2021年4月19-23日，EACL2021因疫情影響于線上正式召開，這是計算語言學(xué)和自然語言處理領(lǐng)域的重要國際會議，在Google Scholar計算語言學(xué)刊物指標(biāo)中排名第七。深蘭科技DeepBlueAI團隊參加了Shared Task on Sarcasm and Sentiment Detection in Arabic 比賽，并在其兩個子任務(wù)諷刺檢測和情感識別中，分別獲得了第二名和第三名的好成績，在深蘭榮譽榜上再添新篇。

獲獎技術(shù)方案分享

任務(wù)介紹

諷刺檢測要求識別一段文字中是否包含諷刺的內(nèi)容，諷刺是當(dāng)前情感分析系統(tǒng)的主要挑戰(zhàn)之一，因為具有諷刺性的句子通常用積極的表達方式去表示消極的情感。文本所表達的情感以及作者真正想表達的情感之間存在不同，這種情況給情感分析系統(tǒng)帶來了巨大的挑戰(zhàn)。

諷刺檢測、情感識別在其他語言中引起了很大的關(guān)注，但是在阿拉伯語上則沒有太多進展，該任務(wù)則是針對阿拉伯語，針對給定的一個推特文本，判斷是積極、消極或者中立情感，以及是否具有諷刺性。

數(shù)據(jù)分析

任務(wù)數(shù)據(jù)集名字為ArSarcasm-v2［1］，數(shù)據(jù)包含以下幾個字段，tweet， sarcasm， sentiment， dialect，tweet代表推特文本，sarcasm為諷刺檢測的標(biāo)簽，sentiment為情感分類的標(biāo)簽，dialect表示當(dāng)前文本確切屬于阿拉伯語中的哪個方言。

數(shù)據(jù)集統(tǒng)計如上圖所示，Arsarcasm-V2 共有12548條訓(xùn)練文本，其中MSA占比達到了68.2%，Maghrebi占比較少，僅有42條。此外我們還分析了具有諷刺文本中的情感分布情況，占比如下圖所示?？梢钥闯鲋S刺文本中89%具有消極情感，只有3%具有正面情感，可見諷刺一般情況下傳遞消極的信息。

模型

模型采用當(dāng)前比較流行的預(yù)訓(xùn)練模型，因為語言為阿拉伯語，我們采用了專門針對阿拉伯語的預(yù)訓(xùn)練模型bert-large-arabertv02［2］，以及多語言預(yù)訓(xùn)練模型xlm-roberta-large［3］。其中模型結(jié)構(gòu)如下，選取模型多層［CLS］位置的輸出進行加權(quán)平均得到［CLS］位置向量，然后經(jīng)過全連接層，之后經(jīng)過Multi-sample dropout［4］得到損失。對于諷刺檢測為二分類，我們采用Binary Cross Entropy 損失函數(shù)，對于情感識別為三分類，我們采用Cross Entropy損失函數(shù)。

Multi-sample dropout 是dropout的一種變種，傳統(tǒng) dropout 在每輪訓(xùn)練時會從輸入中隨機選擇一組樣本（稱之為 dropout 樣本），而 multi-sample dropout 會創(chuàng)建多個 dropout 樣本，然后平均所有樣本的損失，從而得到最終的損失，multi-sample dropout 共享中間的全連接層權(quán)重。通過綜合 M 個 dropout 樣本的損失來更新網(wǎng)絡(luò)參數(shù)，使得最終損失比任何一個 dropout 樣本的損失都低。這樣做的效果類似于對一個 minibatch 中的每個輸入重復(fù)訓(xùn)練 M 次。因此，它大大減少訓(xùn)練迭代次數(shù)，從而大幅加快訓(xùn)練速度。因為大部分運算發(fā)生在 dropout 層之前的BERT層中，Multi-sample dropout 并不會重復(fù)這些計算，所以對每次迭代的計算成本影響不大。實驗表明，multi-sample dropout 還可以降低訓(xùn)練集和驗證集的錯誤率和損失。

