NLP文本匹配任务Text Matching 有监督训练：PointWise（单塔）、DSSM（双塔）、Sentence BERT（双塔）项目实践
0 背景介绍以及相关概念本项目对3种常用的文本匹配的方法进行实现：PointWise（单塔）、DSSM（双塔）、Sentence BERT（双塔）。
文本匹配（Text Matching）是 NLP 下的一个分支，通常用于计算两个句子之间的相似程度，在推荐、推理等场景下都有着重要的作用。
举例来讲，今天我们有一堆评论数据，我们想要找到指定类别的评论数据，例如：
代码语言：txt复制1. 为什么是开过的洗发水都流出来了，是用过的吗？是这样子包装的吗？
2. 喜欢折叠手机的我对这款手机情有独钟，简洁的外观设计非常符合当代年轻人的口味，给携带增添了一份愉悦。
3. 物流很快，但是到货时有的水果已经不新鲜了，坏掉了，不满意本次购物。
...在这一堆评论中我们想找到跟「水果」相关的评论，那么第 3 条评论就应该被召回。这个问题可以被建模为文本分类对吧，通过训练一个文本分类模型也能达到同样的目的。
但，分类模型的主要问题是：分类标签是固定的。假如在训练的时候标签集合是「洗浴，电脑，水果」，今天再来一条「服饰」的评论，那么模型依旧只能在原有的标签集合里面进行推理，无论推到哪个都是错误的。因此，我们需要一个能够有一定自适应能力的模型，在加入一些新标签后不用重训模型也能很好的完成任务。
文本匹配目前比较常用的有两种结构：
单塔模型：准确率高，但计算速度慢。双塔模型：计算速度快，准确率相对低一些。下面我们对这两种方法分别进行介绍。
0.1 单塔模型单塔模型顾名思义，是指在整个过程中只进行一次模型计算。这里的「塔」指的是进行「几次模型计算」，而不一定是「模型个数」，这个我们会放到双塔部分解释。在单塔模型下，我们需要把两句文本通过 SEP 进行拼接，将拼接好的数据喂给模型，通过 output 中的CLS token 做一个二分类任务。
单塔模型的 forward 部分长这样，完整源码在文末：
代码语言：txt复制 def __init__(self, encoder, dropout=None):
"""
init func.
Args:
encoder (transformers.AutoModel): backbone, 默认使用 ernie 3.0
dropout (float): dropout 比例
"""
super().__init__()
self.encoder = encoder
hidden_size = 768
self.dropout = nn.Dropout(dropout if dropout is not None else 0.1)
self.classifier = nn.Linear(768, 2)
def forward(self,
input_ids,
token_type_ids,
position_ids=None,
attention_mask=None) -> torch.tensor:
"""
Foward 函数，输入匹配好的pair对，返回二维向量（相似/不相似）。
Args:
input_ids (torch.LongTensor): (batch, seq_len)
token_type_ids (torch.LongTensor): (batch, seq_len)
position_ids (torch.LongTensor): (batch, seq_len)
attention_mask (torch.LongTensor): (batch, seq_len)
Returns:
torch.tensor: (batch, 2)
"""
pooled_embedding = self.encoder(
input_ids=input_ids,
token_type_ids=token_type_ids,
position_ids=position_ids,
attention_mask=attention_mask
)["pooler_output"] # (batch, hidden_size)
pooled_embedding = self.dropout(pooled_embedding) # (batch, hidden_size)
logits = self.classifier(pooled_embedding) # (batch, 2)
return logits单塔模型的优势在于准确率较高，但缺点在于：计算慢。
为什么慢呢？举例来讲，如果今天我们有三个类别「电脑、水果、洗浴」，那我们就需要将一句话跟每个类别都做一次拼接，并喂给模型去做推理：
代码语言：txt复制水果[SEP]苹果不是很新鲜，不满意这次购物[SEP]
电脑[SEP]苹果不是很新鲜，不满意这次购物[SEP]
洗浴[SEP]苹果不是很新鲜，不满意这次购物[SEP]那如果类别数目到达成百上千时，就需要拼接上千次，为了判断一个样本就需要过上次模型，而大模型的计算通常来讲是非常耗时的，这就导致了在类别数目很大的情况下，单塔模型的效率往往无法满足人们的需求。
0.2 双塔模型单塔模型的劣势很明显，有多少类别就需要算多少次。但事实上，这些类别都是不会变的，唯一变的只有新的评论数据。所以我们能不能实现将这些不会变的「类别信息」「提前计算」存下来，只计算那些没有见过的「评论数据」呢？这就是双塔模型的思想。双塔模型的「双塔」含义就是：两次模型计算。即，类别特征计算一次，评论特征计算一次。
