CCKS2021-赛道二-中文NLP地址要素解析
团队：xueyouluo
初赛：1 - 93.63
复赛：3 - 91.32
这里的代码是复赛的全流程代码，需要在32G显存的卡上才能正常跑通，如果没有这么大的显存，可以考虑将seq_length改成32，以及减小batch size。
解决方案
初赛
整体还是以预训练+finetune的思路，主要在模型结构、预训练、模型泛化能力提升、数据增强、融合、伪标签、后处理等方面做了优化。
模型
现在的实体识别方案很多，包括BERT+CRF的序列标注、基于Span的方法、基于MRC的方法，我这里使用的是基于BERT的Biaffine结构，直接预测文本构成的所有span的类别。相比单纯基于span预测和基于MRC的预测，Biaffine的结构可以同时考虑所有span之间的关系，从而提高预测的准确率。
Biaffine意思双仿射，如果
W*X是单仿射的话，X*W*Y就是双仿射了。本质上就是输入一个长度为L的序列，预测一个L*L*C的tensor，预测每个span的类别信息。
具体来说参考了论文Named Entity Recognition as Dependency Parsing，但是稍有区别：
- 纯粹基于bert进行finetune，不利用fasttext、bert等做context embedding抽取，这也是为了简化模型
- 不区分char word的embedding，默认就是char【中文的BERT基本都是char】
- 原来的论文中有上下文的多句话，这里默认都是一句话【数据决定】
- 同时改进了原有greedy的decoding方法，使用基于DAG的动态规划算法找到全局最优解
但是这种方法也有一些局限：
- 对边界判断不是特别准
- 有大量的负样本
原来我也实现过Biaffine-BERT-NER,但这里的版本优化了一些。
预训练
在比较了大部分开源的预训练模型后，哈工大的electra效果比较好，因此我们采用了electra的预训练方法。使用了本赛道的所有数据+赛道三的初赛所有数据，构建了预训练样本，分别继续预训练base和large的模型33K步【大概15个epoch】。
继续预训练模型可以提升1个百分点左右的效果，还是非常有效的。
泛化能力提升
这些应该是属于比较基本的操作了，主要包括：
- 使用了对抗学习（FGM）的方法，但代价是训练速度慢了一倍
- 在Dropout方面加入了spatial dropout和embedding dropout
- 使用SWA的方法避免局部最优解
需要在验证集上调参找到比较合适的值。
数据增强
我们用到了开源的一份地址解析数据，来自《Neural Chinese Address Parsing》。参考赛道二的标注规范，使用规则将数据进行清洗，并用这份数据作为数据增强的语料。同时利用统计信息稍微优化了一下数据，即认为一个span如果被标注次数大于10，并且有一个类别占比不到10%且标注数量小于5就认为是不合理的并将其抛弃。
我们使用了同类型实体替换的方法进行数据增强，然后将预训练后的模型在这份数据上finetune。最后用赛道本身的数据进行二次finetune。初赛上，上面的流程走下来可以在dev上达到94.71，线上92.56。
融合
融合的提升非常明显。在融合上，我们使用了electra-base和electra-large两个模型，分别进行预训练和finetune，然后5-fold。
最后对实体进行投票，其中base权重1/3，large权重2/3，只选择投票结果大于3的实体作为最终结果。
初赛上，base单独5-fold融合为93.0，large单独5-fold融合为93.477。二者加权融合为93.537。
伪标签
在融合的基础上，我们进一步使用了伪标签，即将上面的融合后预测的测试集结果作为伪标签，重新训练了base模型的一个fold，再进行预测，最终线上可以到93.5920。后面我也实验了训练5-fold的模型，测试下来可以到93.6087。
后处理
我这边后处理比较简单，主要对特殊符号进行了处理，由于一些特殊符号在训练集没有见过，导致模型预测错误。对于包含特殊符号的实体，如果特殊符号是在实体的边界，那么直接去除特殊符号，保留原来的实体类型；如果不是，则去除这个实体。在伪标签结果的基础上加后处理，线上到93.6212。
实验结果
| 序号 | 实验 | Dev指标 | 线上指标 |
|---|---|---|---|
| 1 | Biaffine + roberta ext | 92.15 | |
| 2 | Biaffine + google bert | 92.33 | |
| 3 | 2 + FGM | 92.79 | |
| 4 | 3 + spatial dropout + embedding dropout | 92.94 | 90.65 |
| 5 | 4 + extra data + finetune | 93.74 | |
| 6 | 5 + 数据增强 | 93.98 | |
| 7 | 6 + roberta ext pretrain | 94.15 | 92.08 |
