Update README.md
This commit is contained in:
zxx飞翔的鱼
GitHub
parent
465eb0ace3
commit
e51349573f
198
README.md
198
README.md
@ -2,110 +2,10 @@
|
||||
|
||||
## 天池中药说明书实体识别挑战冠军方案开源
|
||||
|
||||
### 后续官方开放数据集后本项目会进行优化升级成为DeepNER项目，减少代码冗余，提高代码可读性。项目包含完整的数据处理、训练、验证、测试、部署流程，提供详细的代码注释与模型介绍，提供更普适的基于预训练的中文命名实体识别方案，开箱即用，欢迎star and issue
|
||||
### 后续官方开放数据集后DeepNER项目会进行优化升级，包含完整的数据处理、训练、验证、测试、部署流程，提供详细的代码注释与模型介绍，提供更普适的基于预训练的中文命名实体识别方案，开箱即用，欢迎star and issue
|
||||
|
||||
（代码框架基于pytorch和transformers，支持最新版的pytorch, 框架**复用性、解耦性、易读性**较高，很容易修改迁移至其他NLP任务中）
|
||||
|
||||
# 赛题背景
|
||||
## 任务描述
|
||||
人工智能加速了中医药领域的传承创新发展，其中中医药文本的信息抽取部分是构建中医药知识图谱的核心部分，为上层应用如临床辅助诊疗系统的构建（CDSS）等奠定了基础。本次NER挑战需要抽取中药药品说明书中的关键信息，包括药品、药物成分、疾病、症状、证候等13类实体，构建中医药药品知识库。
|
||||
|
||||
## 数据探索分析
|
||||
本次竞赛训练数据有三个特点：
|
||||
|
||||
- 中药药品说明书以长文本居多
|
||||
<img src="md_files/1.png" style="zoom:50%;" />
|
||||
- 医疗场景下的标注样本不足
|
||||
<img src="md_files/2.png" style="zoom:50%;" />
|
||||
- 标签分布不平衡
|
||||
<img src="md_files/3.png" style="zoom:50%;" />
|
||||
|
||||
# 核心思路
|
||||
## 数据预处理
|
||||
首先对说明书文本进行预清洗与长文本切分。预清洗部分对无效字符进行过滤。针对长文本问题，采用两级文本切分的策略。切分后的句子可能过短，将短文本归并，使得归并后的文本长度不超过设置的最大长度。流程图如下：
|
||||
<img src="md_files/5.png" style="zoom: 33%;" />
|
||||
此外，利用全部标注数据构造实体知识库，作为领域先验词典。
|
||||
|
||||
## Baseline: BERT-CRF
|
||||
<img src="md_files/6.png" style="zoom: 33%;" />
|
||||
|
||||
- Baseline 细节
|
||||
- 预训练模型：选用 UER-large-24 layer[1]，UER在RoBerta-wwm 框架下采用大规模优质中文语料继续训练，CLUE 任务中单模第一
|
||||
- 差分学习率：BERT层学习率2e-5；其他层学习率2e-3
|
||||
- 参数初始化：模型其他模块与BERT采用相同的初始化方式
|
||||
- 滑动参数平均：加权平均最后几个epoch模型的权重，得到更加平滑和表现更优的模型
|
||||
- Baseline bad-case分析
|
||||
<img src="md_files/7.png" style="zoom: 33%;" />
|
||||
|
||||
## 优化1：对抗训练
|
||||
- 动机：采用对抗训练缓解模型鲁棒性差的问题，提升模型泛化能力
|
||||
- 对抗训练是一种引入噪声的训练方式，可以对参数进行正则化，提升模型鲁棒性和泛化能力
|
||||
- Fast Gradient Method (FGM)：对embedding层在梯度方向添加扰动
|
||||
- Projected Gradient Descent (PGD) [2]：迭代扰动，每次扰动被投影到规定范围内
|
||||
|
||||
## 优化2：混合精度训练（FP16）
|
||||
