GPT2-NewsTitle

带有超详细注释的GPT2新闻标题生成项目

UpDate 01.02.2021

• 从网上收集数据，将清华新闻数据、搜狗新闻数据等新闻数据集，以及开源的一些摘要数据进行整理清洗，构建一个较完善的中文摘要数据集。
• 数据集清洗时，仅进行了简单地规则清洗。例如：清洗htlm标记、去除多余空字符、去除图片标记等。
• 处理后数据集详细信息，见数据集描述

| 数据 | 原始数据/项目地址 | 处理后文件下载地址 | | ------ | ------ | ------ | | 清华新闻数据 | 地址 | 百度云盘 提取码： vhol | | 搜狗新闻数据 | 地址 | 百度云盘 提取码：ode6 | | nlpcc2017摘要数据 | 地址 | 百度云盘 提取码：e0zq | | csl摘要数据 | 地址 | 百度云盘 提取码：0qot | | 教育培训行业摘要数据 | 地址 | 百度云盘 提取码：kjz3 | | lcsts摘要数据 | 地址 | 百度云盘 提取码：bzov | | 神策杯2018摘要数据 | 地址 | 百度云盘 提取码：6f4f | | 万方摘要数据 | 地址 | 百度云盘 提取码： p69g| | 微信公众号摘要数据 | 地址 | 百度云盘 提取码： 5has| | 微博数据 | 地址 | 百度云盘 提取码： 85t5| | news2016zh新闻数据 | 地址 | 百度云盘 提取码： qsj1 |

数据集集合：百度云盘 提取码： 7am8

项目描述

• 本项目是一个带有超级详细中文注释的基于GPT2模型的新闻标题生成项目。
• 本项目参考了GPT2-Chinese、GPT2-chitchat、CDial-GPT、GPT2等多个GPT2开源项目，并根据自己的理解，将代码进行重构，添加详细注释，希望可以帮助到有需要的人。
• 本项目使用HuggingFace的transformers实现GPT2模型代码编写、训练及测试。
• 本项目通过Flask框架搭建了一个Web服务，将新闻摘要生成模型进行工程化，可以通过页面可视化地体验新闻标题生成效果。
• 本项目的代码详细讲解，可以自行阅读代码，也可查看代码注释介绍。
• 本项目提供的新闻标题模型是一个6层的小模型（其实是穷人没人卡，只能训练小模型），并且在训练该模型过程中，没有加载预训练的GPT2模型而是随机初始化的参数，并且训练轮数较少（5轮，还没收敛完），因此效果一般。如果想要更好效果的模型，可以按照个人需求训练一个模型。
• 本项目的目的是带领大家走一遍GPT2生成模型的训练、测试及部署全部流程。

文件结构

• config
  • config.json 模型的配置信息，包含nctx、nembd、nhead、nlayer等。
• vocab
  • vocab.txt 字典文件，该字典为大小为13317，删除了将原始字典中的“##中文”，并且增加了“[Content]”、“[Title]”、“[Space]”等标记。
• data_dir 存放数据的文件夹
• templates 存放html页面的文件夹
• data_helper.py 数据预处理文件，将数据进行简单的清洗
• data_set.py 数据类文件，定义模型所需的数据类，方便模型训练使用
• model.py GPT2模型文件，主要对transformers包中GPT2LMHeadModel的重写，修改计算loss部分，只计算预测title部分的loss
• train.py 通过新闻正文生成新闻标题的GPT2模型的训练文件
• generate_title.py 根据训练好的模型，进行新闻标题生成，预测文件
• http_server.py 构建web服务文件

运行环境

• gevent == 1.3a1
• flask == 0.12.2
• transformers == 3.0.2

详细见requirements.txt文件

数据集

数据来源于新浪微博，数据链接：https://www.jianshu.com/p/8f52352f0748?tdsourcetag=spcqqaiomsg

| 数据描述 | 下载地址 | | ------ | ------------- | | 原始数据 | 百度网盘，提取码： nqzi | | 处理后数据 | 百度网盘，提取码： duba |

原始数据为直接从网上下载的新闻数据，处理后数据为使用data_helper.py处理过的数据，可直接用于训练。

模型参数

详细见config/config.json文件

| 参数 | 值 | | ------ | ------------- | | initializerrange | 0.02 | | layernormepsilon | 1e-05 | | nctx | 512 | | nembd | 768 | | nhead | 12 | | nlayer | 6 | | npositions | 512 | | vocab_size | 13317 |

注意：模型输入除了各个词的向量表示外，还包括文字段落向量表示和位置向量表示。

模型文件分享

| 模型 | 下载地址 | | ------ | ------------- | | GPT2模型 | 百度网盘，提取码： 165b |

模型训练

python3 train.py
或
python3 train.py --output_dir output_dir/(自定义保存模型路径) 

