Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/DunZhang/LM-MLC
Label Mask for Multi-label Classification
https://github.com/DunZhang/LM-MLC
Last synced: 3 months ago
JSON representation
Label Mask for Multi-label Classification
- Host: GitHub
- URL: https://github.com/DunZhang/LM-MLC
- Owner: DunZhang
- License: mit
- Created: 2021-05-18T17:32:04.000Z (over 3 years ago)
- Default Branch: main
- Last Pushed: 2021-06-24T17:17:49.000Z (over 3 years ago)
- Last Synced: 2024-06-14T01:43:47.557Z (5 months ago)
- Language: Python
- Size: 1.48 MB
- Stars: 53
- Watchers: 2
- Forks: 10
- Open Issues: 2
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
- StarryDivineSky - DunZhang/LM-MLC
README
# LM-MLC 一种基于完型填空的多标签分类算法
## 1 前言
本文主要介绍本人在[全球人工智能技术创新大赛【赛道一】](https://tianchi.aliyun.com/competition/entrance/531852/introduction?spm=5176.12281976.0.0.65fc22c6C8Ri9C)设计的一种基于完型填空(模板)的多标签分类算法：**LM-MLC**，该算法拟合能力很强能感知标签关联性，在多个数据集上测试表明该算法与主流算法无显著性差异，在该比赛数据集上的dev效果很好，但是由于比赛期间事情多，没有好好在test集做测试。
个人认为该算法根正苗红，理论上可以获得更好的效果，因此做个开源，抛砖引玉，希望有人能提出更为有效的改进。本次开源的代码可读性较强，也有较高的扩展性，本人把**LM-MLC**可做的修改均写成超参形式，方便各位做测试。
## 2 多标签分类任务
NLP里的多标签分类任务，输入多为一段文本，输出该文本的的标签。比如在新闻类型分类中，一篇新闻可以同时有"军事"、"政治"和"历史"三个标签，再举个例子，疾病分类中，一位患者可以既感冒又咳嗽。
多标签分类任务依据数据特点又可以划分为多种类型。
### 2.1 文本长度
文本长度会直接影响到算法的选择，长度过长对算法语义理解要求会变高，如果长度超过512个字符，就不好直接使用BERT，需要分段编码或使用其他算法(LSTM、XLNET等)。文本过长也使得训练时间变长，着实影响到了穷逼的炼丹进度。
### 2.2 内容是否加密
大部分数据集是未加密的，直接可以看到原文。少部分数据集做了脱敏处理，原字词会被替换为数字或其他符号。虽说保护了隐私，但是对算法要求变高了，因为无法使用预训练模型，也没有办法做错误分析。为了达到更好的效果，需要对此类数据集继续做预训练，然后基于该预训练模型微调多标签分类任务。上文中我说的比赛就是做了加密处理。
### 2.3 标签数量
多标签分类数据集标签数量有多有少，少则几个多达上千(比如知乎看山杯数据集)，标签数量多少也会影响到算法的选择，标签数量过多时，多标签分类任务也可以考虑转化为搜索任务，此外标签数量过多时，往往会有严重的类不平衡问题，这在设计算法时也是需要考虑的。
### 2.4 标签关联性
有些数据集的标签之间会存在相关性，比如新闻分类中，关于军事的新闻可能也会和政治有关系，疾病分类中，如果得了高血压，就有可能影响到视网膜。所以对于有关联的标签，算法如能考虑到标签的关联性，那么理论上效果是可以提升的，**LM-MLC**算法里就认真探索了标签关联性。
## 3 自然语言处理中的完型填空
先说一说完型填空，即一段文本，挖掉几个词，让模型去猜挖掉的词是什么，其实这就是遮挡语言模型。我们可以借助完型填空完成一些自然处理任务，关于这块的介绍，苏建林的两篇博客：[博客1](https://kexue.fm/archives/7764)，[博客2](https://kexue.fm/archives/8295)介绍的细致、精彩，因此我就不再过多叙述。
