自然语言推理任务(NLI)通常指判断一对句子对(前提句,假设句)在语义上是否存在推理蕴涵关系。作为自然语言理解的一个重要组成部分,NLI专注于语义理解,是一项分类任务。
StructBERT中文自然语言推理模型是在structbert-base-chinese预训练模型的基础上,用CMNLI、OCNLI两个数据集(45.8w条数据)训练出来的自然语言推理模型。
模型基于Structbert-large-chinese,按照BERT论文中的方式,在CMNLI、OCNLI两个数据集(45.8w条数据)上fine-tune得到。
你可以使用StructBERT中文自然语言推理模型,对通用领域的自然语言推理任务进行推理。
输入形如(前提句,假设句)的句子对数据,模型会给出该句子对应的自然语言推理标签 {“矛盾”: 0, “蕴涵”: 1, “中立”: 2} 以及相应的概率。
在安装完成ModelScope-lib,请参考 modelscope环境安装 。
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
semantic_cls = pipeline(Tasks.nli, 'damo/nlp_structbert_nli_chinese-large')
semantic_cls(input=('一月份跟二月份肯定有一个月份有.', '肯定有一个月份有'))
pip install datasets==2.1.0
import os.path as osp
from modelscope.trainers import build_trainer
from modelscope.msdatasets import MsDataset
from modelscope.utils.hub import read_config
from modelscope.metainfo import Metrics
from modelscope.utils.constant import DownloadMode
model_id = 'damo/nlp_structbert_nli_chinese-large'
dataset_id = 'clue'
WORK_DIR = 'workspace'
max_epochs = 2
def cfg_modify_fn(cfg):
cfg.train.max_epochs = max_epochs
cfg.train.hooks = cfg.train.hooks = [{
'type': 'TextLoggerHook',
'interval': 100
}]
cfg.evaluation.metrics = [Metrics.seq_cls_metric]
cfg['dataset'] = {
'train': {
'first_sequence': 'sentence1',
'second_sequence': 'sentence2',
'label': 'label',
}
}
return cfg
train_dataset = MsDataset.load(dataset_id, namespace='modelscope', subset_name='ocnli', split='train', download_mode=DownloadMode.FORCE_REDOWNLOAD).to_hf_dataset()
eval_dataset = MsDataset.load(dataset_id, namespace='modelscope', subset_name='ocnli', split='validation', download_mode=DownloadMode.FORCE_REDOWNLOAD).to_hf_dataset()
# # remove useless case
# train_dataset = train_dataset.filter(lambda x: x["label"] != None and x["sentence"] != None)
# eval_dataset = eval_dataset.filter(lambda x: x["label"] != None and x["sentence"] != None)
# map float to index
def map_labels(examples):
map_dict = {0: "矛盾", 1: "蕴涵", 2: "中立"}
examples['label'] = map_dict.get(int(examples['label']), "中立")
return examples
train_dataset = train_dataset.map(map_labels)
eval_dataset = eval_dataset.map(map_labels)
kwargs = dict(
model=model_id,
train_dataset=train_dataset,
eval_dataset=eval_dataset,
work_dir=WORK_DIR,
cfg_modify_fn=cfg_modify_fn)
trainer = build_trainer(name='nlp-base-trainer', default_args=kwargs)
print('===============================================================')
print('pre-trained model loaded, training started:')
print('===============================================================')
trainer.train()
print('===============================================================')
print('train success.')
print('===============================================================')
for i in range(max_epochs):
eval_results = trainer.evaluate(f'{WORK_DIR}/epoch_{i+1}.pth')
print(f'epoch {i} evaluation result:')
print(eval_results)
print('===============================================================')
print('evaluate success')
print('===============================================================')
模型训练数据有限,不能包含所有行业,因此在特定行业数据上,效果可能存在一定偏差。
CMNLI(Chinese Multi-Genre NLI):用于判断给定的两个句子之间属于蕴涵、中立、矛盾关系。数据来源于fiction, telephone,travel,government等。数据集由经过中英转化的XNLI与MNLI组成,
dev由XNLI中的dev和MNLI中的matched组成,test由XNLI中的test和MNLI中的mismatched组成;train/dev/test的数据量分别是391782/12426/13880。
OCNLI(Original Chinese Natural Language Inference):原生中文自然语言推理数据集,是第一个非翻译的、使用原生汉语的大型中文自然语言推理数据集;train/dev/test对应的数据量分别是
50k/3k/3k。
数据来源于https://github.com/CLUEbenchmark/CLUEDatasetSearch
数据集 | CMNLI | OCNLI |
---|---|---|
Accuracy | 0.8441 | 0.8137 |
@article{wang2019structbert,
title={Structbert: Incorporating language structures into pre-training for deep language understanding},
author={Wang, Wei and Bi, Bin and Yan, Ming and Wu, Chen and Bao, Zuyi and Xia, Jiangnan and Peng, Liwei and Si, Luo},
journal={arXiv preprint arXiv:1908.04577},
year={2019}
}