通过上图可以看到，「类别」和「评论」不再是拼接在一起喂给模型，而是单独喂给模型，并分别得到各自的 embedding 向量，再进行后续的计算。而上图中左右两个两个模型可以使用同一个模型（这种方式叫：同构模型），也可以用两个不同的模型（这种方式叫：异构模型）。因此「双塔」并不一定代表存在两个模型，而是代表需要需要进行两次模型计算。
0.2.1 DSSM（Deep Structured Semantic Models,深度结构化语义模型）Paper Reference: https://posenhuang.github.io/papers/cikm2013_DSSM_fullversion.pdf
DSSM 是一篇比较早期的 paper，我们主要借鉴其通过 embedding 之间的余弦相似度进行召回排序的思想。我们分别将「类别」和「评论」文本过一遍模型，并得到两段文本的 embedding。将匹配的 pair 之间的余弦相似度 label 置为 1，不匹配的 pair 之间余弦相似度 label 置为 0。
Note: 余弦相似度的取值范围是 -1, 1，但为了方便我将 label 置为 0 并用 MSE 去训练，也能取得不错的效果。
训练数据集长这样，匹配 pair 标签为 1，不匹配为 0：
代码语言：txt复制蒙牛 不错还好挺不错 0
蒙牛 我喜欢demom制造的蒙牛奶 1
衣服 裤子太差了，刚穿一次屁股就起毛了。 1
...实现中有两个关键函数：获得句子的 embedding 函数（用于推理）、获得句子对的余弦相似度（用于训练）：
代码语言：txt复制 def forward(
self,
input_ids: torch.tensor,
token_type_ids: torch.tensor,
attention_mask: torch.tensor
) -> torch.tensor:
"""
forward 函数，输入单句子，获得单句子的embedding。
Args:
input_ids (torch.LongTensor): (batch, seq_len)
token_type_ids (torch.LongTensor): (batch, seq_len)
attention_mask (torch.LongTensor): (batch, seq_len)
Returns:
torch.tensor: embedding -> (batch, hidden_size)
"""
embedding = self.encoder(
input_ids=input_ids,
token_type_ids=token_type_ids,
attention_mask=attention_mask
)["pooler_output"] # (batch, hidden_size)
return embedding
def get_similarity(
self,
query_input_ids: torch.tensor,
query_token_type_ids: torch.tensor,
query_attention_mask: torch.tensor,
doc_input_ids: torch.tensor,
doc_token_type_ids: torch.tensor,
doc_attention_mask: torch.tensor
) -> torch.tensor:
"""
输入query和doc的向量，返回query和doc两个向量的余弦相似度。
Args:
query_input_ids (torch.LongTensor): (batch, seq_len)
query_token_type_ids (torch.LongTensor): (batch, seq_len)
query_attention_mask (torch.LongTensor): (batch, seq_len)
doc_input_ids (torch.LongTensor): (batch, seq_len)
doc_token_type_ids (torch.LongTensor): (batch, seq_len)
doc_attention_mask (torch.LongTensor): (batch, seq_len)
Returns:
torch.tensor: (batch, 1)
"""
query_embedding = self.encoder(
input_ids=query_input_ids,
token_type_ids=query_token_type_ids,
attention_mask=query_attention_mask
)["pooler_output"] # (batch, hidden_size)
query_embedding = self.dropout(query_embedding)
doc_embedding = self.encoder(
input_ids=doc_input_ids,
token_type_ids=doc_token_type_ids,
attention_mask=doc_attention_mask
)["pooler_output"] # (batch, hidden_size)
doc_embedding = self.dropout(doc_embedding)
similarity = nn.functional.cosine_similarity(query_embedding, doc_embedding)
return similarity0.2.2 Sentence TransformerPaper Reference：https://arxiv.org/pdf/1908.10084.pdf