- 动机：对抗训练降低了计算效率，使用混合精度训练优化训练耗时
|
||||
- 混合精度训练
|
||||
- 在内存中用FP16做存储和乘法来加速
|
||||
- 用FP32做累加避免舍入误差
|
||||
- 损失放大
|
||||
- 反向传播前扩大2^k倍loss，防止loss下溢出
|
||||
- 反向传播后将权重梯度还原
|
||||
|
||||
## 优化3：多模型融合
|
||||
- 动机：baseline 错误集中于歧义性错误，采用多级医学命名实体识别系统以消除歧义性
|
||||
- 方法：差异化多级模型融合系统
|
||||
- 模型框架差异化：BERT-CRF & BERT-SPAN & BERT-MRC
|
||||
- 训练数据差异化：更换随机种子、更换句子切分长度（256、512）
|
||||
- 多级模型融合策略
|
||||
|
||||
- 融合模型1——BERT-SPAN
|
||||
- 采用SPAN指针的形式替代CRF模块，加快训练速度
|
||||
- 以半指针-半标注的结构预测实体的起始位置，同时标注过程中给出实体类别
|
||||
- 采用严格解码形式，重叠实体选取logits最大的一个，保证准确率
|
||||
- 使用label smooth缓解过拟合问题
|
||||
<img src="md_files/10.png" style="zoom:33%;" />
|
||||
|
||||
- 融合模型2——BERT-MRC
|
||||
- 基于阅读理解的方式处理NER任务
|
||||
- query：实体类型的描述来作为query
|
||||
- doc：分句后的原始文本作为doc
|
||||
- 针对每一种类型构造一个样本，训练时有大量负样本，可以随机选取30%加入训练，其余丢弃，保证效率
|
||||
- 预测时对每一类都需构造一次样本，对解码输出不做限制，保证召回率
|
||||
- 使用label smooth缓解过拟合问题
|
||||
- MRC在本次数据集上精度表现不佳，且训练和推理效率较低，仅作为提升召回率的方案，提供代码仅供学习，不推荐日常使用
|
||||
<img src="md_files/11.png" style="zoom:33%;" />
|
||||
|
||||
- 多级融合策略
|
||||
- CRF/SPAN/MRC 5折交叉验证得到的模型进行第一级概率融合，将 logits 平均后解码实体
|
||||
- CRF/SPAN/MRC 概率融合后的模型进行第二级投票融合，获取最终结果
|
||||
<img src="md_files/12.png" style="zoom:33%;" />
|
||||
|
||||
## 优化4：半监督学习
|
||||
- 动机：为了缓解医疗场景下的标注语料稀缺的问题， 我们使用半监督学习（伪标签）充分利用未标注的500条初赛测试集
|
||||
- 策略：动态伪标签
|
||||
- 首先使用原始标注数据训练一个基准模型M
|
||||
- 使用基准模型M对初赛测试集进行预测得到伪标签
|
||||
- 将伪标签加入训练集，赋予伪标签一个动态可学习权重（图中alpha），加入真实标签数据中共同训练得到模型M’
|
||||
<img src="md_files/13.png" style="zoom: 25%;" />
|
||||
- tips：使用多模融合的基准模型减少伪标签的噪音；权重也可以固定，选取需多尝试哪个效果好，本质上是降低伪标签的loss权重，是缓解伪标签噪音的一种方法。
|
||||
|
||||
## 其他无明显提升的尝试方案
|
||||
- 取BERT后四层动态加权输出，无明显提升
|
||||
- BERT 输出后加上BiLSTM / IDCNN 模块，过拟合严重，训练速度大大降低
|
||||
- 数据增强，对同类实体词进行随机替换，以扩充训练数据
|
||||
- BERT-SPAN / MRC 模型采用focal loss / dice loss 等缓解标签不平衡
|
||||
- 利用构造的领域词典修正模型输出
|
||||
|
||||
## 最终线上成绩72.90%，复赛Rank 1，决赛Rank 1
|
||||
|
||||
|
||||
# Ref
|
||||
[1] Zhao et al., UER: An Open-Source Toolkit for Pre-training Models, EMNLP-IJCNLP, 2019.
