cail2019_track2
**法研杯CAIL2019要素抽取任务第三名方案分享
欢迎大家使用tensorflow1.x的bert系列模型库，支持单机多卡，梯度累积，自动导出pb部署
（修改了一下readme，之前那一版感觉写的太水了。）
这次比赛和前两名差距很大，但是也在此给大家分享一下我所用的方案。
主要的trick包括领域预训练、focal loss、阈值移动、规则匹配以及模型优化、调参。
没有使用模型融合。
效果对比
由于是第一次参赛，很多比赛细节没有做记录，效果对比的分数是我从凭印象在上传历史记录里边找的，可能分数不一致，但是大概就在那个范围，还请见谅。
| Model | 详情 | 线上评分 |
|---|---|---|
| BERT | 使用bert_base做多标签分类 | 69.553 |
| BERT+RCNN+ATT | 在BERT后增加RCNN层，并把最大池化换成Attention | 70.143 |
| BERT+RCNN+ATT | 增加阈值移动 | 70.809 |
| BERT+RCNN+ATT | 增加focal loss | 71.126 |
| BERT+RCNN+ATT | 增加规则 | 72.2 |
| BERT+RCNN+ATT | 使用比赛数据预训练BERT | 72.526 |
| BERT+RCNN+ATT | copy样本正例少的数据（divorce loan有效） | 72.909 |
| BERT+RCNN+ATT | 在比赛数据基础上增加裁判文书（1000篇）做预训练（labor有效） | 73.483 |
| BERT+RCNN+ATT | 增加否定词规则 | 73.533 |
主要参数
| 参数名 | 参数值 |
|---|---|
| 预训练模型 | BERT_Base_Chinese |
| max_length(divorce) | 128 |
| max_length(labor) | 150 |
| max_length(loan) | 200 |
| batch_size | 32 |
| learning_rate | 2e-5 |
| num_train_epochs | 30 |
| alpha(focal loss) | 0.25 |
| gamma(focal loss) | 2 |
| hidden_dim(lstm) | 200 |
方案介绍
任务简介
根据给定司法文书中的相关段落，识别相应的关键案情要素，其中每个句子对应的类别标签个数不定，属于多标签问题。任务共涉及三个领域，包括婚姻家庭、劳动争议、借款合同。 例如：
| 例句 | 标签 |
|---|---|
| 高雷红提出诉讼请求：1、判令被告支付原告的工资1630×0.8×4＝5216元； | ["LB2"] |
| 原告范合诉称：原告系被告处职工。 | [] |
| 5、判令被告某甲公司支付2011年9月8日至2012年8月7日未签订劳动合同的二倍工资差额16，298.37元； | ["LB9", "LB6"] |
根据数据集，我选定的方案就是传统的多标签分类方法。bert预训练模型使用的是google开源的bert_base_chinese.
任务难点
- 正负例样本不均衡
- 有的要素标签正例仅有几条，模型无法学习
解决方案
focal loss
减少易分类样本的权重，增加难分类样本的损失贡献值，参数见上表的alpha，gamma
阈值移动
将比赛的数据集切分为训练集和测试集。先用训练集去训练模型， 然后使用测试集去测试模型，筛选阈值；最后把所有数据拿去训练最后的提交模型， 预测阈值就采用之前筛选出来的阈值。
copy少量数据
数据增强我尝试过eda，但是效果不行，不如不用，后来使用copy的方法做数据增强， 将正例少的样本copy一定的数量，但是不能copy太多，否则会严重破坏分布。 而且这个方法我只在divorce和loan两种领域有提升，labor上下降了， 可能是copy量不合理，大家可以下去尝试修改一下，看下会不会提升。
模型优化
最后使用的模型是BERT + RCNN，并且RCNN部分的最大池化修改为Attention。 主要方法就是将BERT的输出向量X输入BiLstm，得到一个特征向量H，最后将X和H 拼接送入Attention。
规则
规则主要是为了修正模型无法学习的要素标签，使用的方式：首先通过 标签的解释说明和包含标签的样本确定规则，规则在python中使用的是正则 表达式；然后针对需要预测的文本，我们先使用正则表达式去匹配，若是 匹配成功，则说明文本包含该规则对应的标签；最后把规则匹配出来的标签与 模型预测的标签取并集，得到最终预测要素集。
规则举例：
['.(保证合同|抵押合同|借款合同).(无效|不发生效力).*'] ，对应的要素是LN12。
否定词规则
否定词规则的意思是：在采用规则修正的时候，若是句子以一些否定词结尾，规则将不生效。
举例：
被告五金公司辩称本案借款合同和保证合同均无效，缺乏法律依据，本院不予采纳。
实际标签: LN13 LN10
这个句子可以匹配到我们写的LN12的规则：‘.(保证合同|抵押合同|借款合同).(无效|不发生效力).*‘
但是因为末尾出现了不予采纳，所以该标签规则不生效，没有LN12。
领域预训练
bert模型采用的是bert_base_chinese，如果使用徐亮大佬的roberta应该还会有提升。
司法领域属于特殊领域，所以使用比赛数据先做了一次预训练，在三种领域都有一定的提升， 后边我爬取一些裁判文书来做预训练，可能是因为数据量小和质量不够，只在labor上得到了 提升，如果保证数据量和质量，应该会有提升。
代码说明
基本代码
CUDA_VISIBLE_DEVICES=1是指定第一块显卡，根据具体情况自己改， 如果CPU的话就不用了。
训练
CUDA_VISIBLE_DEVICES=1 python train.py
将ckpt转为pb
CUDA_VISIBLE_DEVICES=1 python convert.py
线下测试
CUDA_VISIBLE_DEVICES=1 python evaluation.py
如果需要额外预训练的话，使用以下代码
创建预训练数据txt
python genPretrainData.py
创建预训练数据的tfrecord文件
python createPretrainData.py
预训练
CUDA_VISIBLE_DEVICES=1 python run_pretrain.py
Reference
- TensorFlow code and pre-trained models for BERT
- The implementation of focal loss proposed on "Focal Loss for Dense Object Detection" by KM He and support for multi-label dataset.
感谢
感谢队友牧笛的帮助