Sentence Transformer 也是一个双塔模型，只是在训练时不直接对两个句子的 embedding 算余弦相似度，而是将这两个 embedding 和 embedding 之间的差向量进行拼接，将这三个向量拼好后喂给一个判别层做二分类任务。
原 paper 中在 inference 的时候不再使用训练架构，而是采用了余弦相似度的方法做召回。但我在实现的时候在推理部分仍然沿用了训练的模型架构，原因是想抹除结构不一致的 gap，并且训练层也只是多了一层 Linear 层，在推理的时候也不至于消耗过多的时间。Sentence Transformer 在推理时需要同时传入「当前评论信息」以及事先计算好的「所有类别 embedding」，如下：
代码语言：txt复制 def forward(
self,
query_input_ids: torch.tensor,
query_token_type_ids: torch.tensor,
query_attention_mask: torch.tensor,
doc_embeddings: torch.tensor,
) -> torch.tensor:
"""
forward 函数，输入query句子和doc_embedding向量，将query句子过一遍模型得到
query embedding再和doc_embedding做二分类。
Args:
input_ids (torch.LongTensor): (batch, seq_len)
token_type_ids (torch.LongTensor): (batch, seq_len)
attention_mask (torch.LongTensor): (batch, seq_len)
doc_embedding (torch.LongTensor): 所有需要匹配的doc_embedding -> (batch, doc_embedding_numbers, hidden_size)
Returns:
torch.tensor: embedding_match_logits -> (batch, doc_embedding_numbers, 2)
"""
query_embedding = self.encoder(
input_ids=query_input_ids,
token_type_ids=query_token_type_ids,
attention_mask=query_attention_mask
)["last_hidden_state"] # (batch, seq_len, hidden_size)
query_attention_mask = torch.unsqueeze(query_attention_mask, dim=-1) # (batch, seq_len, 1)
query_embedding = query_embedding * query_attention_mask # (batch, seq_len, hidden_size)
query_sum_embedding = torch.sum(query_embedding, dim=1) # (batch, hidden_size)
query_sum_mask = torch.sum(query_attention_mask, dim=1) # (batch, 1)
query_mean = query_sum_embedding / query_sum_mask # (batch, hidden_size)
query_mean = query_mean.unsqueeze(dim=1).repeat(1, doc_embeddings.size()[1], 1) # (batch, doc_embedding_numbers, hidden_size)
sub = torch.abs(torch.subtract(query_mean, doc_embeddings)) # (batch, doc_embedding_numbers, hidden_size)
concat = torch.cat([query_mean, doc_embeddings, sub], dim=-1) # (batch, doc_embedding_numbers, hidden_size * 3)
logits = self.classifier(concat) # (batch, doc_embedding_numbers, 2)
return logits1. 环境安装本项目基于 pytorch + transformers 实现，运行前请安装相关依赖包：
代码语言：shell复制pip install -r ../../requirements.txt
torch
transformers==4.22.1
datasets==2.4.0
evaluate==0.2.2
matplotlib==3.6.0
rich==12.5.1
scikit-learn==1.1.2
requests==2.28.12. 数据集准备项目中提供了一部分示例数据，我们使用「商品评论」和「商品类别」来进行文本匹配任务，数据在 data/comment_classify 。
若想使用自定义数据训练，只需要仿照示例数据构建数据集即可：
代码语言：python复制衣服：指穿在身上遮体御寒并起美化作用的物品。 为什么是开过的洗发水都流出来了、是用过的吗？是这样子包装的吗？ 0
