【自然语言处理（NLP）】基于Bi-DAF的机器阅读理解

---

---

作者简介：在校大学生一枚，华为云享专家，阿里云专家博主，腾云先锋（TDP）成员，云曦智划项目总负责人，全国高等学校计算机教学与产业实践资源建设专家委员会（TIPCC）志愿者，以及编程爱好者，期待和大家一起学习，一起进步~
.
博客主页：ぃ灵彧が的学习日志
.
本文专栏：人工智能
.
专栏寄语：若你决定灿烂，山无遮，海无拦
.

---

前言

(一)、任务描述

在机器阅读理解(MRC)任务中，我们会给定一个问题(Q)以及一个或多个段落§/文档(D)，然后利用机器在给定的段落中寻找正确答案(A)，即Q + P or D => A. 机器阅读理解(MRC)是自然语言处理(NLP)中的关键任务之一，需要机器对语言有深刻的理解才能找到正确的答案。本项目基于paddlepaddle，针对DuReader阅读理解数据集数据集实现并升级了一个经典的阅读理解模型——BiDAF模型，该模型的结构图如下所示：

在DuReader数据集上的效果如下表所示：

Model	Dev ROUGE-L	Test ROUGE-L
BiDAF (原始论文基线)	39.29	45.90
本基线系统	47.68	54.66

---

(二)、环境配置

本示例基于飞桨开源框架2.0版本。

import paddle
import paddle.nn.functional as F
import re
import numpy as npprint(paddle.__version__)# cpu/gpu环境选择，在 paddle.set_device() 输入对应运行设备。
# device = paddle.set_device('gpu')

输出结果如下图1所示：

---

一、数据准备

---

DuReader数据集

DuReader是一个大规模、面向真实应用、由人类生成的中文阅读理解数据集。DuReader聚焦于真实世界中的不限定领域的问答任务。相较于其他阅读理解数据集，DuReader的优势包括:

• 问题来自于真实的搜索日志
• 文章内容来自于真实网页
• 答案由人类生成
• 面向真实应用场景
• 标注更加丰富细致

更多关于DuReader数据集的详细信息可在DuReader官网找到

---

二、进阶使用

(一)、任务定义与建模

阅读理解任务的输入包括：

• 一个问题Q (已分词)，例如：[“明天”， “的”, “天气”, “怎么样”, “？”]；
• 一个或多个段落P (已分词)，例如：[[“今天”, “的”, “天气”, “是”, “多云”, “转”, “晴”, “，”, “温度”, “适中”, “。”], [“明天”, “气温”, “较为”, “寒冷”, “，”, “请”, “注意”, “添加”, “衣物”, “。”]]。

模型输出包括：

• 段落P中每个词是答案起始位置的概率以及答案结束位置的概率 (boundary model)，例如：起始概率=[[0.01, 0.02, …], [0.80, 0.10, …]]，结束概率=[[0.01, 0.02, …], [0.01, 0.01, …]]，其中概率数组的维度和输入分词后的段落维度相同。

模型结构包括：

• 嵌入层 (embedding layer)：输入采用one-hot方式表示的词，得到词向量；
• 编码层 (encoding layer)：对词向量进行编码，融入上下文信息；
• 匹配层 (matching layer)：对问题Q和段落P之间进行匹配；
• 融合层 (fusion layer)：融合匹配后的结果；
• 预测层 (output layer)：预测得到起始、结束概率。

---

(二)、模型原理介绍

下图显示了原始的模型结构（如BiDAF模型结构图）。在本基线系统中，我们去掉了char级别的embedding，在预测层中使用了pointer network，并且参考了R-NET中的一些网络结构。

---

(三)、数据格式说明

DuReader数据集中每个样本都包含若干文档(documents)，每个文档又包含若干段落(paragraphs)。有关数据的详细介绍可见官网、论文以及数据集中包含的说明文件，下面是一个来自训练集的样本示例

