是否會(huì)帶來(lái)性能提升不知道，但是直觀的是模型增加了至少768*21123=16M（或者1024*21123=22M）的無(wú)用參數(shù)量，在題目有模型總大小限制的情況下這意味著可以融合的模型變少了。

模型優(yōu)化

針對(duì)上述提出的模型，我們進(jìn)行了很多優(yōu)化嘗試，下面主要討論上分較多的技巧，沒(méi)什么用的東西就在最后放一小節(jié)補(bǔ)充說(shuō)明。很多優(yōu)化技巧都會(huì)導(dǎo)致訓(xùn)練或測(cè)試階段時(shí)空開(kāi)銷大大提升，比賽時(shí)還是應(yīng)該視情況使用。

線下數(shù)據(jù)劃分方式

隊(duì)友發(fā)現(xiàn)，初賽階段使用前90%數(shù)據(jù)訓(xùn)練，后10%驗(yàn)證，可以取得最好的線上效果，隨機(jī)10%效果會(huì)變差一些，增加訓(xùn)練數(shù)據(jù)也不能使效果變好。復(fù)賽階段使用了同樣的數(shù)據(jù)劃分方式。

對(duì)抗訓(xùn)練（FGM）

在各類文本分類任務(wù)中，常用的提升NLP模型訓(xùn)練魯棒性和泛化能力的有效方法。簡(jiǎn)單來(lái)說(shuō)是在Embedding層的參數(shù)有一定程度擾動(dòng)時(shí)也盡量保證模型能分類正確。事后估計(jì)初賽線上提升1%左右。

參考了這篇知乎文章的實(shí)現(xiàn)方法：Nicolas：【煉丹技巧】功守道：NLP中的對(duì)抗訓(xùn)練 + PyTorch實(shí)現(xiàn)

模型平均 （SWA）

對(duì)訓(xùn)練過(guò)程中的多個(gè)checkpoint進(jìn)行權(quán)重平均，或許可以有助于模型收斂到loss landscape平坦區(qū)域的中心，提升模型的泛化能力。具體而言，我們?cè)隍?yàn)證指標(biāo)的最高點(diǎn)開(kāi)始，將這一輪和到Early Stopping之前的各輪驗(yàn)證時(shí)，驗(yàn)證指標(biāo)與最高點(diǎn)差值小于一定值的模型權(quán)重放進(jìn)來(lái)平均。事后估計(jì)初賽線上提升1%左右。

模型融合

沒(méi)什么好說(shuō)的，幾個(gè)模型預(yù)測(cè)的logits平均得到最終結(jié)果。值得注意的是這題有2G的模型總大小限制，因此我們需要考慮融合模型的異構(gòu)度不能盲目做K折，最后融合了2個(gè)稍微異構(gòu)的XLNet-Mid + 1個(gè)MacBERT-Large + 1個(gè)RoBERTa-Large，全部保存為FP16格式，模型文件總大小2043M正好小于2G。估計(jì)初賽提升大約1%，復(fù)賽提升大約2%。

偽標(biāo)簽

在模型融合的基礎(chǔ)上，使用融合模型預(yù)測(cè)的測(cè)試集標(biāo)簽作為偽標(biāo)簽，將測(cè)試集數(shù)據(jù)加入訓(xùn)練集中再次訓(xùn)練模型。在復(fù)賽中，我們?yōu)榱吮苊舛嗄Ｐ驮跍y(cè)試集上的預(yù)測(cè)結(jié)果失去異構(gòu)性，我們沒(méi)有把全部測(cè)試數(shù)據(jù)都加入訓(xùn)練集，而是四個(gè)模型預(yù)測(cè)結(jié)果投票，大于等于三個(gè)模型預(yù)測(cè)一致的數(shù)據(jù)才會(huì)被加入訓(xùn)練集。這個(gè)訓(xùn)練集會(huì)重新被用于訓(xùn)練四個(gè)模型，然后重新進(jìn)行融合。復(fù)賽在模型融合基礎(chǔ)上還有1%左右的提升。

復(fù)賽數(shù)據(jù)適配

如圖所示。在復(fù)賽開(kāi)始的時(shí)候，起初我們使用初賽訓(xùn)練集+復(fù)賽訓(xùn)練集的全量訓(xùn)練數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，結(jié)果發(fā)現(xiàn)效果不好。后來(lái)發(fā)現(xiàn)復(fù)賽數(shù)據(jù)相比初賽數(shù)據(jù)的分布可能發(fā)生了較大的偏移，因此我們考慮用初賽訓(xùn)練好的模型的權(quán)重來(lái)對(duì)模型進(jìn)行初始化，然后只在復(fù)賽數(shù)據(jù)集上訓(xùn)練。相比全量數(shù)據(jù)訓(xùn)練提升近3%，驗(yàn)證了我們的猜想。

沒(méi)什么用的

R-Drop：在有了FGM，SWA等東西的情況下沒(méi)有什么提升，而且還慢。

PGD：慢而且相比FGM沒(méi)什么提升。

EMA：有了SWA之后也顯得沒(méi)用。

數(shù)據(jù)增強(qiáng)：嘗試了EDA和AEDA，本來(lái)以為會(huì)有用實(shí)際上沒(méi)用。

長(zhǎng)文本處理：估計(jì)是沒(méi)有什么用，某次偶然發(fā)現(xiàn)設(shè)置最大長(zhǎng)度512的XLNet和最大長(zhǎng)度800的XLNet相比效果基本沒(méi)有差別，用MacBERT和RoBERTa訓(xùn)的模型和XLNet比效果也相差不大。推測(cè)可能是因?yàn)榍鞍攵挝谋镜?a target="_blank">信息量已經(jīng)足夠?qū)^大多數(shù)實(shí)體正確分類了。

標(biāo)簽不平衡處理：嘗試過(guò)Focal Loss和類別重加權(quán)，也沒(méi)有什么用。猜測(cè)可能是因?yàn)閿?shù)據(jù)中2和-2的數(shù)據(jù)量也相對(duì)充足（各有幾千個(gè)實(shí)體），在普通Cross Entropy下充分學(xué)習(xí)也可以對(duì)這些類大部分樣本正確分類了，而修改Loss反而會(huì)扭曲模型學(xué)習(xí)到的分布，對(duì)于訓(xùn)練和測(cè)試同分布的情況下反而不利。

評(píng)測(cè)結(jié)果

初賽、復(fù)賽和決賽評(píng)測(cè)均為NLP賽道第一。

審核編輯 ：李倩