2020-tianchi-ChMedNER

2020 “万创杯”中医药天池大数据竞赛——中药说明书实体识别挑战 复盘 初赛:17 复赛死于docker(泪)

NER比赛可参考的链接：

• 一等奖团队分享 | 2019 CCF BDCI 《互联网金融新实体发现》
• 2019BDCI互联网金融实体识别（单模第一，综合第二名思路与代码框架傻瓜式分享）
• “达观杯”冠军分享：预训练模型彻底改变了NLP，但也不能忽略传统方法带来的提升
• 2019BDCI互联网金融实体识别复赛A榜第七，B榜第五
• 非常好用的BERT-NER-Pytorch
• 2020 CCF大数据与计算智能大赛-非结构化商业文本信息中隐私信息识别-第7名方案

赛后前排分享总结：

门头沟战队_冠军比赛攻略原文链接

1. 数据预处理
   数据特点：长文本多、数据量少，实体不平衡，句子太长进行分割（代码中的处理方式就是根据标点符号先对句子进行分句，然后再重组，要求重组后的句子长度不超过510）
2. 模型设计
   baseline:BERT-CRF（不同于直接加CRF，中间还加了一个linear-relu-dropout结构作为中间层）

• 预训练模型：选用 UER-large-24 layer，UER在RoBerta-wwm框架下采用大规模优质中文语料继续训练，CLUE任务中单模第一
• 差分学习率：BERT层学习率2e-5；其他层学习率2e-3
• 参数初始化：模型其他模块与BERT采用相同的初始化方式
• 滑动参数平均：加权平均最后几个epoch模型的权重，得到更加平滑和表现更优的模型（swa）

3. 优化策略
   

• 对抗训练：FGM,PGD（提升模型泛化性能）
• 混合精度训练：FP16(加快训练速度)
• 模型融合：差异化多级模型融合系统。   模型框架差异化：BERT-CRF & BERT-SPAN & BERT-MRC；   训练数据差异化：更换随机种子、更换句子切分长度（256、512）   多级模型融合策略: CRF/SPAN/MRC 5折交叉验证得到的模型进行第一级概率融合，将 logits平均后解码实体 CRF/SPAN/MRC 概率融合后的模型进行第二级投票融合，获取最终结果
• 半监督学习：动态伪标签（先使用训练数据得到一个不错的模型并结合投票策略对测试数据进行预测，得到的标签为伪标签，将其加入到训练数据中一同训练，计算loss是对是否是伪标签进行加权）

复赛第一代码解构(以下均为验证集结果)

源代码地址：https://github.com/z814081807/DeepNER

注：F1中括号中的数表示验证集最优结果出现的step BERT-Type: bert-base

	Accuracy	Recall	F1 score
BERT-CRF	0.6740	0.7561	0.7104(270)
BERT-Span	0.6323	0.7626	0.6872(315)
BERT-MRC	0.6500	0.7648	0.6986(2516)

下面在BERT-CRF模型上添加各种trick的对比：

	Accuracy	Recall	F1 score
BERT-CRF	0.6740	0.7561	0.7104(270)
BERT-CRF + weight_decay	0.6848	0.7409	0.7106(450)
roBERTa-CRF + weight_decay	0.7115	0.7557	0.7303(340)
roBERTa-CRF + weight_decay + pseudo_data	0.7029	0.7694	0.7333(680)
roBERTa-CRF + weight_decay + pseudo_data + swa	0.7009	0.7702	0.7325(swa)
roBERTa-CRF + weight_decay + pseudo_data + swa + pgd	0.7031	0.7721	0.7347(680)
roBERTa-CRF + weight_decay + pseudo_data + swa + fgm	0.6954	0.7785	0.7328(612)

小贤贤nice团队_亚军比赛攻略原文链接

方案总结：

1. 数据去噪:
   本赛题数据集噪声较大，使用Roberta-CRF-FGM模型对训练集进行10折交叉验证对标注实体进行过滤，具体过滤规则为：10折训练得到10份预测结果，如果在10份预测结果中都有则保留，如果一个也没有但是原始训练集中标注了则去除。
2. 模型：
   Roberta-CRF，BERT和CRF设置不同学习率，BERT的输出采用最后三层加权融合，权重为可学习参数。
   
3. 改进策略：
   提高泛化，引入对抗训练，在BERT的word.embedding层增加扰动，对抗训练的方法有FGM、PGD、FreeLB等
     在Bert和CRF中间加入BILSTM / IDCNN等，把Bert学习到的token向量作为BILSTM / IDCNN的输入，让模型进一步学习特征编码。BILSTM作为序列模型，推断时间会较慢，IDCNN预测速度更快，但实际使用时，IDCNN在长文本的表现不如BiLSTM
     采用更大的模型，把RoBEATa_base替换成RoBERTa_large
     引入词汇信息，BERT是基于字符，对于NER任务来说，基于字符能避免分词错误带来的不可逆误差，但专用领域的词典也有十分重要的作用，如Lattice LSTM、Soft-Lexicon、FLAT等都是考虑融合字和词信息的模型
   
4. 模型融合策略：
     融合方法一：对不同模型的Bert输出层概率、CRF的转移概率进行权重平均
     融合方法二：在每一折中，保留 f1值最高的模型，在输出的单元标签中，进行服从多数投票，如10折的预测结果，其中7折预测为B-eff、其它三折预测为O，则取B-eff
     融合方法三（最优）：在每一折中，保留 recall最高的模型，在输出的实体标签中，进行阈值保留，如10折的预测结果，其中7折预测出“脾虚”这一实体，另外3折没有预测出来，假如阈值取≥7，则保留，否则丢弃
   
5. 经验总结：
     在本地调试的时候，一定要划分好训练集、验证集和测试集，把实验记录的数据做好记录，提高效率（建议新手应该先搭建pipeline，记得设置随机种子！不然连划分数据集都难以复现）
     多积累，多看前沿论文和解决方法，合理安排时间。
   

亚军比赛攻略 原文链接

方案总结：

1. 实体补全：匹配相同的文本，补上标注
2. 特征挖掘：发现实体漏标比例和样本长度正相关
3. 模型融合：10折基于置信度阈值调整的投票策略

NewBee季军比赛攻略 原文链接

方案总结：

1. 数据预处理：长句子切分，生成伪标签数据增强
2. 模型构建：{BERT|Roberta|NEZHA}-{BiLSTM}-{CRF|SPAN}，BERT多层输出动态融合，标签平滑，对抗训练
3. 模型融合与后处理：舍弃过长的实体，舍弃带特殊字符的实体，融合的实体进行分割
4. 模型融合：单模融合：SWA，多模融合：对在训练集中出现过的和未出现过的分开处理。

Theanswer-比赛攻略原文链接

方案总结：

1. 数据预处理：长度分割，Lattice词表：加入专业词汇
2. 模型构建，Roberta-{Flat-Lattice-layer}-{Softmax|CRF|Span}，对预训练模型进行再训练