为了便于理解，我举个完型填空做新闻分类的例子，待分类文本是：*美国攻打伊拉克，是因为萨达姆偷了布什家的高压锅* ，我们在该段文本后(或前面)加上如下一段话：*这是关于[MASK]的新闻*，这样完整的进入BERT的输入就是：
*[CLS]美国攻打伊拉克，是因为萨达姆偷了布什家的高压锅，这是关于[MASK]的新闻[SEP]*, 我们只要让模型判断掩掉的词是什么即可，如预测词是*军事*，那么分类结果就是*军事*，通常情况下候选词是全体标签。
## 4 LM-MLC:把完型填空用在多标签分类数据集上
说了那么多背景知识，下面开始正式介绍**LM-MLC**算法。
### 4.1 模板构建
上文举得例子是关于分类的，那么对于多标签分类任务要如何构建模板呢，很自然的可以加入如下模板：
"有标签1：[MASK],有标签2：[MASK],有标签3：[MASK]", 该[MASK]预测的词就是：**YES**或**NO**。一图胜千言，我们假设是在新闻多标签分类任务，共有三个标签分别是"军事","政治"和"历史"，假设文本是：*美国攻打伊拉克*，那么输入就是：
人工构建模板是一个困难的事情，模板选取很关键，模板是很不稳定的，因此本算法使用了[P-tuning](https://github.com/THUDM/P-tuning)的做法，把模板变为[unused*]或者自己在bert的vocab中新建一些词汇，总之就是让模型自己去寻找最佳模板，所以上图输入可以进一步修改为如下形式：
至于[MASK]前后放多少未使用字符，模板位置，不同标签是否使用不同[MASK]等就是各种微小改动，具体可以看开源代码，均以超参形式存于代码中，可以一次试个够。
### 4.2 模型架构
本次博客主要还是抛砖引玉，想把方法公开了和各位讨论，本次所用模型都是极为简单的，没有使用任何比赛的trick，主要提供思想。
#### 4.2.1 Baseline模型架构
本模型的Baseline模型就是基于BERT的，模型架构极为简单，CLS向量后接全连接层，然后过Sigmoid层作为每个tag的分数。损失函数可以选用最基础的**BCELoss**。多提一句，也可以当成分类任务做，用交叉熵优化，但其实看公式，其实是差不多的，本人就懒得折腾了。
#### 4.2.2 LM-MLC模型架构
模型架构图前面已经有了，再用文字描述下：基础部分还是BERT，获取TokenEmbedding后使用gather方法提取[MASK]的embedding，然后通过Sigmoid获取每个标签的分数，同样使用**BCELoss**损失函数。
### 4.3 如何训练
最简单的训练方式就是一次掩盖掉所有的标签然后全部预测，此类方法适合标签没有关联性的数据集。如果标签之间存在关联性，肯定要**通过一部分标签值来预测余下的标签值**，这也是**LM-MLC**算法的核心，很多方法都是围绕这个点设计的。
如何判断标签之间有无关联性呢，方法很简单，取训练集的标签值购置01向量，然后计算统计相关系数即可，根据系数值和下表判断相关性：
| 相关系数 | 相关性 |
| :----: | :----: |
| 0.8-1.0 | 极强相关 |
| 0.6-0.8 | 强相关 |
| 0.4-0.6 | 中等程度相关 |
| 0.2-0.4 | 弱相关 |
| 0.0-0.2 | 极弱相关或无相关 |
在训练过程中，要把一部分[MASK]改为**YES**或**NO**，这种方式让模型在对[MASK]标签做预测时不仅能感知到哪些标签值是0哪些标签值是1以及哪些标签是待预测的。在本算法中使用了[MASK]的真实值，相当于teacher-force-learning，同时为了提升模型的鲁棒性，会以1%的概率故意给错标签，实测这个trick还是挺关键的。
想要完整实现该思想时，要考虑好多细节，本人想了3种实现策略，但是也没找到最优解，我把思路和逻辑一一罗列出来供大家参考讨论。
**思路一，全随机**
在训练时随机掩盖一部分标签，让模型进行预测并计算损失损失
**思路二，固定掩盖顺序**
假设有四个标签，掩盖顺序为1->2->3->4，那么可能的掩盖顺序是：1，12，123，1234，这种方法在预测时也要使用相同的方式去预测，掩盖顺序目前没有发现最优解
**思路三，UniLM**
把标签作为生成任务，通过修改AttentionMask的方式来实现，即以UniLM的形式去训练，这个我没有尝试，因为这种方式已经不再是完型填空的范畴了，欢迎大家尝试。