|
||||
[2] Madry et al., Towards Deep Learning Models Resistant to Adversarial Attacks, ICLR, 2018.
|
||||
|
||||
|
||||
|
||||
## 环境
|
||||
|
||||
```python
|
||||
@ -228,3 +128,99 @@ python convert_test_data.py
|
||||
# predict
|
||||
python competition_predict.py
|
||||
```
|
||||
|
||||
# 赛题背景
|
||||
## 任务描述
|
||||
人工智能加速了中医药领域的传承创新发展，其中中医药文本的信息抽取部分是构建中医药知识图谱的核心部分，为上层应用如临床辅助诊疗系统的构建（CDSS）等奠定了基础。本次NER挑战需要抽取中药药品说明书中的关键信息，包括药品、药物成分、疾病、症状、证候等13类实体，构建中医药药品知识库。
|
||||
|
||||
## 数据探索分析
|
||||
本次竞赛训练数据有三个特点：
|
||||
|
||||
- 中药药品说明书以长文本居多
|
||||
<img src="md_files/1.png" style="zoom:50%;" />
|
||||
- 医疗场景下的标注样本不足
|
||||
<img src="md_files/2.png" style="zoom:50%;" />
|
||||
- 标签分布不平衡
|
||||
<img src="md_files/3.png" style="zoom:50%;" />
|
||||
|
||||
# 核心思路
|
||||
## 数据预处理
|
||||
首先对说明书文本进行预清洗与长文本切分。预清洗部分对无效字符进行过滤。针对长文本问题，采用两级文本切分的策略。切分后的句子可能过短，将短文本归并，使得归并后的文本长度不超过设置的最大长度。此外，利用全部标注数据构造实体知识库，作为领域先验词典。
|
||||
|
||||
## Baseline: BERT-CRF
|
||||
<img src="md_files/6.png" style="zoom: 33%;" />
|
||||
|
||||
- Baseline 细节
|
||||
- 预训练模型：选用 UER-large-24 layer[1]，UER在RoBerta-wwm 框架下采用大规模优质中文语料继续训练，CLUE 任务中单模第一
|
||||
- 差分学习率：BERT层学习率2e-5；其他层学习率2e-3
|
||||
- 参数初始化：模型其他模块与BERT采用相同的初始化方式
|
||||
- 滑动参数平均：加权平均最后几个epoch模型的权重，得到更加平滑和表现更优的模型
|
||||
- Baseline bad-case分析
|
||||
<img src="md_files/7.png" style="zoom: 33%;" />
|
||||
|
||||
## 优化1：对抗训练
|
||||
- 动机：采用对抗训练缓解模型鲁棒性差的问题，提升模型泛化能力
|
||||
- 对抗训练是一种引入噪声的训练方式，可以对参数进行正则化，提升模型鲁棒性和泛化能力
|
||||
- Fast Gradient Method (FGM)：对embedding层在梯度方向添加扰动
|
||||
- Projected Gradient Descent (PGD) [2]：迭代扰动，每次扰动被投影到规定范围内
|
||||
|
||||
## 优化2：混合精度训练（FP16）
|
||||
- 动机：对抗训练降低了计算效率，使用混合精度训练优化训练耗时
|
||||
- 混合精度训练
|
||||
- 在内存中用FP16做存储和乘法来加速
|
||||
- 用FP32做累加避免舍入误差
|
||||
- 损失放大
|
||||
- 反向传播前扩大2^k倍loss，防止loss下溢出
|
||||
- 反向传播后将权重梯度还原
|
||||
|
||||
## 优化3：多模型融合
|
||||
- 动机：baseline 错误集中于歧义性错误，采用多级医学命名实体识别系统以消除歧义性
|
||||
