中医药领域的问题生成，阿里天池算法大赛Top1-技术圈

来源：机器学习AI算法工程
本文约1700字，建议阅读5分钟
任务是中医药领域的问题生成挑战，而问题生成属于NLG中重要的一种应用。

问题生成任务需要我们根据篇章及对应的答案自动生成相应的问题，即“篇章+答案→问题”这样的流程。
训练集由三个字段（篇章、问题、答案）构成，测试集由两个字段（篇章、答案）构成，其中的问题字段需要我们生成。
根据以上分析，我们可以采用Seq2Seq模型来端到端地实现问题生成，而模型的输入为篇章和答案，输出为问题。

文本长度分布

篇章文本长度在100以下的数据较少，长度区间400-500的数据占比较大。

问题文本长度主要集中在5-20这个区间，长度40以上的数据较少。

答案文本长度主要集中在1-100区间，长度200以上的数据较少。

分析总结

训练数据量适中，不是很大数据量，但是也不算少。
文本长度：篇章文本最大，其次是答案文本，最后是问题文本。
如果只看答案文本，那它的长度分布应该是同分布。
若要将篇章、问题和答案拼接进行训练，则需要对其进行文本截断；

问题是要预测的部分，并且长度不是太长，所以可以不进行截断；
答案是从篇章中截取的，可以适当截取短一点；
篇章在硬件资源允许的范围内，可以尽量截取长一点。

核心思路

数据预处理：数据清洗（剔除空白字符、剔除带括号的英文），处理部分不匹配数据（绝大部分答案是从篇章中截取的，不匹配数据指答案在篇章中无法完全匹配到的数据）；
文本截断：思路是篇章中答案所在位置的附近与问题的相关性最强，答案的前面部分信息最多，问题文本最长131个字符。具体操作是篇章取答案所在位置的前64个字符和后128个字符；答案取前64个字符；问题取前131个字符。
数据输入：训练时按照“[CLS]篇章[SEP]答案[SEP]问题[SEP]”格式输入。推断时按照“[CLS]篇章[SEP]答案[SEP]”格式输入。如图1所示。
模型架构：使用“NEZHA + UniLM”的方式来构建一个Seq2Seq模型，端到端地实现“篇章 + 答案 → 问题”。如图2所示。

UniLM也是一个多层Transformer网络，跟bert类似，但是UniLM能够同时完成三种预训练目标，如上述表格所示，几乎囊括了上述模型的几种预训练方式，而且新增了sequence-to-sequence训练方式，所以其在NLU和NLG任务上都有很好的表现。UniLM模型基于mask词的语境来完成对mask词的预测，也是完形填空任务。对于不同的训练目标，其语境是不同的。

1.单向训练语言模型，mask词的语境就是其单侧的words，左边或者右边。

2.双向训练语言模型，mask词的语境就是左右两侧的words。

3.Seq-to-Seq语言模型，左边的seq我们称sourcesequence，右边的seq我们称为target sequence，我们要预测的就是target sequence，所以其语境就是所有的source sequence和其左侧已经预测出来的target sequence。

优势：

1.三种不同的训练目标，网络参数共享。

2.正是因为网络参数共享，使得模型避免了过拟合于某单一的语言模型，使得学习出来的模型更加general，更具普适性。

3.因为采用了Seq-to-Seq语言模型，使得其在能够完成NLU任务的同时，也能够完成NLG任务，例如：抽象文摘，问答生成。

缓解Exposure Bias问题的策略：1.通过随机替换Decoder的输入词来构造“有代表性”的负样本；2.使用对抗训练来生成扰动样本。
解码：使用Beam search来对问题进行解码。
解决显存不足的方法：由于显存有限，无法使用较大的batch size进行训练，梯度累积优化器可以使用小的batch size实现大batch size的效果——只要你愿意花n倍的时间，可以达到n倍batch size的效果，而不需要增加显存。
其他Trick：

在单模型（NEZHA-Large-WWM）上使用5折交叉验证。
对词表进行精简（因为总的tokens大概有2万个，这意味着最后预测生成的token时是一个2万分类问题，但事实上有接近一半的tokens都不会分出来，因此这2万分类浪费了一些计算量）。
EarlyStopping。
伪标签。

经验总结

文本截断策略使得文本能够在满足预训练模型输入的要求下，较少的损失上下文信息，提分效果显著。使用该文本截断策略之前，一直无法提升至0.6+。
nezha-large-wwm预训练模型是我们队试过效果是最好的模型，单个的nezha-large-wwm加上之前的技巧就能达到0.64+。nezha-base、nezha-base-wwm和wobert在该任务上效果相差不多，大约0.63+，roberta-wwm-large-ext、bert-wwm-ext大约0.62+。
使用随机替换和对抗训练能够缓解Exposure Bias，使用这两个trick后效果提升也比较明显，大约有百分之二提升。
不使用交叉验证，不划分验证集的情况下，使用全部训练数据进行训练，大约第12个epoch效果最好。使用交叉验证后效果会优于全量训练的结果，缺点是训练推断时间太长。
伪标签是一个比较常用的trick，在该生成任务上，使用伪标签有细微的提升，大约万分之二左右。
梯度累积使得能够用较大的batch size训练large模型，分数上也有细微的提升。

编辑：于腾凯