訓(xùn)練策略

任務(wù)自適應(yīng)預(yù)訓(xùn)練（TAPT）［5］，在當(dāng)前和任務(wù)相關(guān)的數(shù)據(jù)集上進行掩碼語言模型（MLM）訓(xùn)練，提升預(yù)訓(xùn)練模型在當(dāng)前數(shù)據(jù)集上的性能。

對抗訓(xùn)練是一種引入噪聲的訓(xùn)練方式，可以對參數(shù)進行正則化，從而提升模型的魯棒性和泛化能力。我們采用FGM （Fast Gradient Method）［6］，通過在嵌入層加入擾動，從而獲得更穩(wěn)定的單詞表示形式和更通用的模型，以此提升模型效果。

知識蒸餾［7］由Hinton在2015年提出，主要應(yīng)用在模型壓縮上，通過知識蒸餾用大模型所學(xué)習(xí)到的有用信息來訓(xùn)練小模型，在保證性能差不多的情況下進行模型壓縮。我們將利用模型壓縮的思想，采用模型融合的方案，融合多個不同的模型作為teacher模型，將要訓(xùn)練的作為student模型。

假設(shè)：采用arabertv模型，F(xiàn)1得分為70，采用不同參數(shù)、不同隨機數(shù)，訓(xùn)練多個arabertv 模型融合后F1可以達到71；在采用xlm-roberta模型，訓(xùn)練多個模型后與arabertv模型進行融合得到最終的F1為72?；谧詈笕诤系亩鄠€模型，采用交叉驗證的方式給訓(xùn)練集打上 soft label，此時的soft label已經(jīng)包含多個模型學(xué)到的知識。隨后再去訓(xùn)練arabertv模型，模型同時學(xué)習(xí)soft label以及本來hard label，學(xué)習(xí)soft label采用MSE損失函數(shù)，學(xué)習(xí)hard label依舊采用交叉熵損失，通過這種方式訓(xùn)練出來的arabertv模型的F1可以達到71點多，最后將蒸餾學(xué)出來的模型再與原來的模型融合，得到最后的結(jié)果。

模型融合

為了更好地利用數(shù)據(jù)，我們采用7折交叉驗證，針對每一折我們使用了兩種預(yù)訓(xùn)練模型，又通過改變不同的參數(shù)隨機數(shù)種子以及不同的訓(xùn)練策略訓(xùn)練了多個模型，之后對訓(xùn)練集和測試集進行預(yù)測。為了更好地融合模型，我們針對諷刺檢測采用了線性回歸模型進行融合，針對情感識別模型，采用支持向量機SVM進行融合。

實驗結(jié)果

評價標(biāo)準(zhǔn)，針對諷刺檢測，只評價諷刺類的F1，針對情感分類則對各個類的F1求平均，為了更好地評估模型的好壞，我們采用7折交叉驗證的形式，以下結(jié)果是交叉驗證結(jié)果的平均。

從下表中可以看出，無論是諷刺檢測任務(wù)還是情感分類任務(wù)都是XLM-Roberta 模型相對好一些，經(jīng)過TAPT和知識蒸餾后效果都有著顯著提升。對于諷刺檢測因為不同模型之間分數(shù)相差比較大，直接求平均效果不行，而采用線性回歸后則達到了一個不錯的水平，由于諷刺檢測類別不平衡，我們將閾值調(diào)整為0.41，即大于0.41為1類。同樣在情感分類任務(wù)中，由于多個模型之間的性能相差較大直接求平均也會造成性能的下降，我們最終采用SVM進行模型融合。

原文標(biāo)題：賽道 | 深蘭載譽自然語言處理領(lǐng)域歐洲頂會EACL2021

文章出處：【微信公眾號：DeepBlue深蘭科技】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責(zé)任編輯：haq