【创新实训】问答系统-Question Generation模块-【博客6：Q-A pairs有效性过滤】_bert question generation

前面五篇博客主要探究了QG（Question Generation）任务的基本策略、评价指标；描述了我的初步探索；以及给出了数据处理的方法以及训练模型的构建方法；最后针对训练好的模型生成“问答对”：

• 博客1：基本策略
• 博客2：评价指标、初步探索
• 博客3：训练数据和预测数据预处理的部分
• 博客4：模型的构建
• 博客5：生成“问答对”
• 博客6：问答对有效性过滤（基于文本分类任务）
• 博客7：用问题库检索服务

一、过滤有效Q-A pairs

1.1 利用BERT模型评估生成问答对的有效性

在前面步骤中，使用问题生成器生成的系列问题可能存在很多无效的问题。

• 这可能是由训练数据的领域并不能完全覆盖预测数据的领域造成的。

另外，在抽取答案作为模型的输入时，我采取一种极为单纯的策略，即直接抽取实体，将其作为答案，这就导致有些被抽取的实体可能是不适合用于提问的。

归纳无效的Q-A对的基本特征，主要有下面三种：

• 情况一：答非所问。
  eg. Question：…的概念是什么？
  Answer：第二百
• 情况二：将问题局部语句作为答案。
• 情况三：生成的问题语义不通顺。
  eg. Question：诉么时候中断的时间是什么时候？
  Answer：从中断、有关程序终结时起

我在这里使用BERT搭建了一个文本分类器，对任意输入的问答对（均由前面NEZHA + UniLM模型生成），预测其是否为有效问题。

输入：

• [CLS] [SEP] [SEP]

输出：

• 0或1（其中1表示有效，0表示无效）

1.2 构造正样本和负样本

对这个文本分类器而言，训练数据中的“正类”和前面模型所用的训练数据完全一致，但是去除掉上下文部分（Q-A对的类别标签都为1）。

而“负类”则需要我自己重新构造。

结合了上文分析的“无效的Q-A对的基本特征”，我最终采取了下面三种方式构造出负类：

• 1）将Question和不同的Answer随机匹配。
• 2）将Question的局部提取出来，作为答案。
• 3）在Question或者答案中插入一些干扰的中文字符。

下面是训练数据基本构造方法：

import json
import random

data = [l["annotations"] for l in json.load(open('./train.json', 'r', encoding='utf-8'))]
all = []
for l in data:
    all += l

label_T = 10000
label_F_extr = 5000
label_F_sh = 5000

index = [int(len(all) * random.random()) for i in range(label_T)]
index_1 = [int(len(all) * random.random()) for i in range(label_F_sh + label_F_extr)]
index_2 = [int(len(all) * random.random()) for i in range(label_F_sh)]

str_l_T = []
for i in index:
    str1 = '[CLS]' + all[i]['Q'] + '[SEP]' + all[i]['A'].replace('\n', '') + '[SEP]'
    str_l_T.append(str1)

str_l_F = []
for i, j in zip(index_1, index_2):
    str1 = '[CLS]' + all[i]['Q'] + '[SEP]' + all[j]['A'].replace('\n', '') + '[SEP]'
    str_l_F.append(str1)
for i in range(label_F_extr):
    m = all[i + label_F_sh]['Q']
    str1 = '[CLS]' + m + '[SEP]' + m[:int(
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27