{"documents": [{"is_selected": true,"title": "板兰根冲剂_百度百科","most_related_para": 11,"segmented_title": ["板兰根", "冲剂", "_", "百度百科"],"segmented_paragraphs": [["板兰根", "冲剂", "，", "药", "名", ":", ... ],["【", "功效", "与", "主治", "】", ...],...],"paragraphs": ["板兰根冲剂，药名...","【功效与主治】...",...],"bs_rank_pos": 0},{"is_selected": true,"title": "长期喝板蓝根颗粒有哪些好处和坏处","most_related_para": 0,"segmented_title": ["长期", "喝", "板蓝根", "颗粒", "有", "哪些", "好处", "和", "坏处"],"segmented_paragraphs": [["板蓝根", "对", "感冒", "、", "流感","、", ...],...],"paragraphs": ["板蓝根对感冒、流感、流脑、...",...],"bs_rank_pos": 1},...],"answer_spans": [[5, 28]],"fake_answers": ["清热解毒、凉血;用于温热发热、发斑、风热感冒、咽喉肿烂、流行性乙型脑炎、肝炎、腮腺炎。"],"question": "板蓝根颗粒的功效与作用","segmented_answers": [["清热解毒", "、", "凉血", "；", "用于", "温", "热", "发热", ...],["板蓝根", "的", "用途", "不仅", "是", "治疗", "感冒", ...],...],"answers": ["清热解毒、凉血；用于温热发热、发斑、风热感冒、咽喉肿烂、流行性乙型脑炎、肝炎、 腮腺炎 。","板蓝根的用途不仅是治疗感冒，板蓝根的功效与作用多，对多种细菌性、病毒性疾病都有较好的预防与治疗作用。",...],"answer_docs": [0],"segmented_question": ["板蓝根颗粒", "的", "功效", "与", "作用"],"question_type": "DESCRIPTION","question_id": 91161,"fact_or_opinion": "FACT","match_scores": [0.9583333333333334]
}

---

三、相关代码

---

(一)、解压数据集

---

# 从work中把代码解压出来，解压数据集
!unzip -qo data/data9722/demo.zip
!mv home/aistudio/data/demo data
!rm -r home
# !tar -zxf data/data9722/dureader_machine_reading-dataset-2.0.0.tar.gz -C data

---

(二)、提升模型表现

为了提升模型在DuReader2.0数据集上的表现，采用了一种新的段落抽取策略。该段落抽取策略可通过运行以下命令执行：

---

# 使用demo的话 这里不用执行
!cd src && sh run.sh --para_extraction
!mv extracted/* data/extracted

输出结果如下图1所示：

---

(三)、生成词表

在模型训练开始之前，需要先运行以下命令来生成词表以及创建一些必要的文件夹，用于存放模型参数等：

---

!cd src && sh run.sh --prepare

输出结果如下图2所示：

---

三、模型训练

运行下面的命令，即可开始训练。更多的参数配置可在src/args.py中修改，默认使用data/demo中的数据进行训练

---

!cd src && sh run.sh --train --pass_num 50

部分输出结果如下图3所示：

---

四、模型评估

通过运行以下命令，可以利用训练好的模型在验证集进行评估，评估结束后程序会自动计算ROUGE-L指标并显示最终结果。默认使用data/demo中的数据进行评估。

---

!cd src && sh run.sh --evaluate  --load_dir ../data/models/50

输出结果如下图4所示：

---

五、模型预测

通过运行以下命令，可以利用训练好的模型进行预测，预测结果会保存在data/result/目录下，可以使用文本编辑的模型打开json文件查看预测结果，默认使用data/demo中的数据进行预测

同时predict脚本在预测完成后还会将模型的参数进行固化，如果需要将功能拆分，可以修改run.py文件，将freeze 和predict拆分开

---

!cd src && sh run.sh --predict  --load_dir  ../data/models/50

---

(一)、结果保存

预测的结果以这样的形式保存在文件中，根据question_type 和question_id给出对应的question

{"yesno_answers": [], "entity_answers": [[]], "answers": ["在使用路由器上网时,我们会发现在路由器上,标注得有WAN口(有的路由器是Internet口)和LAN口(有的路由器标注的是1、2、3、4)。很多用户一看就晕了,根本就不知道WAN口与LAN口的区别,自然不知道应该怎么连接了。"], "question_type": "DESCRIPTION", "question_id": 221576}

---

(二)、模型推断

# 使用固化后的模型参数进行推断
!cd src && python infer.py --predict --result_dir ../data/infer_results/

输出结果如下图5所示：

---

总结

本系列文章内容为根据清华社出版的《自然语言处理实践》所作的相关笔记和感悟，其中代码均为基于百度飞桨开发，若有任何侵权和不妥之处，请私信于我，定积极配合处理，看到必回！！！

最后，引用本次活动的一句话，来作为文章的结语～(￣▽￣～)~：

【学习的最大理由是想摆脱平庸，早一天就多一份人生的精彩；迟一天就多一天平庸的困扰。】

ps：更多精彩内容还请进入本文专栏：人工智能，进行查看，欢迎大家支持与指教啊～(￣▽￣～)~