训练参数可自行添加，包含参数具体如下：

| 参数 | 类型 | 默认值 | 描述 | | ------ | ------ | ------ | ------ | | device | str | "0" | 设置训练或测试时使用的显卡 | | configpath | str | "config/config.json" | 模型参数配置信息 | | vocabpath | str | "vocab/vocab.txt" | 词表，该词表为小词表，并增加了一些新的标记 | | trainfilepath | str | "datadir/traindata.json" | 新闻标题生成的训练数据 | | testfilepath | str | "datadir/testdata.json" | 新闻标题生成的测试数据 | | pretrainedmodelpath | str | None | 预训练的GPT2模型的路径 | | datadir | str | "datadir" | 生成缓存数据的存放路径 | | numtrainepochs | int | 5 | 模型训练的轮数 | | trainbatchsize | int | 16 | 训练时每个batch的大小 | | testbatchsize | int | 8 | 测试时每个batch的大小 | | learningrate | float | 1e-4 | 模型训练时的学习率 | | warmupproportion | float | 0.1 | warm up概率，即训练总步长的百分之多少，进行warm up操作 | | adamepsilon | float | 1e-8 | Adam优化器的epsilon值 | | loggingsteps | int | 20 | 保存训练日志的步数 | | evalsteps | int | 4000 | 训练时，多少步进行一次测试 | | gradientaccumulationsteps | int | 1 | 梯度积累 | | maxgradnorm | float | 1.0 | | | outputdir | str | "outputdir/" | 模型输出路径 | | seed | int | 2020 | 随机种子 | | maxlen | int | 512 | 输入模型的最大长度，要比config中n_ctx小 |

或者修改train.py文件中的set_args函数内容，可修改默认值。

本项目提供的模型，共训练了5个epoch，模型训练损失和测试集损失分别如下：

模型其实还没有训练完全，按照loss走势，还可以继续训练。

模型测试

python3 generate_title.py
或
python3 generate_title.py --top_k 3 --top_p 0.9999 --generate_max_len 32

参数可自行添加，包含参数具体如下：

| 参数 | 类型 | 默认值 | 描述 | | ------ | ------ | ------ | ------ | | device | str | "0" | 设置训练或测试时使用的显卡 | | modelpath | str | "outputdir/checkpoint-139805" | 模型文件路径 | | vocabpath | str | "vocab/vocab.txt" | 词表，该词表为小词表，并增加了一些新的标记 | | batchsize | int | 3 | 生成标题的个数 | | generatemaxlen | int | 32 | 生成标题的最大长度 | | repetitionpenalty | float | 1.2 | 重复处罚率 | | topk | int | 5 | 解码时保留概率最高的多少个标记 | | topp | float | 0.95 | 解码时保留概率累加大于多少的标记 | | maxlen | int | 512 | 输入模型的最大长度，要比config中n_ctx小 |

测试结果如下： ``` 从测试集中抽一篇 content： 今日，中国三条重要高铁干线——兰新高铁、贵广铁路和南广铁路将开通运营。其中兰新高铁是中国首条高原高铁，全长1776公里，最高票价658元。贵广铁路最贵车票320元，南广铁路最贵车票206.5元，这两条线路大大缩短西南与各地的时空距离。出行更方便了！中国“高铁版图”再扩容 三条重要高铁今日开通 title： 生成的第1个标题为：中国“高铁版图”再扩容 三条重要高铁今日开通 生成的第2个标题为：贵广铁路最高铁版图 生成的第3个标题为：出行更方便了！中国“高铁版图”再扩容三条重要高铁今日开通

从网上随便找一篇新闻 content： 值岁末，一年一度的中央经济工作会议牵动全球目光。今年的会议，背景特殊、节点关键、意义重大。12月16日至18日。北京，京西宾馆。站在“两个一百年”奋斗目标的历史交汇点上，2020年中央经济工作会议谋划着中国经济发展大计。习近平总书记在会上发表了重要讲话，深刻分析国内外经济形势，提出2021年经济工作总体要求和政策取向，部署重点任务，为开局“十四五”、开启全面建设社会主义现代化国家新征程定向领航。 title： 生成的第1个标题为：习近平总书记在京会上发表重大计划 提出2025年经济工作总体要求和政策 生成的第2个标题为：习近平总书记在会上发表重要讲话 生成的第3个标题为：习近平总书记在会上发表重要讲话，深刻分析国内外经济形势 ``` 解码采用topk和topp解码策略，有一定的随机性，可重复生成。

启动Flask服务

python3 http_server.py
或
python3 http_server.py --http_id "0.0.0.0" --port 5555

本地测试直接使用"127.0.0.1:5555/news-title-generate"，如果给他人访问，只需将"127.0.0.1"替换成的电脑的IP地址即可。

具体如下图所示：

未来工作

• [x] 后期可能会将清华新闻数据、搜狗新闻数据等新闻数据集进行整理清洗，构建一个较完善的新闻标题数据集。
• [ ] 后期可能会使用新闻数据训练一个小的GPT2预训练模型。
• [ ] 后期可能会对已上传的新闻标题模型进行更新，训练一个效果较好的模型。

致谢

• 感谢@JunkRoy提供的Web界面

参考

• GPT2-Chinese
• GPT2-chitchat
• CDial-GPT
• GPT2
• transformers

Citing

@misc{GPT2-NewsTitle,
  author = {Cong Liu},
  title = {Chinese NewsTitle Generation Project by GPT2},
  year = {2020},
  publisher = {GitHub},
  journal = {GitHub repository},
  url="https://github.com/liucongg/GPT2-NewsTitle",
}

联系作者

e-mail：[email protected]

知乎：刘聪NLP

公众号：NLP工作站