衣服：指穿在身上遮体御寒并起美化作用的物品。 开始买回来大很多 后来换了回来又小了 号码区别太不正规 建议各位谨慎 1
...每一行用 \t 分隔符分开，第一部分部分为商品类型（text1），中间部分为商品评论（text2），最后一部分为商品评论和商品类型是否一致（label）。
3. 有监督-模型训练3.1 PointWise（单塔）3.1.1 模型训练修改训练脚本 train_pointwise.sh 里的对应参数, 开启模型训练：
代码语言：shell复制python train_pointwise.py \
--model "nghuyong/ernie-3.0-base-zh" \ # backbone
--train_path "data/comment_classify/train.txt" \ # 训练集
--dev_path "data/comment_classify/dev.txt" \ #验证集
--save_dir "checkpoints/comment_classify" \ # 训练模型存放地址
--img_log_dir "logs/comment_classify" \ # loss曲线图保存位置
--img_log_name "ERNIE-PointWise" \ # loss曲线图保存文件夹
--batch_size 8 \
--max_seq_len 128 \
--valid_steps 50 \
--logging_steps 10 \
--num_train_epochs 10 \
--device "cuda:0"正确开启训练后，终端会打印以下信息：
代码语言：shell复制...
global step 10, epoch: 1, loss: 0.77517, speed: 3.43 step/s
global step 20, epoch: 1, loss: 0.67356, speed: 4.15 step/s
global step 30, epoch: 1, loss: 0.53567, speed: 4.15 step/s
global step 40, epoch: 1, loss: 0.47579, speed: 4.15 step/s
global step 50, epoch: 2, loss: 0.43162, speed: 4.41 step/s
Evaluation precision: 0.88571, recall: 0.87736, F1: 0.88152
best F1 performence has been updated: 0.00000 --> 0.88152
global step 60, epoch: 2, loss: 0.40301, speed: 4.08 step/s
global step 70, epoch: 2, loss: 0.37792, speed: 4.03 step/s
global step 80, epoch: 2, loss: 0.35343, speed: 4.04 step/s
global step 90, epoch: 2, loss: 0.33623, speed: 4.23 step/s
global step 100, epoch: 3, loss: 0.31319, speed: 4.01 step/s
Evaluation precision: 0.96970, recall: 0.90566, F1: 0.93659
best F1 performence has been updated: 0.88152 --> 0.93659
...在 logs/comment_classify 文件下将会保存训练曲线图：
3.1.2 模型推理完成模型训练后，运行 inference_pointwise.py 以加载训练好的模型并应用：
代码语言：python复制...
test_inference(
'手机：一种可以在较广范围内使用的便携式电话终端。', # 第一句话
'味道非常好，京东送货速度也非常快，特别满意。', # 第二句话
max_seq_len=128
)
...运行推理程序：
代码语言：shell复制python inference_pointwise.py得到以下推理结果：
代码语言：shell复制tensor([[ 1.8477, -2.0484]], device='cuda:0') # 两句话不相似(0)的概率更大3.2 DSSM（双塔）3.2.1 模型训练修改训练脚本 train_dssm.sh 里的对应参数, 开启模型训练：
代码语言：shell复制python train_dssm.py \
--model "nghuyong/ernie-3.0-base-zh" \
--train_path "data/comment_classify/train.txt" \
--dev_path "data/comment_classify/dev.txt" \
--save_dir "checkpoints/comment_classify/dssm" \
--img_log_dir "logs/comment_classify" \
--img_log_name "ERNIE-DSSM" \
--batch_size 8 \
--max_seq_len 256 \
--valid_steps 50 \
--logging_steps 10 \
--num_train_epochs 10 \
--device "cuda:0"正确开启训练后，终端会打印以下信息：
代码语言：shell复制...
