The Past Mistake is the Future Wisdom: Error-driven ContrastiveProbability Optimization for Chinese
来源:acl2022 findings
链接:https://arxiv.org/pdf/2203.00991.pdf
代码:自己实现
目录
任务
动机
模型
Negative samples selection
Contrastive probability optimization
实验
数据集
实验结果
结论
实验分析
错误汉字的统计
可视化 Common/Confusing汉字的概率
损失权值的影响
负样本个数的影响
样例分析
一些思考
任务
中文拼写纠正(CSC):将文本的中错误汉字找出并纠正,一般是发音相似和字形相似的易混淆字
动机
预训练语言模型(PLMs)促进了CSC任务的发展。
然而,PLMs学习到的知识和CSC任务的目标之间存在着差距。PLMs关注文本中的语义,并倾向于将错误的字更正为语义正确或常用的字,而可能和原字并没有任何音近形近的关系。
这也是PLMs的预训练任务造成的,例如bert的预训练任务是 mask language model,待预测的汉字大部分输入都是[MASK], 模型根本不知道原汉字是什么。
如果仅仅只考虑的语义,不考虑与原汉字的发音和字形关系,则一个错误的字可以改正多个合适的字。如下图
论文提出了错误驱动的对比概率优化框架Error-driven Contrastive Probability Optimization (ECOPO),对PLMs中的知识表示进行了细化,并通过错误驱动的方式引导模型避免预测出常见汉字。
ECOPO是模型无关的,可与现有的CSC方法相结合以获得更好的性能。
模型
模型的结构如下图所示,PLMs以bert为例:
其实,就是增加了一个loss,将bert预测出来的常见汉字作为负样本,标签汉字作为正样本。
根据loss优化模型,使得bert避免预测出常见并且不是标签的汉字。
最终缩小预训练模型的知识与CSC目标之间的差距
包含两个步骤:
Negative samples selection
负样本的选择
每个位置,正确的汉字作为正样本,预测概率最高并且不是正确汉字的前k个汉字作为负样本
这里的概率使用的是未微调bert的概率呢?还是微调过程中的概率呢?论文似乎没有说清楚。
不过按照下文的推测应该是微调过程中的概率
Contrastive probability optimization
对比概率优化
对比学习的主要动机是在一定的空间内吸引正样本,排斥负样本。现有的NLP对比学习模型主要集中在表征空间(如词/句/语义表征)。论文提出的方法通过选择正/负样本及其原始预测概率,直接优化模型对不同汉字的概率空间
完成正负样本的选择及其对应的概率之后,论文通过对比概率优化(CPO)来训练模型
即最小化,正样本的概率 减去 所有负样本的概率的均值
最后,使用的loss为原有的ORI loss 和CPO loss的加权求和,实验结果发现,=1时,结果最好。
原有的CSC任务,仅仅使用softmax和交叉熵损失函数来优化模型,为什么要用CPO损失呢?
1.动机不同:softmax是归一化模型输出到概率分布。CPO损失是在概率空间中,细化PLMs的知识表征(说啥,听不懂)
2.范围不同:softmax依赖于模型的logit输出,缺乏局部关注点。CPO损失通过负样本的选择,更加关注模型难以处理的样本
3.结果不同:softmax得到的是概率分布,CPO最终优化的是正负样本的相对顺序
实验
数据集
SIGHAN Bake-off 2013: SIGHAN Bake-off 2013: Chinese Spelling Check Task
SIGHAN Bake-off 2014: CLP-2014 Bake-off: Chinese Spelling Check Task
SIGHAN Bake-off 2015: SIGHAN Bake-off 2015: Chinese Spelling Check Task
Wang271K: https://github.com/wdimmy/Automatic-Corpus-Generation
sighan13,sighan14,sighan15 包含对应的训练集和测试集,Wang271K仅仅用来训练
具体可参考:https://github.com/DaDaMrX/ReaLiSe
实验结果
结论
1. ECOPO (BERT) 的结果在每个测试集上都比BERT本身的有较大的提高,尤其在sighan15上面,比现有的比较复杂的模型PLOME,REALISE的结果还好。
2. 由于ECOPO是模型无关的,也可加在现有的最好的模型REALISE之上,也取得了约一个点的提升
3. 先前的方法Faspel和spellgcn利用了混淆集外部信息,PLOME和REALISE则利用了拼音字形外部信息,而论文提出的方法没有使用
实验分析
错误汉字的统计
使用不同的loss训练模型,分析错误纠正的例子
如果预测出的汉字与输入汉字前后组成的2-gram出现的次数超过1000次,就被认为是Common;其他的错误被任务是Confusing
从上表可以看出,仅仅使用softmax,common错误的样例占比很高,当使用CPO或者ECOPO后,common错误的样例占比明显降低。
可视化 Common/Confusing汉字的概率
损失权值的影响
公式5中的权值
标蓝的部分应该写错了,应该是,=0等同于baseline BERT
负样本个数的影响
样例分析
一些思考
1. 最好的csc模型,应该是选择和原字相似的汉字中,概率最高的。上面的方法会不会破坏bert语言模型的功能呢?有待进一步验证。
2. 负样本的选择还可以是什么?使用所有非正确的汉字,为什么不可以? 输入的错误汉字是否可以呢?
