过年刷千言数据集：文本相似度比赛

Posted 2023-02-07 yealxxy

过年刷千言数据集：文本相似度数据集

• 1.比赛信息
• 2. 数据集介绍
• 3. 模型细节
• • • 3.1 数据增强：
    • 3.2 模型：
    • 3.3 训练：
    • 3.4 模型融合：
• 其他：可以提高的点 或者 没有用尝试。
• • • 1.领域数据进一步预训练。
    • 2.半监督训练（self-training的思想）：
    • 3. simCSE的训练：
    • 4.stacking模型融合：

1.比赛信息

“千言数据集：文本相似度” 是网易易智在 CCF 和百度联合举办的行业测评任务，这个榜单在2021年出提出。刚好过年有时间刷一下这个任务，由于时间有限，且已经有相当多的提交，最后在假期结束取得15/2000的成绩。

代码地址：https://github.com/xxyliuyang/qianyan_similarity
依赖： allennlp2.0.1、transfomers4.1.0、torch==1.7.1

2. 数据集介绍

具体数据来源查看官网数据介绍，这里介绍三个数据比较大的问题：千言数据集：文本相似度述

• 问题一：领域数据：BQ Corpus是金融领域相关的数据。
• 问题二：文本质量： PAWS-X的输入文本质量不高，存在很多中英混合句子，英文大部分是英文实体词汇。
• 问题三：label质量：观察部分数据，标签存在标注错误的情况。

3. 模型细节

3.1 数据增强：

交换句子度，将训练数据翻倍。

3.2 模型：

bert构建句子对模型，使用[CLS]的输出的向量做二分类。

3.3 训练：

使用R-drop正则方法，其训练逻辑类似于对抗训练。

3.4 模型融合：

使用robert，albet，macbert分别训练，然后将输出的概率求平均。

其他：可以提高的点 或者 没有用尝试。

还有很多方法没有尝试，读者可以自行尝试，进入前十还是不难。

1.领域数据进一步预训练。

条件是可以获取或者爬取相关领域的文本。

2.半监督训练（self-training的思想）：

条件是获取相关数据。

3. simCSE的训练：

尝试simCSE的训练，但是没有收益，猜测是因为simCSE提高句子embedding的方法，然而这个任务是句子对的任务，两个任务的出发点有区别。如果有更好的解释，欢迎评论。

4.stacking模型融合：

更好的融合模型可以提高效果

参考文献
[1] R-Drop
[2] simCSE