global step 0, epoch: 1, loss: 0.62319, speed: 15.16 step/s
Evaluation precision: 0.29912, recall: 0.96226, F1: 0.45638
best F1 performence has been updated: 0.00000 --> 0.45638
global step 10, epoch: 1, loss: 0.40931, speed: 3.64 step/s
global step 20, epoch: 1, loss: 0.36969, speed: 3.69 step/s
global step 30, epoch: 1, loss: 0.33927, speed: 3.69 step/s
global step 40, epoch: 1, loss: 0.31732, speed: 3.70 step/s
global step 50, epoch: 1, loss: 0.30996, speed: 3.68 step/s
...在 logs/comment_classify 文件下将会保存训练曲线图：
3.2.2 模型推理和单塔模型不一样的是，双塔模型可以事先计算所有候选类别的Embedding，当新来一个句子时，只需计算新句子的Embedding，并通过余弦相似度找到最优解即可。
因此，在推理之前，我们需要提前计算所有类别的Embedding并保存。
类别Embedding计算
运行 get_embedding.py 文件以计算对应类别embedding并存放到本地：
代码语言：python复制...
text_file = 'data/comment_classify/types_desc.txt' # 候选文本存放地址
output_file = 'embeddings/comment_classify/dssm_type_embeddings.json' # embedding存放地址
device = 'cuda:0' # 指定GPU设备
model_type = 'dssm' # 使用DSSM还是Sentence Transformer
saved_model_path = './checkpoints/comment_classify/dssm/model_best/' # 训练模型存放地址
tokenizer = AutoTokenizer.from_pretrained(saved_model_path)
model = torch.load(os.path.join(saved_model_path, 'model.pt'))
model.to(device).eval()
...其中，所有需要预先计算的内容都存放在 types_desc.txt 文件中。
文件用 \t 分隔，分别代表 类别id、类别名称、类别描述：
代码语言：text复制0 水果 指多汁且主要味觉为甜味和酸味，可食用的植物果实。
1 洗浴 洗浴用品。
2 平板 也叫便携式电脑，是一种小型、方便携带的个人电脑，以触摸屏作为基本的输入设备。
...执行 python get_embeddings.py 命令后，会在代码中设置的embedding存放地址中找到对应的embedding文件：
代码语言：json复制{
"0": {"label": "水果", "text": "水果：指多汁且主要味觉为甜味和酸味，可食用的植物果实。", "embedding": [0.3363891839981079, -0.8757723569869995, -0.4140555262565613, 0.8288457989692688, -0.8255823850631714, 0.9906797409057617, -0.9985526204109192, 0.9907819032669067, -0.9326567649841309, -0.9372553825378418, 0.11966298520565033, -0.7452883720397949,...]},
"1": ...,
...
}模型推理
完成预计算后，接下来就可以开始推理了。
我们构建一条新评论：这个破笔记本卡的不要不要的，差评。
运行 python inference_dssm.py，得到下面结果：
代码语言：python复制[
('平板', 0.9515482187271118),
('电脑', 0.8216977119445801),
('洗浴', 0.12220608443021774),
('衣服', 0.1199738010764122),
('手机', 0.07764233648777008),
('酒店', 0.044791921973228455),
('水果', -0.050112202763557434),
('电器', -0.07554933428764343),
('书籍', -0.08481660485267639),
('蒙牛', -0.16164332628250122)
]函数将输出（类别，余弦相似度）的二元组，并按照相似度做倒排（相似度取值范围：-1, 1）。
3.3 Sentence Transformer（双塔）3.3.1 模型训练修改训练脚本 train_sentence_transformer.sh 里的对应参数, 开启模型训练：
代码语言：shell复制python train_sentence_transformer.py \
--model "nghuyong/ernie-3.0-base-zh" \
--train_path "data/comment_classify/train.txt" \
--dev_path "data/comment_classify/dev.txt" \
--save_dir "checkpoints/comment_classify/sentence_transformer" \
--img_log_dir "logs/comment_classify" \
--img_log_name "Sentence-Ernie" \
--batch_size 8 \
--max_seq_len 256 \
--valid_steps 50 \
--logging_steps 10 \
--num_train_epochs 10 \
--device "cuda:0"正确开启训练后，终端会打印以下信息：
代码语言：shell复制...
