2022搜狐校园NLP算法大赛情感分析第一名方案理解和复现

    在知乎上看到2022搜狐校园NLP算法大赛情感分析第一名方案分享分享，觉得方案非常简单优雅，同时又有点prompt learning的意味在里面(严格来说不是prompt learning)，并且效果非常好。虽然在他们的方案分享中也给出了比较详细的思路和基于pytorch-lightning的代码，但是有一些细节的地方还不够清楚，同时代码也不太容易理解，因此在博客中做更加清晰的说明和分享更加简洁(更好理解基于torch)的代码。

一、比赛和方案理解

    这次比赛的任务是——面向实体对象的文本描述情感极性及色彩强度分析。情感极性和强度分为五种情况：极正向、正向、中立、负向、极负向。选手需要针对给定的每一个实体对象，从文本描述的角度，分析出对该实体的情感极性和强度。

数据如下：

{"id": 7410, "content": "如此战斗力惊人的篮网，球迷和专家对他的季后赛期待值能不高吗？因此整个赛季，大家的预测还是有道理的，今年的季后赛东部分区决赛应该还是去年的老样式，篮网和雄鹿估计是还是如约相见。今天的篮网三巨头其实还不是究极体，但也轻松“庖丁解牛”，公牛的路应该还是很漫长的，NBA终究还是那个超级巨星说话的舞台！", "entity": {"篮网": 1, "季后赛": 0}}

{"id": 88679, "content": "2014.09 海南省委常委、儋州市委书记，兼洋浦经济开发区工委副书记2014.10 海南省委常委、三亚市委书记2016.11 海南省委常委、海口市委书记2019年9月被查。", "entity": {"市委书记": 0, "海南省委": 0}}

针对上面数据中的content文本和给出的entity，分析出它们分别在content中包含的情感色彩。很明显这是一个分类任务，我当时看见这个赛题的时候，头脑中闪现出的解决方案就是和他们给出的baseline一模一样：

[CLS]content[SEP]entity_0[SEP]

[CLS]content[SEP]entity_1[SEP]

[CLS]content[SEP]entity_2[SEP]

......

[CLS]content[SEP]entity_n[SEP]

按照上面把content和每个entity拼接起来后，送入bert模型提取句向量，然后过分类器，这样就完成了这个任务，这个方案在比赛中也有人使用据说效果不是很理想。下面来看看比赛第一名的方案：

baseline的缺陷

如下图(引用比赛作者方案分享中的图)

因为每条数据的实体数据不相等，所以如同baseline那样的拼接方案，会导致模型见到content文本次数不一样，对最终的效果可能会有影响；同时把每一条数据复制了entity数量次，导致训练数据过多，效率比较低下。还有一个问题就是，模型得到的句向量的选择也会有一定的误差，baseline的方案中最后要么去cls或者所有token的embedding做meanPooling，这样也会对最后的结果产生一定的影响；最后就是那每个实体单独拼接，感觉有点弱化了每个实体间的联系，对最后的结果会产生一定的影响。

第一名的方案

如上图(引用比赛作者方案分享中的图)，把每条数据中的实体用[MASK]拼接起来，然后和content文本使用[SEP]拼接起来，这样就可以高效的在一条数据中构建一个分类任务，而不需要如果baseline那样对每一条数据重复多次。同时这里也避免了最后句向量的取舍问题，直接把[MASK]处对应的embedding作为每个实体情感的分类embedding。这个方案中[MASK]的引入，也有一点prompt learning的意味在里面，效果上作者说比较好。另一方面，它又不是严格的prompt learning，它不需要预测出[Mask]处具体的token是什么，然后做类别映射，也就是不需要做Prompt 答案空间映射（Verbalizer）的构造，只是做了一个Prompt 模版（Template）的构造。

总体行来说，这个方案确实比较优雅，当然效果也比较好，让人一看就有点耳目一新的感觉。当然看论文(prompt learning)比较多的话，应该也能想到类似的方案。代码上实现的一些细节——矩阵的维度变换，给一个更加清晰的说明，理解整个方案就更加的容易了。

