用开源的人工标注数据来增强RoFormer-Sim

大家知道，从SimBERT到SimBERTv2（RoFormer-Sim），我们算是为中文文本相似度任务建立了一个还算不错的基准模型。然而，SimBERT和RoFormer-Sim本质上都只是“弱监督”模型，跟“无监督”类似，我们不能指望纯弱监督的模型能达到完美符合人的认知效果。所以，为了进一步提升RoFormer-Sim的效果，我们尝试了使用开源的一些标注数据来辅助训练。本文就来介绍我们的探索过程。

有的读者可能想：有监督有啥好讲的？不就是直接训练么？说是这么说，但其实并没有那么“显然易得”，还是有些“雷区”的，所以本文也算是一份简单的“扫雷指南”吧。

前情回顾 #

笔者发现，自从SimBERT发布后，读者问得最多的问题大概是：

为什么“我喜欢北京”跟“我不喜欢北京”相似度这么高？它们不是意思相反吗？

尤其是RoFormer-Sim发布之后，类似的问题几乎一两周就出现一次。此外，不止笔者自己的科学空间交流群，别的NLP相关的群也时不时冒出差不多的问题，说明类似的疑惑是普遍存在的。

那么，怎么理解这件事呢？

首先，“意思相反”这个认知是不对的，从相似的角度来看，只有“相似”、“不相似”的说法，并没有“相反”的说法，原则上来看，没有两个绝对毫无关联的句子，所以理论上没有哪两个句子的相似度为0，更不用说没有明确定义的“相反”了。而恰恰相反，我们通常认为的“反义词”，从客观上来看，它们都算是比较相似的词，比如“喜欢”和“讨厌”，它们的共性多了去了：都是动词，都是描述情感倾向，用法也差不多，所以我们怎么能说这两个词“毫不相似”甚至“相反”？我们说它是反义词，是指它在某一个极小的维度下是对立关系，要注意，只是某个维度，不是全部，所以意味着我们这种认知本身是非客观的（这么多维度相似，只有一个维度不相似，我们就说它们是“反义词”，这还不是不客观？）。

同理，按照笔者的理解，从客观角度来看，“我喜欢北京”跟“我不喜欢北京”就是很相似的，所以模型给出的相似度高是很合理的，给出相似度低才是不合理的。当然，我不是说“我喜欢北京”跟“我不喜欢北京”在任何场景下都相似，它们确实是存在对立的维度，但问题是无监督、弱监督学习出来的都是比较客观的结果，而如果我们认为“我喜欢北京”跟“我不喜欢北京”不相似，那么就说明我们主观地挑出了我们要进行比较的维度，而不是客观的全部的维度。而既然是人的主观行为，我们不应该指望无监督、弱监督的方法能学出来，最好的办法就是标注数据来有监督学习。

所以，说白了就是：

模型没错，错的是人。如果人坚持自己没错，那就请通过标注数据有监督学习的方式来告诉模型它错了。

分门别类 #

通过上述讨论，我们应该就能理解标数据有监督的必要性了。不是所有问题都可以通过无监督、弱监督的方式解决，如果非要想无监督、弱监督的方案，其成本可能远远大于标几条数据。

至于相似度相关的中文人工标注数据，目前收集到的有三种类型：

1、是非类型：这种是比较常见的类型，主要格式是“(句子1, 句子2, 是否相似)”，这里收集到的ATEC、BQ、LCQMC、PAWSX都是这种类型；

2、NLI类型：NLI的全称是Natrual Language Inference（自然语言推理），样本格式是“(句子1, 句子2, 蕴涵/中立/矛盾)”，可以视为更为精细一点的相似度数据集，当前可以找到的中文NLI数据集是英文版翻译过来的，链接位于CNSD；

3、打分类型：这算是最精细的相似度语料，格式为“(句子1, 句子2, 相似程度)”，这个相似程度一般是比0/1更细颗粒度的等级，目前可以找到的中文数据集是STS-B，也是由对应的英文数据集翻译过来的。

