SimBERTv2 融合检索和生成的RoFormer-Sim模型

 

RoFormer-Sim 是 SimBERT 的升级版，我们也可以通俗地称之为 “SimBERTv2”，而 SimBERT 则默认是指旧版。从外部看，除了基础架构换成了 RoFormer 外，RoFormer-Sim 跟 SimBERT 没什么明显差别，事实上它们主要的区别在于训练的细节上，我们可以用两个公式进行对比：

开源了预训练，338m

训练环境:

tensorflow 1.14 + keras 2.3.1 + bert4keras 0.10.6

 

除此之外，RoFormer-Sim 用到了更多的训练数据，并且拓展到了一般句式，也就是说，不同于 SimBERT 仅仅局限于疑问句，RoFormer-Sim 可以用来做一般句子的相似句生成，适用场景更大。其他训练细节还包括 RoFormer-Sim 用了更大的 batch_size 和 maxlen 等，这些在后面我们都会进一步介绍。

开源地址：

https://github.com/ZhuiyiTechnology/roformer-sim

 

语料

SimBERT 和 RoFormer-Sim 的关键之处，都是在于训练语料的构建。RoFormer-Sim 的训练语料包括两部分：1）疑问类型相似句；2）通用类型相似句。对于疑问类相似句，我们还是像 SimBERT 一样，通过收集百度知道的相似问句，然后通过规则进一步清洗，这部分对我们来说已经很成熟了；对于通用类相似句，我们没有现成的地方可以搜集，于是我们提出了两种方案，一定程度上可以无监督地构建（伪）相似句对。

第一个方案是基于“同一个问题的答案是相似的”思想，假如我们有现成的问答语料，该语料对于同一个问题有多个答案，那么我们可以将每个答案分句，然后用一个现成的相似度函数来比较答案之间的相似度，挑出相似度超过某个阈值的句对作为相似句对使用；

第二个方案则是基于“同一篇章的句子是相似的”思想，它更加简单直接一点，就是将每个篇章分句，然后用一个现成的相似度函数两两计算相似度，挑出相似度超过某个阈值的句对作为相似句对使用，显然该方案的合理性更弱，所以它的阈值也更高。

这里涉及到一个“现成的相似度函数”，我们是直接使用 Jaccard 相似度的一个变体，换言之只需要一个规则的、字符级别的相似度就好了，语义上的关联，则通过篇章内部的关联以及预训练模型本身的泛化能力来获得。

通过第一个方案，我们从几个阅读理解数据集中构建了约 450 万个（伪）相似句对；通过第二个方案，我们从 30 多 G 的平行预料中构建了约 470 万个（伪）相似句对；而爬取的问句则达到了约 3000 万个相似句组（一组可以构成多对）。从这个角度看来，问句的数目是远超于一般句式的，所以我们按照 1:1 的方式从中采样，使得每种句式的样本都均衡。

 

生成

RoFormer-Sim 的训练方式跟 SimBERT 基本一样，如下图所示。稍微不同的是，为了增强模型的生成能力，在构造训练语料的时候，我们还随机地将输入句子的部分 token 替换为[MASK]，这种预训练方法首先由 BART 提出。而我们跟 BART 的区别在于：BART 是“输入带噪声的句子，输出原句子”，我们是“输入带噪声的句子，输出原句子的一个相似句”，理论上我们的任务还更难。

▲ SimBERT训练方式示意图

生成效果没什么特别好的评测指标，我们直接目测一些例子就好：

gen_synonyms(u'广州和深圳哪个好？')
[
    '深圳和广州哪个好？',
    '广州和深圳哪个好',
    '广州和深圳哪个更好？',
    '深圳和广州哪个更好？',
    '深圳和广州，那个更好？',
    '深圳和广州哪个好一些呢？',
    '深圳好还是广州好？',
    '广州和深圳哪个地方好点？',
    '广州好还是深圳好？',
    '广州和深圳哪个好一点',
    '广州和深圳哪个发展好？',
    '深圳好还是广州好',
    '深圳和广州哪个城市更好些',
    '深圳比广州好吗？',
    '到底深圳和广州哪个好？为什么呢？',
    '深圳究竟好还是广州好',
    '一般是深圳好还是广州好',
    '广州和深圳那个发展好点',
    '好一点的深圳和广州那边好？',
    '深圳比广州好在哪里？'
]

