【问答】开放领域问答梳理(2)
点击上方,选择星标,每天给你送干货!
来自:AI部落联盟
如果对开放领域问答(open domain question answering)还不太熟悉的话,建议先阅读上一篇总结哦。总结|开放领域问答梳理系列(1)介绍了开放领域问答的背景知识、最常用/基本的二阶段系统DrQA及其对应的6个改进方向和相关研究。
这篇文章重点学习的改进/研究的方向是开放领域问答中的:Dense Retriever(直译成稠密检索,但叫向量检索似乎更为恰当)。Dense Retriever(向量检索)直观的作用就是替换Sparse Retriever(稀疏检索,比如TF-IDF或者BM25),所以本文开放领域问答中的所有Dense Retriever的改进和总结(1)的改进基本是不重合的,甚至可以是相辅相成的。
Dense Retriever和Sparse Retriever的区别
无论是Dense还是Sparse Retriever都可以在下面这个简单的框架下进行理解:
假设有一个函数f(比如是BERT/TFIDF),将语料库中的每篇文章(比如维基百科中的所有网页)都映射(也可称为Encoding、编码)成为一个维度为d的向量(vector)。
将一个问题也映射成为一个维度为d的向量,从所有文档向量中找出与问题向量距离最近的向量(比如直接点乘),所对应的文档也就是与问题最相关的文档。
橘个栗子:
语料库包含2个文档:
关 注 AI 部 落 联 盟 。
多 多 在 AI 部 落 联 盟 。
要检索的问题是:多 多 在 哪 里 ?
文档和问题都用空格分开,词库和词ID对应关系也可以叫词典(dictionary):{关:0,注:1,AI:2,部:3,落:4,联:5,盟:6,多:7,在:8,unk:9}。unk作为unknown word(未登陆词)。
Sparse Retriever举例:
基于TF(为了计算简单暂不引入IDF啦)的Sparse Retriever将2个文档映射成2个维度为10的向量(注意,这里的维度10受到dictionary大小的限制);映射方式为:位置对应词的ID,位置上的值为词出现的频率:
[1,1,1,1,1,1,1,0,0,0]
[0,0,1,1,1,1,1,2,1,0]
基于TF的Sparse Retriever则将问题映射为:[0,0,0,0,0,0,0,2,1,2]。那么两个文档的向量点乘得分分别为:0和5分,因此第2个文档和问题距离最近,与问题最相关。
Dense Retriever举例:
基于BERT的Dense Retriever则可以将两个文档映射为2个768维度或者4维的向量(注意这里的维度不受词典大小的限制,这里就以4维举例啦):
[0.13,0.11,0.52,0.55]
[0.25,0.35,0.38,0.65]
问题可以被映射为:[0.10,0.10,0.0, 0.20](偷懒方便计算放个0.0)得到两个文档的得分是0.013+0.011+0.11=0.134和0.025+0.035+0.13=0.19,第2个文档举例最近,最相关。
由此我们来看看看到Dense Retriever和Sparse Retriever的区别:
Dense vector对每个文档/问题表示的向量维度灵活,几乎可以使用任意维度的向量进行表示。
Sparse vecter表示的向量会r受到语料库词典大小的限制。
当词典较大的时候,Sparse vector表示中通常包含大量的0,但Dense vector可以使用较小维度的向量进行表示,几乎不会在包含空闲的0。
Sparse vector更倾向表层单词匹配,比如例子中文档2在文档向量的第8、9位包含了单词“多”和“的”,问题向量也在第“8”、“9"位置包含了“多"和“的”; 与之相对的Dense vector便不在有这个特点(既是优势也是劣势,劣势就在于直接匹配的精度有所下降;
优势在于所包含的语义信息更丰富,更倾向与语义层面的匹配)
更进一步的区别:
Dense Vector的表示可以通过训练和学习变得更优秀!
多么难得的品质
,个人认为这也是Dense Retriever在未来打败Sparse Retriever的原因!