由于量比较大的是前2种，所以为了处理上的方便，我们直接设置一个阈值，将第3种的STS-B数据转化为第1种情形，所以可利用的就两种数据格式：1、句子对的2分类；2、句子对的3分类。

出乎意料 #

文章开头写到，虽然是监督训练，但也不是那么“显然易得”，这主要是因为训练方式的选择有点出乎意料。简单起见，我们先以2分类的训练样本为例进行说明。

假设两个句子通过编码器后得到的句向量分别为$u,v$，由于在检索阶段我们通常使用它们的余弦值$\cos(u,v)=\frac{\langle u,v\rangle}{\Vert u\Vert \Vert v\Vert}$为相似度进行排序，所以很自然的想法就是基于$\cos(u,v)$设计损失函数，一些比较容易想到的有：
\begin{equation}\begin{aligned}
&t\cdot (\cos(u,v) - 1)^2 + (1 - t)\cdot \cos^2(u,v) \\
&t\cdot (\cos(u,v) - 1)^2 + (1 - t)\cdot (\cos(u,v) + 1)^2 \\
&t\cdot \max(0.9 - \cos(u,v), 0) + (1-t)\cdot \max(\cos(u,v) - 0.1, 0)
\end{aligned}\end{equation}
其中$t\in\{0,1\}$是该句子对的标签。上述几个loss的大致意思是让正样本对的$\cos(u,v)$尽量大，让负样本对的$\cos(u,v)$尽量小。

然而，在笔者的实验中，这样的训练和预测都一致训练方案，结果居然都不如出自InferSent、并且被Sentence-BERT沿用的一种看起来是训练和预测不一致的方案。具体来说，Sentence-BERT是将$u,v,|u-v|$（其中$|u-v|$是指$u-v$的每个元素都取绝对值后构成的向量）拼接起来做为特征，后面接一个全连接层做2分类（如果是NLI数据集则是3分类）。

当然，这只是训练方案，使用的时候，还是把句向量拿出来，用余弦相似度做检索。这样看来，InferSent、Sentence-BERT使用的这种方案，事实上属于训练和预测不一致的方案，训练的时候并没有直接涉及到$\cos(u,v)$，预测的时候却可以用$\cos(u,v)$来检索，并且表现还相当不错，所以不能不说出人意料。

闭门造车 #

对此，笔者也是百思不得其解。笔者留意到，Sentence-BERT的论文里，还比较了不同的特征拼合方式的最终效果，显示出$u,v,|u-v|$拼接的效果是最佳的，如果只保留它们的一部分，效果都将会明显下降，如下表。

受到这个表格的启发，笔者“闭门造车”地构思了一种解释。首先，我们知道，人是非常“挑剔”的，尤其是对于相似度任务，我们通常是认为比较严格的相似才算是相似，但是我们的训练数据通常没那么精准。一方面，标注本身可能存在噪声；另一方面，对于某些样本对，标注人员可能由于它们主题（而不是语义）相同就标记为正样本对。也就是说，标注数据通常没有我们要求的那么严格，如果直接用标注结果来学习我们的排序度量，那么反而会带来意外的偏差。

回看$u,v,|u-v|$拼接然后接个全连接的做法，它的打分函数相当于
\begin{equation}s = \langle u, w_1\rangle + \langle v, w_2\rangle + \langle |u-v|, w_3\rangle\end{equation}
这里的$w_1,w_2,w_3$是对应的参数向量。其中前两项打分为$\langle u, w_1\rangle + \langle v, w_2\rangle$，如果它很大，并不能说明$u,v$很接近，同理如果它很小，也不能说明$u,v$差得很远，它的作用更像是一个“主题分类”模型，用于识别$u,v$的主题是否一致；而对于第三项，我们知道$|u-v|=0\Leftrightarrow u=v$，所以第三项是有能力判断两个向量的近似程度的，它也许代表了真正的“语义相似”。

综合起来，我们就可以认为，$u,v,|u-v|$拼接然后接个全连接的做法，它既包含了判断两个句子主题是否一致的打分，也包含了两个句子语义相似的打分，它将“主题”和“语义”分离开来，增强了模型对数据的容错性，从而使得最终学习出来的向量更能体现出较为纯粹、精准的“语义”。