接下来会尝试复现一下论文的结果。
代码如下:
import torch
import torch.nn as nn
import torch.nn.functional as Fclass CpoLoss(nn.Module):"""CpoLoss.from https://arxiv.org/pdf/2203.00991.pdf"""def __init__(self, k=5):super(CpoLoss, self).__init__()self.k = kdef forward(self, logits, target, mask=None):"""Args:logits: model's output, shape of [batch_size, num_cls]target: ground truth labels, shape of [batch_size]Returns:shape of [batch_size]"""batchsize, seqlen, vocab_size = logits.size()logits = logits.view(batchsize * seqlen, vocab_size)probs = torch.softmax(logits, dim=-1) # BS*Vtarget = target.contiguous().view(-1, 1).long() # BS*1pos_prob = probs.gather(1, target) # BS*1# 正样本概率neg_prob, neg_idx = torch.topk(probs, self.k) # BS * K# 负样本概率 BS# Contrastive Probability Optimization Objective# 正样本概率-负样本概率,求均值# 如果正样本在前k个,则负样本是K-1个,反之,负样本为K个expand_pos_idx = target.expand(-1, self.k)not_equals = expand_pos_idx != neg_idxnot_equals_num = torch.sum(not_equals, dim=-1)expand_pos_pob = pos_prob.expand(-1, self.k)minus_porb_sum = torch.sum(expand_pos_pob - neg_prob, dim=-1)# 正样本概率-正样本的概率等于0,只是除数不一样batch_loss = - minus_porb_sum / not_equals_numloss = batch_loss.mean()return loss
从公式5看,loss可能存在负数
The Past Mistake is the Future Wisdom: Error-driven ContrastiveProbability Optimization for Chinese相关推荐
- 中文文本纠错任务简介
每天给你送来NLP技术干货! 来自:ChallengeHub 最近在梳理中文文本纠错任务,文本根据搜集到的文章整理成的任务简介,在此先感谢大佬们分享的高质量资料. 1 任务简介 中文文本纠错是针对中文 ...
- Scala教程之:Future和Promise
文章目录 定义返回Future的方法 阻塞方式获取Future的值 非阻塞方式获取Future的值 Future链 flatmap VS map Future.sequence() VS Future ...
- 异步编程-Future
Future可以说是在Dart异步编程中随处可见,比如一个网络请求返回的是Future对象,或者访问一个SharedPreferences返回一个Future对象等等.异步操作可以让你的程序在等待一个 ...
- # 老外对中国人写英语文章最常犯的错误总结csdn
标签(空格分隔): 文献阅读及英文写作 文章目录 @[toc] 问题:这文章主要说了啥子? 答案:常见的中文作者写的英文文章错误,原因,及解决办法 Introduction 问题:如何解决呢? 答案: ...
- 【英语】每日DAKA
Such as the word initate. start initate a conversation start initate a relationship 2020-04-23 Atten ...
- SMB(Server Message Block) Protocal Research
catalogue 1. 什么是SMB 2. 基础SMB协议 3. SMB Clients and Servers 1. 什么是SMB 全世界有很多的客户端和服务端软件实现了SMB协议,全部windo ...
- Dart中的catchError捕获顺序
先贴一下该方法的源码: /*** Handles errors emitted by this [Future].** This is the asynchronous equivalent of a ...
- C++之父元旦专访(8+13个问题,关于C++的学习使用和未来)
C++之父元旦专访(8+13个问题,关于C++的学习&使用和未来) By TopLanguage (http://groups.google.com/group/pongba) 刘未鹏|C++ ...
- Mac idea 打不开
从官网上刚下载的idea,安装完成之后,双击打开,只见一闪而过,软件没有打开. 打开 访达->应用程序->IntelliJ IDEA ->显示包内容 : image.png 显示包目 ...
最新文章
- Maya阿诺德室外环境灯光照明和渲染技术学习视频教程
- R语言应用实战系列(一)-基于R对QQ群聊天记录数据分析
- 我妈妈的优点:做事情特别细致
- 如何在centos中找到安装mysql_centos上如何安装mysql
- mysql 执行计划extra_mysql执行计划explain type和extra
- 指令系统 CISC和RISC(详解)
- pyboard micropython_pyboard:tutorial:repl
- Spring Cloud笔记-eureka及openfeign基本使用
- 开发者必看:iOS应用审核的通关秘籍
- Cosmos发起提案计划申请资助实施ATOM全面营销计划
- 7.18 day13
- linux实现多台服务器文件同步
- tensorflow基础:tf.data.Dataset.from_tensor_slices()
- 【转】常用 blas 函数
- 软件工程——(4)软件设计 思维导图
- 基于python的异方差检验_【Python】统计科学之讲讲异方差的检验
- esp8266接入小爱同学,通过mqtt
- 【模块化那些事】 拆散的模块化
- olcd12864的u8g2库_玩转u8g2 OLED库,一篇就够
- 维和步兵营~傻逼的戈瑞-冷酷的林皓南~装逼的海蓝