文本复述，中文文本数据增强

转载

datayx 2022-04-23 20:03:21

文章标签 图像识别深度学习人工智能计算机视觉机器学习 文章分类 云平台云计算

人工智能大数据与深度学习公众号：datayx

一．概述

文本复述任务是指把一句/段文本A改写成文本B，要求文本B采用与文本A略有差异的表述方式来表达与之意思相近的文本。

改进谷歌的LaserTagger模型，使用LCQMC等中文语料训练文本复述模型，即修改一段文本并保持原有语义。

复述的结果可用于数据增强，文本泛化，从而增加特定场景的语料规模，提高模型泛化能力。

二．模型介绍

谷歌在文献《Encode, Tag, Realize: High-Precision Text Editing》中采用序列标注的框架进行文本编辑，在文本拆分和自动摘要任务上取得了最佳效果。

在同样采用BERT作为编码器的条件下，本方法相比于Seq2Seq的方法具有更高的可靠度，更快的训练和推理效率，且在语料规模较小的情况下优势更明显。

文本复述，中文文本数据增强_人工智能

谷歌公开了本文献对应的代码，但是原有任务与当前任务有一定的差异性，需要修改部分代码，主要修改如下：

A.分词方式：原代码针对英文，以空格为间隔分成若干词。现在针对中文，分成若干字。

B.推理效率：原代码每次只对一个文本进行复述，改成每次对batch_size个文本进行复述，推理效率提高6倍。

三.文件说明和实验步骤

1.安装python模块参见"requirements.txt", "rephrase.sh" 2.训练和评测模型

文件需求 bert预训练的tensorflow 模型

采用RoBERTa-tiny-clue（中文版）预训练模型。网址

https://storage.googleapis.com/cluebenchmark/pretrained_models/RoBERTa-tiny-clue.zip

如果想采用其他预训练模型，请修改“configs/lasertagger_config.json".

代码跑通顺序：第一种方法：修改运行rephrase.sh 第二种方法详解：

第一步：制作训练测试验证集 python get_pairs_chinese/get_text_pair_lcqmc.py 获得lcqmc中的文本复述语料(语义一致的文本对，且字面表述差异不能过大，第三列为最长公共子串长度与总长度的比值)

只需要修改lcqmc的目录位置即可

python get_pairs_chinese/get_text_pair.py 可根据自己的预料获得文本复述语料(第三列为最长公共子串长度与总长度的比值)