数据维度变化

一个batch的数据

[CLS]content_0[SEP]entity_0_0[MASK]entity_0_1[MASK]entity_0_2[MASK][SEP]

[CLS]content_1[SEP]entity_1_0[MASK]entity_1_1[MASK][SEP]

[CLS]content_2[SEP]entity_2_0[MASK][SEP]

[CLS]content_3[SEP]entity_3_0[MASK]entity_3_1[MASK][SEP]

[CLS]content_4[SEP]entity_4_0[MASK]entity_4_1[MASK]entity_4_2[MASK][SEP]

......

[CLS]content_(batch_size-1)[SEP]entity_(batch_size-1)0[MASK]entity(batch_size-1)_1[MASK][SEP]

经过tokenizer后，就把token映射到词典对应的id上，需要记录每条数据的input_ids、attention_mask、mask_tokens、entity_count、label，对应的维度变化如下

input_ids：[batch,seq_length]

[

[101,******,102,,103,,103,102,,0,0,0,0,0],

[101,******,102,,103,,103,102],

[101,******,102,**,103,102,0,0,0,0,0],

......

[101,****,102,,103,,103,,103,**,103,0,0]

]

attention_mask：[batch,seq_length]

[

[1,******,1,,1,,1,1,,0,0,0,0,0],

[1,******,1,,1,,1,1],

[1,******,1,**,1,1,0,0,0,0,0],

......

[1,****,1,,1,,1,,1,**,1,0,0]

]

mask_tokens:[batch,seq_length]

[

[0,******,0,,1,,1,0,,0,0,0,0,0],

[0,******,0,,1,,1,0],

[0,******,0,**,1,0,0,0,0,0,0],

......

[0,****,0,,1,,1,,1,**,1,0,0]

]

label用list维护

[

[-2,2],

[1,2],

[-2],

......

[2，-2,0，-1]

]

如果batch内的实体为m个那么label的矩阵就是[m]

[-2,2,1,2,......,2，-2,0，-1]

input_ids+attention_mask经过bert后得到的结果：

# m表示batch内有m个实体
is_masked = inputs['is_masked'].bool()
inputs = {k: v for k, v in inputs.items() if k in ["input_ids", "attention_mask"]}
outputs = self.bert(**inputs,return_dict=True, output_hidden_states=True)
# [batch, seq_length, 768]
outputs = outputs.last_hidden_state
# [m,768]
masked_outputs = outputs[is_masked]
# [m,5]
logits = self.classifier(masked_outputs)

二、代码实现

第一名代码

作者给出了基于pytorch-lightning的代码，我认为封装的比较高了，不太容易理解，在此基础上，我实现了一版基于torch的代码：

模型代码

from transformers import BertPreTrainedModel,BertModel
import torch.nn as nn

class SentiClassifyBertPrompt(BertPreTrainedModel):
    def __init__(self,config):
        super(SentiClassifyBertPrompt,self).__init__(config)
        self.bert = BertModel(config=config)
        self.classifier = nn.Sequential(
            nn.Linear(config.hidden_size, config.hidden_size),
            nn.LayerNorm(config.hidden_size),
            nn.LeakyReLU(),
            nn.Dropout(p=config.dropout),
            nn.Linear(config.hidden_size, config.output_dim),
        )

    def forward(self,inputs):
        # m表示batch内有m个实体
        is_masked = inputs['is_masked'].bool()
        inputs = {k: v for k, v in inputs.items() if k in ["input_ids", "attention_mask"]}
        outputs = self.bert(**inputs,return_dict=True, output_hidden_states=True)
        # [batch, seq_length, 768]
        outputs = outputs.last_hidden_state
        # [m,768]
        masked_outputs = outputs[is_masked]
        # [m,5]
        logits = self.classifier(masked_outputs)
        return logits