本人比较推荐思路一，在实验中思路一的效果也是不错的
### 4.4 如何预测
预测时的基本思想是先预测一个标签，然后在该标签预测结果的基础上继续预测其他标签。那么最重要的问题就是如何确定预测顺序，有如下几种预测方法：
**方法1**：随机，即随机确定一个顺序，不足在于不同顺序会影响性能上下浮动约2个百分点
**方法2**：固定顺序，即按照固定顺序预测，难点在于顺序难以确定
**方法3**：Top-P,每一次选取模型置信度最高的标签作为首先预测的标签，效果尚可
**方法4**：搜索算法，使用遗传算法等搜索算法选取一个在dev上效果最号的预测顺序作为最终顺序，也可以不用搜索算法，直接random几百次找个最好的也行
方法3效果还行，方法4可提升逼格发论文。
### 4.5 如何进一步提升效果
在当前预训练+微调的框架下，有一个简单有效的方法那就是不要停止预训练，即把预训练模型在微调数据集上继续做预训练，然后再做微调，该方法以获得ACL2020最佳论文荣誉提名，具体参见[Don’t Stop Pretraining: Adapt Language Models to Domains and Tasks](https://www.aclweb.org/anthology/2020.acl-main.740.pdf)。
为什么我说**LM-MLC**是根正苗红呢，因为完形填空他完美契合mlm预训练任务，都是预测[MASK], 我总结两个使用该思想的方法：
1. 常规做法：先继续预训练，然后微调
2. 联合训练：同时做Word Mask(mlm 任务)和Label Mask(完形填空任务)，然后把loss加一起，可以适当提高Label Mask的权重
本人是使用第二种，因为这两个任务实在是太契合了，通常我是微调25轮，其中前15轮联合训练，后10轮task-specific的训练，不能所有轮数都联合训练，那不然预测和训练的数据又会不一致。
### 4.6 小结
**LM-MLC**算法最大的缺点是不支持标签数量过多，假设有100个标签，模板长度为2，再加上自身MASK，那么光标签模板就占了300的长度，而BERT的输入长度限制为512，所以数据集标签多了是无法使用该方法的。
此外，由于时间精力有限，几乎没有找到合适的存在标签关联的数据集，所以对于标签关联性的一些构想还是缺少验证的，这种数据集怕是要手工构建了，绝大多数数据集都是标签无关，因此直接全部掩盖掉，全部预测就行了。
## 5 简单实验
### 数据集介绍
[**全球人工智能技术创新大赛【赛道一】**](https://tianchi.aliyun.com/competition/entrance/531852/introduction?spm=5176.12281976.0.0.65fc22c6C8Ri9C)比赛数据集，是关于医疗影像描述文本的，输出为哪些部位有异常，初赛是17分类，复赛在17分类的基础上又多了12标签分类，本人把复赛初赛复赛数据集合并到一起，当成17多标签分类任务来做。数据集不太方便提供下载。
**AAPD数据集**，这是开源的数据集，我分析AAPD数据集并没有较强的标签关联性，搞不懂为啥**SGM多标签分类算法**要用这个训练集。。。
**Stackoverflow数据集**，Stackoverflow的帖子都是带有tag的，截图如下，但是该数据集不能直接获得，需要去[该网站](https://archive.org/details/stackexchange)下载，可能需要梯子，然后手工清洗后作为训练集，清洗代码可以见我另外一个开源库[DomainSpecificThesaurus](https://github.com/DunZhang/DomainSpecificThesaurus)。或者先用我清洗的10W数据集，下载链接请往后看。
**RCV1-V2数据集**，也是开源数据集，标签间也没啥关联性，而且看着文本总感觉很奇怪。
我提供了AAPD数据集、清洗后的Stackoverflow数据集和RCv1-v2数据集，下载地址：[点我下载](https://drive.google.com/file/d/1qNOfb4WX7TpTSPuhGIAAvzAbOc1MbHCO/view?usp=sharing)
****
### 实验结果
因为硬件资源有限，本人工作也较忙，没有做太多的实验，这里把有记录的比赛数据集结果和AAPD数据集测试结果贴出来。