再运行merge_split_corpus.py 将结果数据按比例划分训练、测试、验证集

第二步：短语_词汇表_优化 python phrase_vocabulary_optimization.py

--input_file=./data/train.txt

--input_format=wikisplit

--vocabulary_size=500

--max_input_examples=1000000

--enable_swap_tag=false

--output_file=./output/label_map.txt

第三步：

1、制作后续训练模型的验证集

python preprocess_main.py

--input_file=./data/tune.txt

--input_format=wikisplit

--output_tfrecord=./output/tune.tf_record

--label_map_file=./output/label_map.txt

--vocab_file=./data/RoBERTa-tiny-clue/vocab.txt

--max_seq_length=40

--output_arbitrary_targets_for_infeasible_examples=false 2、制作后续训练模型的训练集

python preprocess_main.py

--input_file=./data/train.txt

--input_format=wikisplit

--output_tfrecord=./output/train.tf_record

--label_map_file=./output/label_map.txt

--vocab_file=./data/RoBERTa-tiny-clue/vocab.txt

--max_seq_length=40

--output_arbitrary_targets_for_infeasible_examples=false

第四步：

1、训练模型

python run_lasertagger.py

--training_file=./output/train.tf_record

--eval_file=./output/tune.tf_record

--label_map_file=./output/label_map.txt

--model_config_file=./configs/lasertagger_config.json

--output_dir=./output/models/wikisplit_experiment_name

--init_checkpoint=./data/RoBERTa-tiny-clue/bert_model.ckpt

--do_train=true

--do_eval=true

--train_batch_size=256

--save_checkpoints_steps=200

--max_seq_length=40

--num_train_examples=319200

--num_eval_examples=5000

2、模型整理

python run_lasertagger.py

--label_map_file=./output/label_map.txt

--model_config_file=./configs/lasertagger_config.json

--output_dir=./output/models/wikisplit_experiment_name

--do_export=true

--export_path=./output/models/wikisplit_experiment_name

第五步根据test文件进行预测

python predict_main.py

--input_file=./data/test.txt

--input_format=wikisplit

--output_file=./output/models/wikisplit_experiment_name/pred.tsv

--label_map_file=./output/label_map.txt

--vocab_file=./data/RoBERTa-tiny-clue/vocab.txt

--max_seq_length=40

--saved_model=./output/models/wikisplit_experiment_name/1587693553

# 解析，这应该是最后保存的模型文件名称可以考如下语句获得

# (ls "./output/models/wikisplit_experiment_name/" | grep -v "temp-" | sort -r | head -1) 第六步对第五步预测的文件进行打分。

python score_main.py --prediction_file=./output/models/wikisplit_experiment_name/pred.tsv

#根据自己情况修改脚本"rephrase.sh"中2个文件夹的路径，然后运行 sh rephrase.sh

#脚本中的变量HOST_NAME是作者为了方便设定路径使用的，请根据自己情况修改；

#如果只是离线的对文本进行批量的泛化，可以注释脚本中其他部分，只用predict_main.py就可以满足需求。

3.启动文本复述服务根据自己需要，可选

根据自己情况修改"rephrase_server.sh"文件中几个文件夹的路径，使用命令"sh rephrase_server.sh"可以启动一个文本复述的API服务

本API服务可以接收一个http的POST请求，解析并对其中的文本进行泛化，具体接口请看“rephrase_server/rephrase_server_flask.py"

有几个脚本文件如rephrase_for_qa.sh，rephrase_for_chat.sh，rephrase_for_skill.sh是作者自己办公需要的，可以忽略

四．实验效果

在公开数据集Wiki Split上复现模型：
Wiki Split数据集是英文语料，训练模型将一句话拆分成两句话，并保持语义一致，语法合理，语义连贯通顺。
Exact　score=15,SARI score=61.5,KEEP score=93,ADDITION score=32,DELETION score=59,
基本与论文中的Exact score=15.2；SARI score=61.7一致（这些分数均为越高越好）。
在自己构造的中文数据集训练文本复述模型：
（1）语料来源
（A）一部分语料来自于LCQMC语料中的正例，即语义接近的一对文本；
（B）另一部分语料来自于宝安机场用户QA下面同一答案的问题。; 因为模型的原理，要求文本A和B在具有一定的重合字数，故过滤掉上述两个来源中字面表述差异大的文本，如“我要去厕所”与“卫生间在哪里”。对语料筛选后对模型进行训练和测试。
（2）测试结果：
对25918对文本进行复述和自动化评估，评测分数如下（越高越好）：
Exact score=29,SARI score=64,KEEP score=84,ADDITION score=39,DELETION score=66.
CPU上耗时0.5小时，平均复述一句话需要0.72秒。
可能是语言和任务不同，在中文文本复述上的评测分数比公开数据集高一些。

五.一些trick

1.可以设定对于某些字或词不做修改如对实体识别NER的语料泛化，需要保证模型不能修改其中的实体；

对业务语料泛化，也可以根据情况保证模型不能修改其中的关键字如日期，航班号等；

目前，是通过正则的方式定位这些不能被模型修改的位置，然后将这些位置的location设置为1，具体实现参见tagging.py.

2.增加复述文本与原文本的差异度

可以对训练语料中的text_a先进行随机的swag操作，相应地脚本中enable_swap_tag改为true，再训练模型将其改写为text_b;

实际应用或测试时同样将原始文本text_a先进行随机的swag操作，然后利用模型改写为text_b;

因为训练语料中text_a是不通顺，但text_b是通顺的，所以实际应用或测试时仍然会得到通顺的复述结果。

六.数据集

1.由于不少人咨询我数据集的问题，现将数据集地址贴在下面

You can download LCQMC data set from https://download.csdn.net/download/tcd1112/12357994,But other data is the company data can't give you. You can also leave your E-mail, I will send you LCQMC data

搜索公众号添加： datayx

文本复述，中文文本数据增强_图像识别_02