数据加载代码

import torch
from torch.utils.data import Dataset
from tqdm import tqdm
import json
class DataReader(Dataset):
    def __init__(self,file_path,tokenizer,max_langth):
        self.file_path = file_path
        self.tokenizer = tokenizer
        self.max_length = max_langth
        self.data_list = self.texts_tokeniztion()
        self.allLength = len(self.data_list)

    def texts_tokeniztion(self):
        with open(self.file_path,'r',encoding='utf-8') as f:
            lines = f.readlines()

        res = []
        for line in tqdm(lines,desc='texts tokenization'):
            line_dic = json.loads(line.strip('\n'))
            content = line_dic['content']
            entity = line_dic['entity']
            prompt_length = 0
            prompts = ""
            label = []
            en_count = len(entity)
            for k,v in entity.items():
                prompt_length += len(k) + 1
                #标签化为 0-4的整数
                label.append(v+2)
                prompts += k +"[MASK]"
            #直接最大长度拼接
            content = content[0:self.max_length-prompt_length-1-10]
            text = content + "[SEP]" + prompts
            input_ids,attention_mask,masks = self.text2ids(text)

            input_ids = torch.tensor(input_ids,dtype=torch.long)
            attention_mask = torch.tensor(attention_mask,dtype=torch.long)
            masks = torch.tensor(masks, dtype=torch.long)
            #记录每条数据有多少个实体，方便推理的时候batch推理
            en_count = torch.tensor(en_count,dtype=torch.long)

            temp = []
            temp.append(input_ids)
            temp.append(attention_mask)
            temp.append(masks)
            temp.append(label)
            temp.append(en_count)
            res.append(temp)

        return res

    def text2ids(self,text):
        inputs = self.tokenizer(text)
        input_ids = inputs['input_ids']
        attention_mask = inputs['attention_mask']
        masks = [ int(id==self.tokenizer.mask_token_id)  for id in input_ids]
        return input_ids, attention_mask, masks

    def __getitem__(self, item):
        input_ids = self.data_list[item][0]
        attention_mask = self.data_list[item][1]
        masks = self.data_list[item][2]
        label = self.data_list[item][3]
        en_count = self.data_list[item][4]
        return input_ids, attention_mask, masks, label, en_count

    def __len__(self):
        return self.allLength

模型训练代码

from data_reader.reader import DataReader
import torch
from torch.utils.data import DataLoader
from transformers import BertTokenizer,BertConfig
from torch.optim import AdamW
from model import SentiClassifyBertPrompt
from torch.optim.swa_utils import AveragedModel, SWALR
from torch.nn.utils.rnn import pad_sequence
from log.log import  Logger
from tqdm import tqdm
import torch.nn.functional as F
import os
os.environ['CUDA_VISIBLE_DEVICES'] = "1"

def collate_fn(batch):
    input_ids, attention_mask, masks, label, en_count = zip(*batch)
    input_ids = pad_sequence(input_ids,batch_first=True,padding_value=0)
    attention_mask = pad_sequence(attention_mask,batch_first=True,padding_value=0)
    masks = pad_sequence(masks, batch_first=True, padding_value=0)
    labels = []
    for ele in label:
        labels.extend(ele)
    labels = torch.tensor(labels,dtype=torch.long)
    en_count = torch.stack(en_count,dim=0)
    return input_ids, attention_mask, masks, labels, en_count

def dev_validation(dev_loader,device,model):
    total_correct = 0
    total = 0
    model.eval()
    with torch.no_grad():
        for step, batch in enumerate(tqdm(dev_loader, desc="dev_validation")):
            batch = [t.to(device) for t in batch]
            inputs = {"input_ids": batch[0], "attention_mask": batch[1], "is_masked": batch[2]}
            label = batch[3]
            logits = model(inputs)
            preds = torch.argmax(logits,dim=1)

            correct = (preds==label).sum()
            total_correct += correct
            total += label.size()[0]

    acc = total_correct/total
    return acc

def set_seed(seed = 1):
    torch.cuda.manual_seed_all(seed)
    torch.manual_seed(seed)
    torch.backends.cudnn.deterministic = True