**全球人工智能技术创新大赛【赛道一】**的测试结果：
| 方法 | Acc | Micro-F1 | Jaccard-score | 1-hamming_loss |
| :----------: | :---: | :------: | :-----------: | :------------: |
| Baseline | 0.894 | 0.925 | 0.861 | 0.988 |
| Baseline+mlm | 0.874 | 0.917 | 0.8467 | 0.987 |
| LM-MLC | 0.900 | 0.930 | 0.869 | 0.989 |
| LM-MLC+mlm | 0.921 | 0.950 | 0.906 | 0.992 |
**AAPD数据集**的测试结果：
| 方法 | Acc | Micro-F1 | Jaccard-score | 1-hamming_loss |
| :----------: | :---: | :------: | :-----------: | :------------: |
| Baseline | 0.448 | 0.748 | 0.598 | 0.978 |
| Baseline+mlm | 0.446 | 0.758 | 0.610 | 0.980 |
| LM-MLC | 0.439 | 0.748 | 0.597 | 0.978 |
| LM-MLC+mlm | 0.453 | 0.753 | 0.604 | 0.979 |
简单解释下四个方法的含义：
- **Baseline:** BERT+FC, 详情见上文或源码
- **Baseline+mlm:** 与mlm联合训练，即mlm_loss+bce_loss
- **LM-MLC:** 基于完形填空的多标签分类算法，就本人所设计算法
- **LM-MLC:** 与mlm联合预训练，详情见上文或源码
前前后后做了很多实验，客观来说，实验结果不太符合预期，效果在其他数据集上没有显著性提升，还是挺郁闷的，抛砖引玉，希望读者能提出的改进意见。不过该方法也没有明显差于其他方法，在以后比赛中作为一种融合模型还是可以滴。
## 6 代码介绍
Github开源地址：https://github.com/DunZhang/LM-MLC
代码做了好多修改，力求简洁易用，同时具有较强的可读性和可扩展性，文中提到的好多点都做成了超参形式，欢迎试水
目录结构及文件名含义如下：
```
│ Adversarial.py # 对抗训练
│ DataIter.py # 数据生成器、迭代器
│ DataUtil.py # 相关工具
│ Evaluate.py # 评估函数
│ find_best_order.py
│ FocalLoss.py # FocalLoss
│ get_format_data.py
│ get_so_data.py
│ run_eval.py # 评测脚本
│ run_train_aapd_baseline.py # 训练脚本
│ run_train_aapd_baseline_mlm.py
│ run_train_aapd_labelmask.py
│ run_train_aapd_labelmask_mlm.py
│ run_train_gaic_baseline.py
│ run_train_gaic_baseline_mlm.py
│ run_train_gaic_labelmask.py
│ run_train_gaic_labelmask_mlm.py
│ Train.py # 训练函数
│ TrainConfig.py # 训练参数
│
└─models
│ LabelMaskModel.py # LM-MLC模型
│ SigmoidModel.py # Baseline模型
```
## 7 TODOList
- 数据集，多标签分类数据集实在是太少了，需要多搞点数据集尤其是中文数据集和标签相关的数据集
- UnilM，可以考虑试一试，文本部分全部交互，标签逐个生成
- 考虑标签本身的语义信息，比如*经济*标签，*经济*二字本身就是有语义信息的
## 8 写在最后
特别感谢**吉大符号计算与知识工程教育部重点实验室**，提供许多思路和保贵的计算资源，希望他们能早日把基于该方法的论文搞定！
许久不写博客，打算重拾起来，博客以后纯粹的追求质量，只搞原创，只做有用的事情。顺便说下自己的下篇博客的内容：**基于加密技术来编译一个属于自己的加密Python解释器**，有兴趣的可以等我更新开源。