StructBERT-mental的中文Base预训练模型是在StructBert的基础上使用Adapter的方式融合心理以及情感相关知识的中文自然语言理解预训练模型。
模型在StructBERT的基础上,通过独立的Adapter使用动态权重mlm任务在知乎、心理论坛等1.03GB语料上进行训练,使得Adapter获得mental领域的知识,同时避免原有StructBert信息的遗忘。
本模型为Base规模(Layer-12 / Hidden-768 / Head-12),参数规模约为111M。
本模型主要用于中文相关(心理和情感任务为主)下游任务微调。用户可以基于自有训练数据进行微调。具体调用方式请参考代码示例。
在安装完成ModelScope-lib之后即可基于nlp_plug-mental_backbone_base进行下游任务finetune
from modelscope.metainfo import Preprocessors
from modelscope.msdatasets import MsDataset
from modelscope.trainers import build_trainer
from modelscope.utils.constant import Tasks
# 通过这个方法修改cfg
def cfg_modify_fn(cfg):
# 将backbone模型加载到句子相似度的模型类中
cfg.task = Tasks.sentence_similarity
# 使用句子相似度的预处理器
cfg['preprocessor'] = {'type': Preprocessors.sen_sim_tokenizer}
# 演示代码修改,正常使用不用修改
cfg.train.dataloader.workers_per_gpu = 0
cfg.evaluation.dataloader.workers_per_gpu = 0
# 补充数据集的特性
cfg['dataset'] = {
'train': {
# 实际label字段内容枚举,在训练backbone时需要传入
'labels': ['0', '1'],
# 第一个字段的key
'first_sequence': 'sentence1',
# 第二个字段的key
'second_sequence': 'sentence2',
# label的key
'label': 'label',
}
}
# lr_scheduler的配置
cfg.train.lr_scheduler.total_iters = int(len(dataset['train']) / 32) * cfg.train.max_epochs
return cfg
#使用clue的afqmc进行训练
dataset = MsDataset.load('clue', subset_name='afqmc')
kwargs = dict(
model='damo/nlp_plug-mental_backbone_base',
train_dataset=dataset['train'],
eval_dataset=dataset['validation'],
work_dir='/tmp',
cfg_modify_fn=cfg_modify_fn)
#使用nlp-base-trainer
trainer = build_trainer(name='nlp-base-trainer', default_args=kwargs)
trainer.train()
基于中文数据进行训练,模型训练数据有限,效果可能存在一定偏差。主要针对心理、情感领域的任务,其它领域的效果可能存在一定偏差。
数据来源于知乎论坛心理相关的语料以及心理论坛的语料,共1.03GB
在下游任务finetune后,nlpcc2013中文微博情绪识别和SMP2020微博情绪分类结果如下:
Model | nlpcc2013 | SMP2020 |
---|---|---|
roberta_base | 66.45 | 79.27 |
structbert_base | 67.82 | 80.43 |
StructBERT-mental(without pretrain) | 67.60 | 80.53 |
StructBERT-mental(ours) | 69.22 | 80.82 |
注:StructBERT-mental(without pretrain)为增加adapter,但是没有进行pretrain的模型,目的是对增加参数这个因子进行消融
如果我们的模型对您有帮助,请您引用我们的文章:
@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}
}