Evaluation precision: 0.81928, recall: 0.64151, F1: 0.71958
best F1 performence has been updated: 0.46120 --> 0.71958
global step 260, epoch: 2, loss: 0.58730, speed: 3.53 step/s
global step 270, epoch: 2, loss: 0.58171, speed: 3.55 step/s
global step 280, epoch: 2, loss: 0.57529, speed: 3.48 step/s
global step 290, epoch: 2, loss: 0.56687, speed: 3.55 step/s
global step 300, epoch: 2, loss: 0.56033, speed: 3.55 step/s
...在 logs/comment_classify 文件下将会保存训练曲线图：
3.2.2 模型推理Sentence Transformer 同样也是双塔模型，因此我们需要事先计算所有候选文本的embedding值。
类别Embedding计算
运行 get_embedding.py 文件以计算对应类别embedding并存放到本地：
代码语言：python复制...
text_file = 'data/comment_classify/types_desc.txt' # 候选文本存放地址
output_file = 'embeddings/comment_classify/sentence_transformer_type_embeddings.json' # embedding存放地址
device = 'cuda:0' # 指定GPU设备
model_type = 'sentence_transformer' # 使用DSSM还是Sentence Transformer
saved_model_path = './checkpoints/comment_classify/sentence_transformer/model_best/' # 训练模型存放地址
tokenizer = AutoTokenizer.from_pretrained(saved_model_path)
model = torch.load(os.path.join(saved_model_path, 'model.pt'))
model.to(device).eval()
...其中，所有需要预先计算的内容都存放在 types_desc.txt 文件中。
文件用 \t 分隔，分别代表 类别id、类别名称、类别描述：
代码语言：text复制0 水果 指多汁且主要味觉为甜味和酸味，可食用的植物果实。
1 洗浴 洗浴用品。
2 平板 也叫便携式电脑，是一种小型、方便携带的个人电脑，以触摸屏作为基本的输入设备。
...执行 python get_embeddings.py 命令后，会在代码中设置的embedding存放地址中找到对应的embedding文件：
代码语言：json复制{
"0": {"label": "水果", "text": "水果：指多汁且主要味觉为甜味和酸味，可食用的植物果实。", "embedding": [0.32447007298469543, -1.0908259153366089, -0.14340722560882568, 0.058471400290727615, -0.33798110485076904, -0.050156619399785995, 0.041511114686727524, 0.671889066696167, 0.2313404232263565, 1.3200652599334717, -1.10829496383667, 0.4710233509540558, -0.08577515184879303, -0.41730815172195435, -0.1956728845834732, 0.05548520386219025, ...]}
"1": ...,
...
}模型推理
完成预计算后，接下来就可以开始推理了。
我们构建一条新评论：这个破笔记本卡的不要不要的，差评。
运行 python inference_sentence_transformer.py，函数会输出所有类别里「匹配通过」的类别及其匹配值，得到下面结果：
代码语言：python复制Used 0.5233056545257568s.
[
('平板', 1.136274814605713),
('电脑', 0.8851938247680664)
]函数将输出（匹配通过的类别，匹配值）的二元组，并按照匹配值（越大则越匹配）做倒排。
参考链接：https://github.com/HarderThenHarder/transformers_tasks/blob/main/text_matching/supervised