if __name__ == '__main__':
    set_seed()
    log_level = 10
    log_path = "logs/train_bert_prompt_AdamW_swa.log"
    logger = Logger(log_name='train_bert_prompt', log_level=log_level, log_path=log_path).logger

    pretrain_model_path = "./pretrained_models/chinese-bert-wwm-ext"
    batch_size = 16
    epochs = 10
    tokenizer = BertTokenizer.from_pretrained(pretrain_model_path)
    config = BertConfig.from_pretrained(pretrain_model_path)
    config.dropout = 0.2
    config.output_dim = 5
    config.batch_size = batch_size
    device = "cuda" if torch.cuda.is_available() else "cpu"
    model = SentiClassifyBertPrompt.from_pretrained(config=config,pretrained_model_name_or_path = pretrain_model_path)
    model.to(device)
    optimizer = AdamW(params=model.parameters(),lr=1e-6)

    # 随机权重平均SWA,实现更好的泛化
    swa_model = AveragedModel(model=model,device=device)
    # SWA调整学习率
    swa_scheduler = SWALR(optimizer, swa_lr=1e-6)

    train_dataset = DataReader(tokenizer=tokenizer, max_langth=512, file_path='./data/train_split.txt')
    train_loader = DataLoader(dataset=train_dataset, shuffle=True, batch_size=batch_size, collate_fn=collate_fn)

    dev_dataset = DataReader(tokenizer=tokenizer, max_langth=512, file_path='./data/dev_split.txt')
    dev_loader = DataLoader(dataset=dev_dataset, shuffle=True, batch_size=batch_size, collate_fn=collate_fn)

    for epoch in range(epochs):
        model.train()
        for step,batch in enumerate(tqdm(train_loader,desc="training")):
            batch = [ t.to(device) for t in batch]
            inputs = {"input_ids":batch[0],"attention_mask":batch[1],"is_masked":batch[2]}
            label = batch[3]
            logits = model(inputs)
            loss = F.cross_entropy(logits,label)

            loss.backward()
            optimizer.step()
            optimizer.zero_grad()

        swa_model.update_parameters(model)
        swa_scheduler.step()

        acc = dev_validation(dev_loader,device,model)
        swa_acc = dev_validation(dev_loader,device,swa_model)
        logger.info('Epoch %d acc is %.6f'%(epoch,acc))
        logger.info('Epoch %d swa_acc is %.6f' % (epoch, swa_acc))

工程目录如下

swa——平均权重

以上训练代码中有一个训练的trick——swa——平均权重是我之前没有见过和使用过的，有必要提一提，其核心思想，是训练的过程中最后保留的模型，并不是验证集上效果最好的模型，而是所有epoch训练后的模型的权重平均值，这样训练出来的模型最具更好的泛化能力和最优的效果。我们也不用自己去实现怎么计算权重的平均，torch也已经有了规范化的流程和代码了，具体的效果怎么样，需要实验去验证(有人说过sgd+swa才有效)。

    ......
    optimizer = AdamW(params=model.parameters(),lr=1e-6)
    # 随机权重平均SWA,实现更好的泛化
    swa_model = AveragedModel(model=model,device=device)
    # SWA调整学习率
    swa_scheduler = SWALR(optimizer, swa_lr=1e-6)
    for epoch in range(epochs):
        model.train()
        for step,batch in enumerate(tqdm(train_loader,desc="training")):
            ......
            #正常训练
            logits = model(inputs)
            loss = F.cross_entropy(logits,label)
            loss.backward()
            optimizer.step()
            optimizer.zero_grad()
        #每个epoch后swa_model模型更新参数
        swa_model.update_parameters(model)
        #调整学习率
        swa_scheduler.step()