鱼与熊掌 #

通过Sentence-BERT的方案，利用开源的相似度数据集，我们可以学习到一个效果还不错的句向量模型，也即检索模型，利用它抽取特征并且用余弦相似度作为度量可以得到不错的结果。但问题是，SimBERT、RoFormer-Sim从来就不是单纯的检索模型，它希望“鱼与熊掌兼得”——既具备好的检索效果，又具备生成相似句的能力。

为此，我们通过上述方式训练好一个Sentence-BERT后，通过《SimBERTv2来了！融合检索和生成的RoFormer-Sim模型》介绍的方案，把Sentence-BERT的检索效果蒸馏到RoFormer-Sim上去，从而在保留相似句生成的基础上提高检索模型的效果。此外，同尺寸模型之间的蒸馏往往还能提升一点效果，所以我们蒸馏后的RoFormer-Sim的检索效果，其实还比直接训练得到的Sentence-BERT效果要好些。

效果演示 #

我们把用标注数据训练好的RoFormer-Sim开源如下（文件名带-ft的权重）：

https://github.com/ZhuiyiTechnology/roformer-sim

下面是《无监督语义相似度哪家强？我们做了个比较全面的评测》中的几个任务的测试结果（测试集）：
\begin{array}{c|ccccc}
\hline
& \text{ATEC} & \text{BQ} & \text{LCQMC} & \text{PAWSX} & \text{STS-B} \\
\hline
\text{RoFormer-Sim} & 39.27 & 48.31 & 72.30 & 6.70 & 71.75 \\
\text{RoFormer-Sim-FT} & 51.71 & 73.48 & 79.56 & 62.84 & 78.28 \\
\hline
\text{RoFormer-Sim-small} & 37.08 & 46.83 & 71.27 & 5.8 & 71.29 \\
\text{RoFormer-Sim-FT-small} & 51.21 & 73.09 & 78.88 & 56.41 & 76.33 \\
\hline
\end{array}

可以看到效果有明显提升，并且small版本也有相当不俗的表现。当然，经过了监督训练，有提升是必然的，这个表格的对比意义不算大。但对于用户来说，有现成的模型可用就行了，管它是怎么来的对吧。读者可能更关心的是，这个新模型有没有解决之前检索模型的“痛点”，比如能不能拉开“我喜欢北京”跟“我不喜欢北京”的差距？下面就来看一些例子（base版，另外small版的结果相差无几）：

>>> similarity(u'今天天气不错', u'今天天气很好')
0.9769838
>>> similarity(u'今天天气不错', u'今天天气不好')
0.62359834
>>> similarity(u'我喜欢北京', u'我很喜欢北京')
0.9921096
>>> similarity(u'我喜欢北京', u'我不喜欢北京')
0.5291042
>>> similarity(u'电影不错', u'电影很好')
0.96764225
>>> similarity(u'电影不错', u'电影不好')
0.6312722
>>> similarity(u'红色的苹果', u'绿色的苹果')
0.6974633
>>> similarity(u'给我推荐一款红色的车', u'给我推荐一款黑色的车')
0.7191832
>>> similarity(u'给我推荐一款红色的车', u'推荐一辆红车')
0.9866457
>>> similarity(u'给我推荐一款红色的车', u'麻烦来一辆红车')
0.9460306

从例子可以看出，经过有监督训练后，模型确实能体现出更符合普通常规认知的相似度打分，比如加了“不”字后相似度明显降低，经过对比我们发现这部分效果主要由NLI数据集带来的；还有，对“红”、“黑”等颜色也会更加敏感，尤其是最后三个例子，体现出它的检索排序结果更符合我们常规的意图识别场景。

本文小结 #

本文介绍了我们利用标注数据增强RoFormer-Sim的过程，并开源了相应的训练好的模型，使得中文相似度模型有了一个效果更好的开源可用开源的baseline。

转载到请包括本文地址：https://spaces.ac.cn/archives/8541

更详细的转载事宜请参考：《科学空间FAQ》