模型描述

• 语言模型: XLM-RoBERTa
• 微调: MRCQuestionAnswering
• 语言: 越南语, 英语
• 下游任务: 提取问答
• 数据集 (结合英语和越南语):
  • Squad 2.0
  • mailong25
  • VLSP MRC 2021
  • MultiLingual Question Answering

该模型旨在用于越南语的问答，因此验证集仅使用越南语（但英语也可以）。下面的评估结果使用了VLSP MRC 2021测试集。该实验在排行榜上取得了第一名。

MRCQuestionAnswering 使用 XLM-RoBERTa 作为预训练语言模型。默认情况下，XLM-RoBERTa会将单词分割为子词。但在我的实现中，我使用求和策略将子词表示（在BERT层编码后）重新组合成单词表示。

使用预训练模型

• Hugging Face流水线样式（不使用求和特征策略）。

from transformers import pipeline
# model_checkpoint = "nguyenvulebinh/vi-mrc-large"
model_checkpoint = "nguyenvulebinh/vi-mrc-base"
nlp = pipeline('question-answering', model=model_checkpoint,
                   tokenizer=model_checkpoint)
QA_input = {
  'question': "Bình là chuyên gia về gì ?",
  'context': "Bình Nguyễn là một người đam mê với lĩnh vực xử lý ngôn ngữ tự nhiên . Anh nhận chứng chỉ Google Developer Expert năm 2020"
}
res = nlp(QA_input)
print('pipeline: {}'.format(res))
#{'score': 0.5782045125961304, 'start': 45, 'end': 68, 'answer': 'xử lý ngôn ngữ tự nhiên'}

• 更准确的推理过程（ Using sum features strategy ）

from infer import tokenize_function, data_collator, extract_answer
from model.mrc_model import MRCQuestionAnswering
from transformers import AutoTokenizer

model_checkpoint = "nguyenvulebinh/vi-mrc-large"
#model_checkpoint = "nguyenvulebinh/vi-mrc-base"
tokenizer = AutoTokenizer.from_pretrained(model_checkpoint)
model = MRCQuestionAnswering.from_pretrained(model_checkpoint)

QA_input = {
  'question': "Bình được công nhận với danh hiệu gì ?",
  'context': "Bình Nguyễn là một người đam mê với lĩnh vực xử lý ngôn ngữ tự nhiên . Anh nhận chứng chỉ Google Developer Expert năm 2020"
}

inputs = [tokenize_function(*QA_input)]
inputs_ids = data_collator(inputs)
outputs = model(**inputs_ids)
answer = extract_answer(inputs, outputs, tokenizer)

print(answer)
# answer: Google Developer Expert. Score start: 0.9926977753639221, Score end: 0.9909810423851013

关于

由Binh Nguyen构建 更多详情，请访问项目仓库