科大讯飞2020事件抽取挑战赛第一名解决方案&完整事件抽取系统
项目链接:https://github.com/z814081807/DeepNER
2020 科大讯飞事件抽取挑战赛
比赛链接:http://challenge.xfyun.cn/topic/info?type=hotspot
结果:
| Name | Score | Rank|Team member|
| :--------|:------|:----|:----------|
|我是蛋糕王 | 0.73859| 1 |https://github.com/WuHuRestaurant
https://github.com/aker218|
事件抽取系统,包含触发词(trigger),事件论元(role),事件属性(attribution)的抽取。基于 pytorch 的 pipeline 解决方案。
将任务分割为触发词抽取,论元抽取,属性抽取。具体而言是论元和属性的抽取结果依赖于触发词,因此只有一步误差传播。因 time loc 并非每个句子中都存在,并且分布较为稀疏,因此将 time & loc 与 sub & obj 的抽取分开(role1 提取 sub & obj;role2 提取 time & loc)
模型先进行触发词提取,由于复赛数据集的特殊性,模型限制抽取的事件仅有一个,如果抽取出多个触发词,选择 logits 最大的 trigger 作为该句子的触发词,如果没有抽取触发词,筛选整个句子的 logits,取 argmax 来获取触发词;
然后根据触发词抽取模型抽取的触发词,分别输入到 role1 & role2 & attribution 模型中,进行后序的论元提取和属性分类;四种模型都是基于 Roberta-wwm 进行实验,加入了不同的特征。
最后将识别的结果进行整合,得到提交文件。
trigger 提取采用的特征是远程监督 trigger,把所有标注数据当做一个知识库,对当前文本进行匹配。注:在训练时,需要排除自身的label,我们采用的是KFold的训练集 distant trigger 构造,即将训练集分成K份,用前K-1份的所有label当做后一份的知识库,构造训练数据的distant trigger;test 时候采用所有 trigger。 在测试时若出现预测为空,选取 distant trigger logits 最大的解码输出 trigger。 具体模型如下:
role 采用的特征是trigger的相对距离,然后采用了苏神的 Conditional Layer Norm 来让整个句子融入 trigger 信息,同样采用 Span 解码的方式。由于数据中 subject/object 分布相似,同时与 time/loc 分布相差很大,我们进一步进行了优化,将前两者和后两者的抽取分开,防止 time/loc 的数据对 subject/object 的 logits 稀疏化。
attribution 分类器并没有进行特殊优化,采用了一个动态窗口的方法,我们认为某一 trigger 的 tense & polarity 只与其附近的语境有关,因此我们设定了一个窗口,对该窗口内进行 pooling 操作,然后利用 pooling 后的 logits 进行多任务学习,同时分类出 tense 和 polarity。因属性数据类别不均及其严重,最后我们用 ERNIE 模型做了一个10折交叉验证,有较大的提升。
本次比赛主要的上分点在于数据增强的工作,初赛和复赛数据的分布差别极大,一起训练反而会导致结果下降。因此我们做了一个初赛数据筛选的工作,筛选出与复赛数据分布相近的数据进行增量训练。主要流程详见PPT中基于标签验证的数据增强部分。
运行系统:
Ubuntu 18.04.4
python:
python3.7
python 运行环境,可以通过以下代码完成依赖包安装:
pip install -r requirements.txt
transformers==2.10.0 pytorch_crf==0.7.2 numpy==1.16.4 torch==1.5.1+cu101 tqdm==4.46.1 scikit_learn==0.23.2 torchcrf==1.1.0
CUDA:
CUDA Version: 10.2 Driver 440.100 GPU:Tesla V100 (32G) * 2
xf_ee ├── data # 数据文件夹 │ ├── final # 复赛数据(处理过的) │ │ ├── mid_data # 中间数据 (词典等) │ │ ├── preliminary_clean # 清洗后的初赛数据 │ │ └── raw_data # 复赛经过初步清洗后的 raw_data │ └── preliminary # 初赛数据(略) │ ├── out # 存放训练的模型 │ ├── final # 复赛各个单模型(trigger/role/attribution) │ └── stack # 十折交叉验证的 attribution 模型 │ ├── script/final # 放训练 / 评估 / 测试 的脚本 │ ├── train.sh │ ├── dev.sh │ └── test.sh │ ├── src_final │ ├── features_analysis # 数据分析 │ │ └── images # 分析时画得一些图 │ ├── preprocess │ │ ├── convert_raw_data.py # 处理转换原始数据 │ │ ├── convert_raw_data_preliminary.py # 转换初赛数据为复赛格式并处理 │ │ └── processor.py # 转换数据为 Bert 模型的输入 │ ├── utils │ │ ├── attack_train_utils.py # 对抗训练 FGM / PGD │ │ ├── dataset_utils.py # torch Dataset │ │ ├── evaluator.py # 模型评估 │ │ ├── functions_utils.py # 跨文件调用的一些 functions │ │ ├── model_utils.py # 四个任务的 models │ │ ├── options.py # 命令行参数 │ | └── trainer.py # 训练器 | ├── 答辩PPT # 决赛PPT ├── dev.py # 用于模型评估 ├── ensemble_predict.py # 用百度 ERNIE 模型对 attribution 十折交叉验证 ├── predict_preliminary.py # 对初赛数据进行清洗 ├── readme.md # ... ├── test.py # pipeline 预测复赛数据 (包含 ensemble) └── train.py # 模型训练
数据转换部分只提供代码和已经转换好的数据,具体操作在 src_final/preprocess中的 convertrawdata中,包含对初赛/复赛数据的清洗和转换。
bash ./script/final/train.sh
注:脚本中指定的 BERTDIR 指BERT所在文件夹,BERT采用的是哈工大的全词覆盖wwm模型,下载地址 https://github.com/ymcui/Chinese-BERT-wwm ,自行下载并制定对应文件夹,并将 vocab.txt 中的两个 unused 改成 [INV] 和 [BLANK](详见 processor 代码中的 finegrade_tokenize)
如果设备显存不够,自行调整 trainbatchsize,脚本中的 batch_size(32)在上述环境中占用显存为16G
最终训练的结果是每一个 epoch 下存一次,线下评估结果在 eval_metric.txt 下,保留最优线下结果作为训练结果,其余删掉即可
可更改的公共参数有
lr: bert 模块的学习率 other_lr: 除了bert模块外的其他学习率(差分学习率) weight_decay:... attack_train: 'pgd' / 'fgm' / '' 对抗训练 fgm 训练速度慢一倍, pgd 慢两倍,但是效果都有提升 swa_start: 滑动权重平均开始的epoch
可更改的参数有
use_distant_trigger: 是否使用复赛数据构造的远程监督库中的 trigger 信息
可更改的参数有
use_trigger_distance: 是否使用句子中的其他词到 trigger 的距离这一个特征
attribution 分类模型训练 (TASK_TYPE=“attribution”)
未使用其他特征
MODE=“stack” 时候对 attribution 任务进行十折交叉验证,换用百度 ERNIE1.0 模型作为预训练模型
bash ./script/final/dev.sh
主要的参数有三个:
bash ./script/final/test.sh
利用训练最优的四个单模型进行 pipeline 式的预测 sentences.json 文件,获取最终的 submit 文件,
其中 submit_{version},json 为四个单模型的结果, submit{version}ensemble_,json 为单模型 + attribution 交叉验证后的结果。
四个任务 model 的上级文件夹必须指定,同时文件夹名称应包含模型的参数特征。
| classification | score | | :---------------------: | :---------: | | submitv1.json | 0.73684 | | submitv1_ensemble.json | 0.73859 |
在我们的训练过程中,实际使用了组委会提供的初赛(经过清洗和转换)+复赛数据进行训练,在项目内部提供了清洗完毕的初赛数据;具体清洗流程如下所示:
只使用复赛数据train得到trigger抽取模型和role1抽取模型(需指定model的上级文件夹)
triggersimpleckpt_dir: 单独复赛数据train trigger 所在的文件夹 role1simpleckpt_dir: 单独复赛数据train role1 所在的文件夹
使用predict_prelimiary.py调用train好的trigger model 和role1 model 预测初赛数据的trigger和sub/ob
python predict_preliminary.py --dev_dir_trigger trigger_simple_ckpt_dir --dev_dir_role role1_simple_ckpt_dir
python python convert_raw_data_preliminary.py