上面的例子中对这一点的体现不是很明显,简单理解:
使用匹配的(文档,问题),来训练映射函数f,使得匹配的文档-问题对儿更加靠近,不匹配的更加远离(这里的匹配既包含了字面单词匹配,也包含语义匹配)。
做过搜索推荐的同学看过来
:
用户A、性别男、足球迷,搜索了问题。
那么这些所有信息其实都可以通过模型被映射到dense vecter里!
而Sparse Retriever通常只能映射问题成为向量。
Dense Retriever近期发展特点和难点
既然向量检索这么优秀为什么之前开放问答领域没有火,最近才火起来呢?
个人归纳为:天时地利人和。
天时:pretrain模型让及其阅读理解绽放了光芒,而又远不满足于简单的单篇阅读理解,因此open domian qa开始火起来了。
地利:faiss为例的向量检索工具不断优化变快。
人和:dense vector可训练,语义表征能力强的优点!
火归火,但依旧是个很难的问题,不然也就不会又这么多人来研究她了。为什么难呢?
图1 基于BERT的Dense Retriever示意图
图1展示了一种基于BERT的Dense Retriever,问题和evidence block(一段文章/一个固定长度的文章片段)经过BERT后选择CLS token所对应的向量作为对应encode的dense vector,寻找与问题question向量得分最大的top K个文档作为最相关的文档。这个里面的难点有:
有限的维度,大量的文档,无限的问题:以维基百科为例,有差不多3000万的段落,假设用128维的向量进行编码,那么意味着我们要在这仅有的128维的空间里,将3000万文章的各自的特点进行表示和区分,这很难。
更难的是,问题是open的(即便问题的词库是固定的,一个问题的描述也是千变万化的)意味着我们将千变万化的问题所表达的信息映射到128维的向量里,也很难。
有限的训练数据集:难点a的一个潜在的解决办法:通过大量的标注,让图1中的双塔模型尽可能见到更多的问题-文档正例对儿,对模型的表达带来更大的帮助。这本身又是一个新问题:标注数据很贵orz。
预训练模型目标和retriver目标的不一致:难点b的一个缓解办法是:无监督(无穷无尽的无标注文本数据)预训练模型可以帮助我们将token的embedding,映射函数(BERT里的一堆transfromer)训练得更好,减少对问题-文档正例对儿得依赖。但对应的难点是:通常的无监督预训练模型都是语言模型,直接用刀图1里其实训练阶段的目标和retriever使用时的目标是有差距的。
检索速度和效率:另外一个难点是向量检索的速度和效率,不过这个难点最近的MIPS工具的更新和发展已经缓解了一部分啦。
Dense retriever如何end-to-end有效训练:这一点其实和难点a有关联,由于最终向量表示维度有限,数据也有限,那么如何设计模型/目标函数/模型特征等:既能促使模型在有效的维度信息里表达更丰富,又能让训练阶段和预测/检索阶段一致呢?
由于以上难点仅为个人的一点思考和总结,dense retriever必然还有更多的其他问题,欢迎大家提建议和意见我再补充,所谓发现问题才能解决问题嘛哈哈哈。
改进方向1: 优化预训练模型帮助dense retriever
开放领域问答里的dense retriever最近几年的研究里,首先介绍谷歌ACL2019这一篇文章:Latent Retrieval for Weakly Supervised Open Domain Question Answering。
图2 ORQA示意图
如图2所示,ORQA这篇文章所提的模型应该是最近几年里第1个将dense retriever和阅读理解模型联合在一起end-to-end训练出来的模型了。
简单来说这个文章干了这么一件事情:用第1个BERT编码出问题q的表示向量,用第2个BERT编码出所有文档片段的表示向量,通过问题q的表示向量,找到最相关的top k个文档(问题q和文档片段相比得分最高的k个),并用第3个BERT编码问题q和top k的文档,最终抽取出答案所在的span。训练的时候目标函数是retriever目标函数+阅读理解目标函数。
这篇文章的主要贡献可以归结为:
第1个将dense retriever和machine reading comprehension模型联合并end-to-end训练的模型,并且这个dense retriever搞work了!