gen_synonyms(u'科学技术是第一生产力。')
[
    '科学技术是第一生产力！',
    '科学技术是第一生产力',
    '一、科学技术是第一生产力。',
    '一是科学技术是第一生产力。',
    '第一，科学技术是第一生产力。',
    '第一生产力是科学技术。',
    '因为科学技术是第一生产力。',
    '科学技术是第一生产力知。',
    '也即科学技术是第一生产力。',
    '科学技术是第一生产力吗',
    '科技是第一生产力。',
    '因此，科学技术是第一生产力。',
    '其次，科学技术是第一生产力。',
    '科学技术才是第一生产力。',
    '科学技术是第一生产力吗？',
    '第二，科学技术是第一生产力。',
    '所以说科学技术是第一生产力。',
    '科学技术确实是第一生产力。',
    '科学技术还是第一生产力',
    '科学技术是第一生产力对吗？'
]

总的来说，初步实现了任意句式的相似扩增，但问句的扩增效果优于一般句型，这是因为训练语料中问句的质量就明显高于一般句型。由于进行了仿 BART 式训练，所以除了直接进行相似句生成外，我们还可以自行把某些部分 mask 掉，让模型自行发散扩充，比如：

gen_synonyms(u'科学技术是第一生产力。', mask_idxs=[6, 7])  # mask掉“第一”
[
    "科学技术是第一生产力",
    "2、科学技术是第一生产力。",
    "科学技术是第一生产力，也是第二生产力。",
    "科学技术是第一生产力，科学发展是第二生产力。",
    "9、科学技术是第一生产力。",
    "第一，科学技术是一种生产力。",
    "科学技术是生产力。",
    "科学技术是第二生产力。",
    "科学技术是第一生产力”现在提出来的。",
    "一、科学技术是一种生产力。",
    "科学技术是第一生产力是什么意思",
    "科学技术是一种主要生产力。",
    "一：科学技术是最高生产力。",
    "指科学技术不是第一生产力。",
    "科学技术是第二生产力，第一生产力又是第二生产力。",
    "二、科学技术是一种生产力。",
    "世界上第一种生产力是科学技术。",
    "科学技术是社会主义生产力之一。",
    "第二，科学技术也是第二生产力。",
    "科技是一切生产力。"
]

更多玩法，请大家自行挖掘了。

 

检索

增加一般句式的语料、引入仿 BART 式训练，这些改动都相对来说提升了生成模型的效果。然而，我们意外地发现，检索模型（即句子编码模型）的效果却降低了。估计的原因，可能是更多的语料、更大的噪声虽然加大了生成模型的难度，但对于对比学习来说，这些不同句式的或者带噪声的样本作为负样本，反而是难度降低了。比如，如果一个 batch 同时有疑问句和陈述句，那么模型可以简单地通过句式（而不是语义）就可以识别出不少负样本，从而降低了对语义的理解能力。

当然，SimBERT 和 RoFormer-Sim 的本质定位都是相似句扩增模型，检索模型只是它的“副产品”，但我们仍然希望这个“副产品”能尽可能好一些。为此，我们在 RoFormer-Sim 训练完之后，进一步通过蒸馏的方式把 SimBERT 的检索效果转移到 RoFormer-Sim 上去，从而使得 RoFormer-Sim 的检索效果基本持平甚至优于 SimBERT。蒸馏的方式很简单，假如对于同一批句子，SimBERT 出来的句向量为 ，RoFormer-Sim 出来的句向量为 ，那么就以：

为 loss 进行学习，这里 。当然，为了防止模型“遗忘”掉生成模型，蒸馏的同时还要加上生成损失，即 。蒸馏不需要很多步，大致 5000 步左右就可以训练完成了。

跟无监督语义相似度哪家强？我们做了个比较全面的评测一样，我们用同样的任务对比了 SimBERT 和 RoFormer 的检索效果（其中每一格的三个数据，分别代表“不加 whitening”、“加 whitening”、“加 whitening-256”的效果，同之前的评测）：

从表中可以看出，不管加不加 whiteining，RoFormer-Sim 在大部分任务上都超过了 SimBERT，可见蒸馏之后的 RoFormer-Sim 的检索效果确实能获得提高，这个“副产品”也不至于太差了。