| 8 | 5 + electra base | 94.19 | |
| 9 | 5 + electra large | 94.32 | 92.13 |
| 10 | 5 + electra base pretrain | 94.71 | 92.56 |
| 11 | 5 + electra large pretrain | 94.54 | |
| 12 | 10 + 5-fold | - | 93.009 |
| 13 | 11 + 5-fold | - | 93.499 |
| 14 | 12 + 13 | - | 93.537 |
| 15 | 14 + pseudo tag | - | 93.62 |
| 16 | 15 + 5-fold | - | 93.63 |
复赛
复赛上我对原来的流程基本没有做什么改动【主要也是我也没想到什么好改进的点了】，就是预训练改了一下。
复赛由于线上训练时间12h的限制，我不可能跑那么久的预训练了【我线下训练large的模型花了20多个小时
唯一非常折腾我的是，large模型在复赛的时候效果一直比不上base模型，可能是预训练不够导致的。
我在复赛的时候都是全流程提交的，直接线上调参了。大概的结果如下【都是5-fold】：
| 序号 | 实验 | 线上指标 |
|---|---|---|
| 1 | Electra-base | 89.15 |
| 2 | Electra-large | 89.58 |
| 3 | Electra-base + pretrain | 90.74 |
| 4 | Electra-large + pretrain | 90.75 |
| 5 | 3 + 4 | 91.08 |
| 6 | 5 + fake 1-fold | 91.31 |
| 7 | 6 + fake 5-fold | 91.32 |
最终复赛的结果就是91.32，离第一还是有2个千分点差距的。更多细节就看代码吧，毕竟全都在代码里面了。
运行
运行环境
我们选择了英伟达提供的docker作为基础镜像进行训练，主要是为了避免配环境的各种问题。
具体：
- Unbuntu == 16.04
- Python == 3.6.8
- GPU V100 32G
- 1.14.0 <= Tensorflow-gpu <= 1.15.*
数据准备
赛道数据
这里不提供比赛的数据，大家自己下载好放在tcdata目录下。
预训练模型
预训练模型我们使用了哈工大开源的中文ELECTRA模型，具体为大语料版本的模型：
下载后解压在user_data/electra目录下。
额外数据
下载neural-chinese-address-parsing中data目录下train、dev、test数据到user_data/extra_data目录下。
目录结构
├── code
│ ├── electra-pretrain
│ └── ...
├── tcdata
│ ├── dev.conll
│ ├── final_test.txt
│ └── train.conll
├── user_data
│ ├── electra
│ │ ├── electra_180g_base
│ │ │ ├── base_discriminator_config.json
│ │ │ ├── base_generator_config.json
│ │ │ ├── electra_180g_base.ckpt.data-00000-of-00001
│ │ │ ├── electra_180g_base.ckpt.index
│ │ │ ├── electra_180g_base.ckpt.meta
│ │ │ └── vocab.txt
│ │ └── electra_180g_large
│ │ ├── electra_180g_large.ckpt.data-00000-of-00001
│ │ ├── electra_180g_large.ckpt.index
│ │ ├── electra_180g_large.ckpt.meta
│ │ ├── large_discriminator_config.json
│ │ ├── large_generator_config.json
│ │ └── vocab.txt
│ ├── extra_data
│ │ ├── dev.txt
│ │ ├── test.txt
│ │ └── train.txt
│ └── track3 # 这里可以不需要
│ ├── final_test.txt #这是初赛的测试集
│ ├── Xeon3NLP_round1_test_20210524.txt #可以不用，复赛没有使用这个数据
│ └── Xeon3NLP_round1_train_20210524.txt #可以不用，复赛没有使用这个数据
运行
在code目录下运行
sh run.sh
具体训练细节参考pipeline.py文件。
也有一个简化版本的，把seq_len改成了32，没有5-fold，自己测试跑下来dev上大概为94。
sh simple_run.sh