尽管训练数据只有question-answer对,也就是只有问题和答案,不用给出所依赖文档的标注,也能训练出一个还不错的dense retriever。
提出了一个预训练模型(对应上一节说的难点c)Inverse cloze Task来帮助训练dense retriever(帮助dense retriever模型的初始化,也对应着上一节的难点a)。
模型的具体训练方法建议读者阅读原文,后续有时间也可专门来写篇论文解读哈哈。如果感兴趣的同学阅读了原文,可以来尝试回答如下几个问题:
问题1: ORQA模型中的dense retriever最开始训练的时候,根据向量得分找到的top k(比如top 10个)相关文档应该是随机的(几千万个文档片段随机选10个,几乎不可能包含问题的答案),这样的话,相当于没有正例了,咋个训?
简单答案:先把top k的k放大,尽可能包含答案,并且先只训练dense retriever,不管reader模型,尽可能让retriever model有监督信号且监督信号先只给dense retriever model。
问题2: Inverse cloze task是咋回事?
简单答案:假设使用一个文档片段A,包含3个句子。从文档A中随机选一个句子当作一个伪伪问题,然后把文档A中的伪问题所对应的句子扔掉,然后这个伪问题和文档A便构成了一个问题q-文档正例对,随机选其他文档作为负例对,进行预训练(预训练的目标:识别正例还是负例对儿即可)。
第2篇值得介绍的文章还是谷歌家的:REALM: Retrieval-Augmented Language Model Pre-Training。
图3 REALM示意图
如图3所示,左边就是预训练过程。思路是:从语料库中随机找一个句子A(伪问题),然后[MASK]掉其中的一个词(伪答案),然后用句子A和retriever model去语料库中retrieve出相关文档,并用reader model去预测答案(也就是红色[MASK]对应的词/entity),最终把retriever和reader model都在预训练中end-to-end训练起来了(牛)。预测的时候只需要在这两个模型上fine-tuning一下即可(把问题和答案替换成真实的问题和答案即可)。????
这个模型的idea真的很厉害了,但这个过程其实并不好训练,为了能让这个过程顺利训练起来,作者做了这些操作:
把ORQA里的invese cloze task当作第一阶段的预训练,帮助模型初始化。
MASK的时候仅仅只MASK entites和日期dates。
CC-NEWS语料库,比维基百科更大。
训练的时候也更新语料库中文档的BERT表示(基本就是先用BERT得到文档的表示,训练几个epoch再更新文档的BERT表示,ORQA里文档的BERT表示应该是不更新的)
以上两篇文章idea都很棒,效果也很好,可是。。。需要好多好多好多。。GPU????。那么有没有不用那么多资源,也能有一定效果的方法呢?