baseline代码

为了简单验证一下效果怎么样，我也把baseline的方案跑出来了，代码如下：

import torch
from torch.utils.data import Dataset
from tqdm import tqdm
import json
from transformers import BertPreTrainedModel,BertModel
import torch.nn as nn
class SentiClassifyBert(BertPreTrainedModel):
    def __init__(self,config):
        super(SentiClassifyBert,self).__init__(config)
        self.bert = BertModel(config=config)
        self.classifier = nn.Sequential(
            nn.Linear(config.hidden_size, config.hidden_size),
            nn.LayerNorm(config.hidden_size),
            nn.LeakyReLU(),
            nn.Dropout(p=config.dropout),
            nn.Linear(config.hidden_size, config.output_dim),
        )

    def forward(self,inputs):
        inputs = {k: v for k, v in inputs.items() if k in ["input_ids", "attention_mask"]}
        outputs = self.bert(**inputs,return_dict=True, output_hidden_states=True)
        outputs = outputs.last_hidden_state
        cls_output = outputs[:,0:1,:].squeeze()
        logits = self.classifier(cls_output)
        return logits

class DataReader(Dataset):
    def __init__(self,file_path,tokenizer,max_langth):
        self.file_path = file_path
        self.tokenizer = tokenizer
        self.max_length = max_langth
        self.data_list = self.texts_tokeniztion()
        self.allLength = len(self.data_list)

    def texts_tokeniztion(self):
        with open(self.file_path,'r',encoding='utf-8') as f:
            lines = f.readlines()

        res = []
        for line in tqdm(lines,desc='texts tokenization'):
            line_dic = json.loads(line.strip('\n'))
            content = line_dic['content']
            entity = line_dic['entity']
            for k,v in entity.items():
                # 直接最大长度拼接
                content = content[0:self.max_length - len(k) - 1 - 10]
                text = content + "[SEP]" + k
                input_ids, attention_mask, masks = self.text2ids(text)

                input_ids = torch.tensor(input_ids, dtype=torch.long)
                attention_mask = torch.tensor(attention_mask, dtype=torch.long)
                label = torch.tensor(v+2, dtype=torch.long)
                temp = []
                temp.append(input_ids)
                temp.append(attention_mask)
                temp.append(label)
                res.append(temp)

        return res

    def text2ids(self,text):
        inputs = self.tokenizer(text)
        input_ids = inputs['input_ids']
        attention_mask = inputs['attention_mask']
        masks = [ int(id==self.tokenizer.mask_token_id)  for id in input_ids]
        return input_ids, attention_mask, masks

    def __getitem__(self, item):
        input_ids = self.data_list[item][0]
        attention_mask = self.data_list[item][1]
        label = self.data_list[item][2]
        return input_ids, attention_mask, label

from data_reader.reader import DataReader
import torch
from torch.utils.data import DataLoader
from transformers import BertTokenizer,BertConfig
from torch.optim import AdamW,SGD
from model import SentiClassifyBert
from torch.optim.swa_utils import AveragedModel, SWALR
from torch.nn.utils.rnn import pad_sequence
from log.log import  Logger
from tqdm import tqdm
import torch.nn.functional as F
import os
os.environ['CUDA_VISIBLE_DEVICES'] = "0"

def collate_fn(batch):
    input_ids, attention_mask,  label = zip(*batch)
    input_ids = pad_sequence(input_ids,batch_first=True,padding_value=0)
    attention_mask = pad_sequence(attention_mask,batch_first=True,padding_value=0)
    label = torch.stack(label,dim=0)
    return input_ids, attention_mask, label

def dev_validation(dev_loader,device,model):
    total_correct = 0
    total = 0
    model.eval()
    with torch.no_grad():
        for step, batch in enumerate(tqdm(dev_loader, desc="dev_validation")):
            batch = [t.to(device) for t in batch]
            inputs = {"input_ids": batch[0], "attention_mask": batch[1]}
            label = batch[2]
            logits = model(inputs)
            preds = torch.argmax(logits,dim=1)

            correct = (preds==label).sum()
            total_correct += correct
            total += label.size()[0]

    acc = total_correct/total
    return acc

def set_seed(seed = 1):
    torch.cuda.manual_seed_all(seed)
    torch.manual_seed(seed)
    torch.backends.cudnn.deterministic = True