- 方法：差异化多级模型融合系统
|
||||
- 模型框架差异化：BERT-CRF & BERT-SPAN & BERT-MRC
|
||||
- 训练数据差异化：更换随机种子、更换句子切分长度（256、512）
|
||||
- 多级模型融合策略
|
||||
|
||||
- 融合模型1——BERT-SPAN
|
||||
- 采用SPAN指针的形式替代CRF模块，加快训练速度
|
||||
- 以半指针-半标注的结构预测实体的起始位置，同时标注过程中给出实体类别
|
||||
- 采用严格解码形式，重叠实体选取logits最大的一个，保证准确率
|
||||
- 使用label smooth缓解过拟合问题
|
||||
<img src="md_files/10.png" style="zoom:33%;" />
|
||||
|
||||
- 融合模型2——BERT-MRC
|
||||
- 基于阅读理解的方式处理NER任务
|
||||
- query：实体类型的描述来作为query
|
||||
- doc：分句后的原始文本作为doc
|
||||
- 针对每一种类型构造一个样本，训练时有大量负样本，可以随机选取30%加入训练，其余丢弃，保证效率
|
||||
- 预测时对每一类都需构造一次样本，对解码输出不做限制，保证召回率
|
||||
- 使用label smooth缓解过拟合问题
|
||||
- MRC在本次数据集上精度表现不佳，且训练和推理效率较低，仅作为提升召回率的方案，提供代码仅供学习，不推荐日常使用
|
||||
<img src="md_files/11.png" style="zoom:33%;" />
|
||||
|
||||
- 多级融合策略
|
||||
- CRF/SPAN/MRC 5折交叉验证得到的模型进行第一级概率融合，将 logits 平均后解码实体
|
||||
- CRF/SPAN/MRC 概率融合后的模型进行第二级投票融合，获取最终结果
|
||||
<img src="md_files/12.png" style="zoom:33%;" />
|
||||
|
||||
## 优化4：半监督学习
|
||||
- 动机：为了缓解医疗场景下的标注语料稀缺的问题， 我们使用半监督学习（伪标签）充分利用未标注的500条初赛测试集
|
||||
- 策略：动态伪标签
|
||||
- 首先使用原始标注数据训练一个基准模型M
|
||||
- 使用基准模型M对初赛测试集进行预测得到伪标签
|
||||
- 将伪标签加入训练集，赋予伪标签一个动态可学习权重（图中alpha），加入真实标签数据中共同训练得到模型M’
|
||||
<img src="md_files/13.png" style="zoom: 25%;" />
|
||||
- tips：使用多模融合的基准模型减少伪标签的噪音；权重也可以固定，选取需多尝试哪个效果好，本质上是降低伪标签的loss权重，是缓解伪标签噪音的一种方法。
|
||||
|
||||
## 其他无明显提升的尝试方案
|
||||
- 取BERT后四层动态加权输出，无明显提升
|
||||
- BERT 输出后加上BiLSTM / IDCNN 模块，过拟合严重，训练速度大大降低
|
||||
- 数据增强，对同类实体词进行随机替换，以扩充训练数据
|
||||
- BERT-SPAN / MRC 模型采用focal loss / dice loss 等缓解标签不平衡
|
||||
- 利用构造的领域词典修正模型输出
|
||||
|
||||
## 最终线上成绩72.90%，复赛Rank 1，决赛Rank 1
|
||||
|
||||
|
||||
# Ref
|
||||
[1] Zhao et al., UER: An Open-Source Toolkit for Pre-training Models, EMNLP-IJCNLP, 2019.
|
||||
[2] Madry et al., Towards Deep Learning Models Resistant to Adversarial Attacks, ICLR, 2018.
|
||||
|
||||
Loading…
Reference in New Issue
Block a user