改进方向2: 训练方法的改进
首先介绍danqi chen再emnlp 2020上的Dense Passage Retrieval for Open-Domain Question Answering简称DPR,一篇简单+实用+效果好的文章。
图4 DPR示意图
如图4所示,DPR结果上就是普通的双塔模型,但论文作者们在训练上(正例、负例的选择)下了很大的功夫,从而节省了预训练所需的大量资源。具体为:
正例的选择:
阅读理解数据集标注好的问题q-文档p的pair。
Distant supervision,根据问题q,通过BM25/TF-IDF检索得到相关文档,如果文档包含答案即可作为正例。
负例的选择:
从语料库中随机采样出文档p作为问题q的负例。
TFIDF/BM25得分高,但不包含答案的文档(hard negative)
问题q以外的其他问题的正例作为问题q的负例。
图5 in-batch negatives
图5详细介绍了in-batch的负例(第3种负例)如何产生的,从NQ数据集的HIT@top-k效果来看,DPR的top-5 retriever performance随着负例的选择而逐渐变强。
因此DPR的主要贡献可以归纳为:
借助好的负例和训练方法,即便不使用与训练模型,dense retriever也可以达到足够好的检索效果(当然前提是像NQ这样的大数据集,如果数据集本身只有500训练样本还是太难了点)
Pipeline的dense retriever+ reader并不比joint训练的差,并且还更模块化和高效,特别是训练的时候,语料库的索引index只需要构建1次即可(REALM训练的时候,如果要更新文档的BERT的表示需要更新index)
仅仅用question-answer的pair作为训练数据即可,使用标注好的问题-文档-答案三元组的帮助并不大太。
那么说到更优的训练方法达到更好的效果,百度的这篇RocketQA: An Optimized Training Approach to Dense Passage Retrieval for Open-Domain Question Answering也从cross-batch sampling、denoise hard negative、data agumentation三个角度进一步证实了其有效性。
既然谈到了更好的负例,那是不是也得提一下Facebook这一篇负例为王:Embedding-based Retrieval in Facebook Search。这篇搜索推荐的文章像我们展示了工业界的dense retrieval(文章里叫embedding retrieval),有许多的细节值得学习!!详情可见知乎相关解读。
Facebook在DPR的研究上还做了进一步的研究:Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks。如图6所示,虽然看起来有点复杂,其实可以简单理解为:Retriever为DPR+reader为BART和DPR+BERT流程上的的区别不是特别大,感兴趣的读者可以阅读原文进行学习。
图6 RAG框架
以上就是笔者今天想总结的开放领域问答中的Dense Retriever啦,回顾一下主要是:Dense Retriever和Sparse Retriever的区别,Dense Retriever特点和难点、最近2个比较有意思的改进方向、相关论文。
笔者写在最后:
笔者认为开放领域问答中的Dense Retriever应该会越来越流行,至于Dense Retriever单独用就能完全替代TFIDF这种Sparse Retriever呢?
还是结合两者更好还是需要在对应任务实践一下,无法一概而论的。
一个很有意思的事情是:
搜索推荐系统、广告/商品推荐系统中的深度召回模型(常说的双塔模型)其实和开放领域问答中的Dense Retriever形式上基本相同,但目前一个很大的不同点在于:
开放领域问答的Dense retriever在编码问题的时候(由于数据集的原因)只能编码问题的字面描述,没有编码问题的其他信息,比如提问者信息(比如性别、城市、爱好等等),双塔模型中的question这个塔是具备这个能力的。
Dense Retriever的向量可以被不断优化,也让question的表示具备“进化性”,也就是说问题+问题搜回来的文档,如果得不到答案,是否可以根据当前已有的信息改进这个问题向量表示,然后重新检索,也就是multi-hop question answering的进一步改进啦!
将在后续的文章中进一步介绍。
Dense Retriever融合上一篇总结的6个改进方向也还有许多未尝试和未解决的问题呢。
说个正事哈
由于微信平台算法改版,公号内容将不再以时间排序展示,如果大家想第一时间看到我们的推送,强烈建议星标我们和给我们多点点【在看】。星标具体步骤为:
(1)点击页面最上方“深度学习自然语言处理”,进入公众号主页。
(2)点击右上角的小点点,在弹出页面点击“设为星标”,就可以啦。
感谢支持,比心。
投稿或交流学习,备注:昵称-学校(公司)-方向,进入DL&NLP交流群。
方向有很多:机器学习、深度学习,python,情感分析、意见挖掘、句法分析、机器翻译、人机对话、知识图谱、语音识别等。
记得备注呦
整理不易,还望给个在看!
【问答】开放领域问答梳理(2)相关推荐
- 通过prompt方法增强开放领域问答模型
前言 开放领域问答任务最常见的两个难点就是保证回答的答案具有事实性和时效性,但是模型通常在训练好后就是固定的即权重固定好了,尤其是时效性基本上很难保证. 今天要给大家介绍的这篇paper主要就是通过p ...
