开源｜qa_match更新啦——支持轻量级预训练、提高问答通用性

开源项目专题系列

（十一）

1.开源项目名称：qa_match

2.github地址：

https://github.com/wuba/qa_match

3.开源协议：Apache License 2.0

4.简介：qa_match是58同城推出的一款基于深度学习的轻量级问答匹配工具，V1.0版本于2020年3月9日发布，可参见《qa_match｜一款基于深度学习的层级问答匹配工具》，最近我们对qa_match进行了升级，新增如下Features：

使用轻量级预训练语言模型（SPTM，Simple Pre-trained Model）来进行问答匹配。
支持基于一层结构知识库的问答（V1.0版本仅支持基于两层结构知识库的问答），提高通用性。

全文大纲如下：

为什么要升级到V1.1
问答知识库介绍
轻量级预训练语言模型（SPTM）
问答匹配
未来规划
如何贡献&问题反馈
作者简介

为什么要升级到V1.1

在V1.0版本中qa_match已经对两层结构知识库问答进行了支持，为了提升知识库问答的通用性和问答效果，在V1.1版本我们增加了对一层结构知识库问答的支持，同时开源了基于Bi-LSTM的预训练语言模型，以提升基于知识库的问答等下游任务的效果。

问答知识库介绍

在实际场景中，知识库一般是通过人工总结、标注、机器挖掘等方式进行构建，知识库中包含大量的标准问题，每个标准问题有一个标准答案和一些扩展问法，我们称这些扩展问法为扩展问题。对于一层结构知识库，仅包含标准问题和扩展问题，我们把标准问题称为意图。对于两层结构知识库，每个标准问题及其扩展问题都有一个类别，我们称为领域，一个领域包含多个意图。两种知识库结构的对比如下图所示：

YRJFrmE.png!web

轻量级预训练语言模型（SPTM）

考虑到实际使用中往往存在大量的无标签数据，在知识库数据有限时，可使用无监督预训练语言模型提升匹配模型的效果。参考 BERT 预训练过程，2019年4月我们开发了SPTM模型，该模型相对于BERT主要改进了两方面：一是去掉了效果不明显的NSP（Next Sentence Prediction），二是为了提高线上推理性能将Transformer替换成了LSTM，模型原理如下：

1、数据预处理预训练模型时，生成训练数据需要使用无标签单句作为数据集，并参考了BERT来构建样本：每个单句作为一个样本，句子中15%的字参与预测，参与预测的字中80%进行mask，10%随机替换成词典中一个其他的字，10%不替换。

2、预训练预训练阶段的模型结构如下图所示：

zu6vQry.png!web

为提升模型的表达能力，保留更多的浅层信息，引入了残差Bi-LSTM网络（Residual LSTM）作为模型主体。该网络将每一层Bi-LSTM的输入和该层输出求和归一化后，结果作为下一层的输入。此外将最末层Bi-LSTM输出作为一个全连接层的输入，与全连接层输出求和归一化后，结果作为整个网络的输出。
预训练模型耗时示例如下表所示：

指标名称指标值预训练数据集大小 10Million 预训练资源 Nvidia P40 / 12G Memory 预训练参数 step = 500000 / batch size=256 预训练耗时 215.69hour

问答匹配

1、基于两层结构知识库的自动问答 V1.0版本详细介绍了如何融合LSTM领域分类模型和DSSM意图匹配模型来完成基于两层结构知识库的自动问答，这里不再描述，详细可参见《开源｜qa_match：一款基于深度学习的层级问答匹配工具》。

2、基于一层结构知识库的自动问答

对于一层结构知识库，可以使用DSSM和预训练语言模型来完成自动问答。

2.1 基于DSSM模型的自动问答

对于一层结构知识库问答，只需用使用V1.0版本中的DSSM意图匹配模型对输入问题进行打分，根据意图匹配的最高分值与下图中的x1，x2进行比较决定回答类型（唯一回答、列表回答、拒识）。DSSM原理见之前的文章《开源｜qa_match：一款基于深度学习的层级问答匹配工具》。

2UbaYrE.png!web

2.2 基于SPTM模型的自动问答

引入预训练语言模型后，对于一层结构知识库问答，先使用基于语言模型微调的意图匹配模型对输入问题进行打分。微调使用的模型结构与预训练相同，微调时无需进行mask操作，预测目标由单字改为样本所匹配的标准问题id。模型参数初始值与已有的预训练模型参数值对应（也可以不使用预训练模型，进行随机参数初始化）。

得到微调模型后，需要用模型对输入问题进行打分，再根据与DSSM意图匹配模型相同的策略确定回答类型（唯一回答、列表回答、拒识），整体流程如下图所示：

NFRRJbe.png!web

3、效果示例

为了让使用者快速上手qa_match，我们给出了一级知识库、二级知识库的示例数据集（具体见 data_demo），训练了不同模型（模型结果文件见DSSM/SPTM/ LSTM+DSSM融合模型），并评测了不同模型的离线效果和线上推理性能（使用通用深度学习推理服务 dl_inference 开源项目部署模型来评测推理耗时）

数据集模型唯一回答准确率唯一回答召回率唯一回答F1 CPU机器上推理耗时一级知识库数据集 DSSM 0.8398 0.8326 0.8362 3 ms SPTM 0.8841 0.9002 0.8921 16ms 二级知识库数据集 LSTM+DSSM融合模型 0.8957 0.9027 0.8992 18ms

说明：由于示例数据中列表回答真实占比较小，这里我们主要看唯一回答的准确率、召回率和F1值。对于二级知识库数据集，我们也可以使用SPTM来完成自动问答，这里不做过多描述。

未来规划

未来我们会继续优化扩展qa_match的能力，计划开源如下：
1、知识库半自动挖掘流程。基于知识库的构建，我们开发了一套结合人工和机器挖掘的算法流程，已经在生产环境使用，并取得了不错的效果。
2、目前tensorflow已发版到2.1版本，后续我们会根据需求发布tensorflow 2.X版本或pytorch版本的qa_match。

如何贡献&问题反馈

本次更新达成了qa_match持续迭代历程中的第一步，我们诚挚地希望开发者继续向我们提出宝贵的意见。
您可以挑选以下方式向我们反馈建议和问题：
1、在 https://github.com/wuba/qa_match.git 提交 PR 或者 Issue
2、邮件发送至[email protected]

作者简介

贺睿，58同城 AI Lab 资深算法工程师，主要负责58智能问答相关算法研发工作。

王勇，58同城 AI Lab 算法架构师，主要负责58智能问答相关算法研发工作。

陈璐，58同城 AI Lab 资深算法工程师，主要负责58智能质检相关算法研发工作。

阅读推荐

开源｜Magpie：组件库详解

详解站点压测利器——nGrinder

开源｜Magpie：Magpie在安居客有料业务的落地实践

开源｜Magpie：混合开发工程化框架

Go服务在容器内CPU使用率异常问题排查手记

Nb2iMvQ.jpg!web