关于msra的实验复现，训练因某几条特殊数据报错
another1s opened this issue · comments
您好!
我这边使用提供的脚本试图对msra实验进行复现。发现一个问题。在训练数据中几条带有公司股票名称的时候，会造成entity start和end在encode之后丢失的情况，导致训练报错
比如下面这条，如果我数据集没下错的话？
“1 美 亚 股 份 3 2 ． 6 6 2 民 族 集 团 2 2 ． 3 8 3 鲁 石 化 a 1 9 ． 1 1 4 四 川 湖 山 1 7 ． 0 9 5 太 原 刚 玉 1 0 ． 5 8 1 咸 阳 偏 转 1 6 ． 1 1 2 深 华 发 a 1 5 ． 6 6 3 渝 开 发 a 1 5 ． 5 2 4 深 发 展 a 1 3 ． 8 9 5 深 纺 织 a 1 3 ． 2 2 1 太 极 实 业 2 3 ． 2 2 2 友 好 集 团 2 2 ． 1 4 3 双 虎 涂 料 2 0 ． 2 0 4 新 潮 实 业 1 5 ． 5 8 5 信 联 股 份 1 2 ． 5 7 1 氯 碱 化 工 2 1 ． 1 7 2 百 隆 股 份 1 5 ． 6 4 3 贵 华 旅 业 1 5 ． 1 5 4 南 洋 实 业 1 4 ． 5 0 5 福 建 福 联 1 3 ． 8 0"
这条数据中在预处理时获得的entity 鲁石化a所对应的（start，end）应该为（21， 25），但用vocab.txt初始化的bertTokenizer在encode的时候，会把非中文字符先归并再encode，体现在encode以后的offset上就是只有”鲁石化a”只会对应(21,24)而后面那个a19被归并到一起去，变成(24,26）了
这样的结果就造成在encode以后，run_mrc_dataset.py里面目前的写法根本无法正常处理拼接了query和special token以后的index 偏移，因为entity丢失了一部分。总而言之就是，一旦entity中出现了多个非中文字符，非中文字符的对应的offset就会丢失
我这里的解法是，先根据原始（start，end）单独把context里的entities encode，再把剩余部分encode，最后再拼接。不知道贵司有没有什么好的办法？我反正是无法通过原版的脚本复现实验
您好，
麻烦请您参考https://github.com/ShannonAI/dice_loss_for_NLP/blob/master/datasets/mrc_ner_dataset.py 中处理tokenizer处理之后entity start/end position的代码。
并且依据您提供的例子，测试样本如下：
http://github.com/xiaoya-li/mrc-for-flat-nested-ner/blob/master/tests/illegal_entity_boundary.py
结果输出为:
非常感谢！
您好，
麻烦请您参考https://github.com/ShannonAI/dice_loss_for_NLP/blob/master/datasets/mrc_ner_dataset.py 中处理tokenizer处理之后entity start/end position的代码。
并且依据您提供的例子，测试样本如下：
http://github.com/xiaoya-li/mrc-for-flat-nested-ner/blob/master/tests/illegal_entity_boundary.py结果输出为:
非常感谢！
测试了可用，多谢回复！
hi，这个代码迁移过去好像少个label_mask没定义
label_mask = [
(0 if token_idx <= first_sep_token or token_idx == end_sep_token else 1)
for token_idx in range(len(non_pad_tokens))
]