- 【论文阅读】开放域问答论文总结,文本召回与问答的另一种思路
[论文总结]开放域问答,纯文本召回与精排的另一种思路 前言 SCIVER: Verifying Scientific Claims with Evidence 任务介绍 数据样例 开放域问答 Read ...
- 检索器与阅读器:开放域问答的综述 Retrieving and Reading: A Comprehensive Survey on Open-domain Question Answering
开放域问答(OpenQA)是自然语言处理(NLP)中的一项重要任务,旨在基于大规模非结构化文档以自然语言的形式回答问题.最近,关于 OpenQA 的研究文献数量激增,特别是与神经机器阅读理解 (MRC ...
- EMNLP 2020 | 基于超边融合的文本增强知识图谱开放域问答
©PaperWeekly 原创 · 作者|舒意恒 学校|南京大学硕士生 研究方向|知识图谱 论文标题: Open Domain Question Answering based on Text Enh ...
- ACL Tutorial|开放域问答综述 -- 陈丹琦和Scott
每天给你送来NLP技术干货! 来自:李rumor 做了三年多的问答,我对这个领域真是又恨又爱.恨吧,互联网里的问答产品就是个锦上添花的东西,而且效果还上不去,一堆case等着我解.爱吧,我们NLP可是 ...
- 丹琦女神出品|开放域问答综述
卷友们好,我是rumor. 做了三年多的问答,我对这个领域真是又恨又爱.恨吧,互联网里的问答产品就是个锦上添花的东西,而且效果还上不去,一堆case等着我解.爱吧,我们NLP可是人工智能的掌上明珠,而 ...
- Facebook刷新开放域问答SOTA:模型训模型!Reader当Teacher!
文 | Sherry 不是小哀 编 | 小轶 一部问答系统发展史就是一部人工智能发展史.早在1950年的图灵测试就提出:如果人类无法通过问答将机器和人区分开,那么这个机器就可以被认为具有智能.问答系统 ...
- 论文浅尝 | XQA:一个跨语言开放域问答数据集
论文笔记整理:刘晓臻,东南大学计算机科学与工程学院本科生. Citation: Liu, J., Lin, Y., Liu, Z., & Sun, M. (2019,July). XQA: A ...
- AI实战:垂直领域问答机器人QA Bot常见技术架构
垂直领域问答机器人QA Bot常见技术架构 对话系统示意图 基于知识图谱的智能问答:点击查看 人机对话体系结构 问答产品知识结构 基于知识图谱的问答系统关键技术研究: 点击查看 研究架构图 对话机器人 ...
- 15大不同领域问答对比,ChatGPT模型大战:国产版百度文心一言、昆仑万维天工能否击败GPT-4(含百度文心一言、昆仑万维天工个人内测体验测试邀请码获取方法,亲测有效)
目录 前言 百度内测申请 天工内测申请 申请方式 内测体验 登录界面 运行体验 内测对比 基本问答 事实性问答 科普文写作 小红书文案 项目计划撰写 古文理解 模型的常识能力和反事实推理 代码理解 法 ...
最新文章
- 激活当前视图菜单高亮呈现 V2.0
- LeetCode 799 JavaScript
- dedecms嵌套栏目
- Vsphere 回收未消使用的磁盘空间
- Android 学习之pull解析Xml
- 自动化测试8大元素定位之xpath语法
- JAVA单字节读取,java资料读取。(单字节读取和按行读取读取)
- LeetCode之Power of Two
- 大龄程序员的未来在何方
- restful api接口设计
- 安卓案例:利用XML配置菜单
- 行内元素、块级元素和行内块级元素
- 4.dialog 工具
- 射频微电子学_专注于射频前端芯片,苏州汉天下完成新一轮融资
- 原生Ajax实现formdata
- Checker框架学习笔记
- k8s节点假死排查记录
- iOS: pch 如何添加项目中
- 共阴数码管显示0~9的数字
- Android 面试必备 - 线程