if __name__ == '__main__':
    set_seed()
    log_level = 10
    log_path = "logs/train_bert_adamW_swa_20220718.log"
    logger = Logger(log_name='train_bert', log_level=log_level, log_path=log_path).logger

    pretrain_model_path = "./pretrained_models/chinese-bert-wwm-ext"
    batch_size = 16
    epochs = 20
    tokenizer = BertTokenizer.from_pretrained(pretrain_model_path)
    config = BertConfig.from_pretrained(pretrain_model_path)
    config.dropout = 0.2
    config.output_dim = 5
    config.batch_size = batch_size
    device = "cuda" if torch.cuda.is_available() else "cpu"
    model = SentiClassifyBert.from_pretrained(config=config,pretrained_model_name_or_path = pretrain_model_path)
    model.to(device)
    optimizer = AdamW(params=model.parameters(),lr=1e-6)
    # optimizer = SGD(params=model.parameters(), lr=1e-5,momentum=0.9)

    # 随机权重平均SWA,实现更好的泛化
    swa_model = AveragedModel(model=model,device=device)
    # SWA调整学习率
    swa_scheduler = SWALR(optimizer, swa_lr=1e-6)

    train_dataset = DataReader(tokenizer=tokenizer, max_langth=512, file_path='./data/train_split.txt')
    train_loader = DataLoader(dataset=train_dataset, shuffle=True, batch_size=batch_size, collate_fn=collate_fn)

    dev_dataset = DataReader(tokenizer=tokenizer, max_langth=512, file_path='./data/dev_split.txt')
    dev_loader = DataLoader(dataset=dev_dataset, shuffle=True, batch_size=batch_size, collate_fn=collate_fn)

    for epoch in range(epochs):
        model.train()
        for step,batch in enumerate(tqdm(train_loader,desc="training")):
            batch = [ t.to(device) for t in batch]
            inputs = {"input_ids":batch[0],"attention_mask":batch[1]}
            label = batch[2]
            logits = model(inputs)
            loss = F.cross_entropy(logits,label)

            loss.backward()
            optimizer.step()
            optimizer.zero_grad()

        swa_model.update_parameters(model)
        swa_scheduler.step()

        acc = dev_validation(dev_loader,device,model)
        swa_acc = dev_validation(dev_loader,device,swa_model)
        logger.info('Epoch %d acc is %.6f'%(epoch,acc))
        logger.info('Epoch %d swa_acc is %.6f' % (epoch, swa_acc))

训练中把约9W条数据的训练集切分出1W条数据作为验证集，使用chinese-bert-wwm-ext作为预训练模型，训练20个epochs；对比了SGD和AdamW优化器的效果；同时也对比了baseline和第一名方案的效果；当然swa的效果好不好不能给出一个结论，因为没有测试集。

三、效果展示

第一名的方案：

a、adamW + swa

验证集上的准确率使用AdamW优化器20个epochs内最高准确率是0.929579；swa则是0.928673——它在测试集上表现如何就不太清楚了了。

b、sgd + swa

从准确率上来看sgd收敛的比较慢，再低19个epcoh准确率才到达最高值，而且准确率也没有AdamW高，才89.7，不过看来还没有完全收敛，继续训练还可以提升，不过要花很长时间；看来AdamW这种智能优化器还是比较适合我这种不太会调优化器参数的人呀。

baseline的方案

对比来看baseline的效果差的有点多，第一名的方案确实有效，主要的还是有两点，一是没有重复拼接，造成数据分布的改变，同时模型可能对于学习实体直接的关系更加擅长；二是句向量的选择更加的合适，没有选取cls也没有选取meanPooling的embedding，而是选取[MASK]对应的embedding更加的精确，这种本质上是把prompt learning做了改变应用到这里来了，预训练和微调的gap更小了，提取到的embedding更加准确，所有效果才好。

方案优雅，值得学习和借鉴！

参考文章

2022搜狐校园NLP算法大赛情感分析第一名方案分享

2022搜狐校园 情感分析 算法大赛