2021 SKKU AI x Bookathon 3th
1. Introduction
성균관대학교에서 주최하는 AI x Bookathon 대회로 인공지능 모델을 사용하여 주제가 '함께'인 수필을 작성하는 것이 목적입니다.
🥇 1st of 15 teams
저희는 내가 나와 함께 살아가는 법 을 글의 컨셉으로 하여 수필을 생성하였고, 최종적으로 1위를 하며 대상을 받을 수 있었습니다.
2. Data Preprocessing Strategy
크롤링한 데이터를 KLUE: Korean Language Understanding Evaluation 논문에서 사용한 전처리 기법들을 사용하여 정제하였습니다.
3. Model Training Strategy
마인즈랩에서 제공하는 뉴스데이터로 사전학습된 GPT2 모델을 사용하는 대신, 허깅페이스의 skt/ko-gpt-trinity-1.2B-v0.5를 한 번 더 사전학습을 진행한 후 fine-tuning 하는 방법으로 생성 모델을 학습시켰습니다.
NVIDIA T4를 사용하기 때문에 GPU 메모리가 부족하다는 단점이 있었지만 아래와 같은 전략을 통해 해결하였습니다.
- batch size를 줄이는 대신 accumulation step 활용
- half precision 사용
- 모델의 일부를 Freezing
- 그 외의 파라미터 조정
GPT2의 경우, 긴 범위의 텍스트를 생성하게 되는 경우 글의 일관성이 부족할 수도 있다는 단점이 있습니다. 따라서 각 문단별로 주제에 맞는 키워드를 정한 후, 각 키워드에 관한 글들을 수집하여 2만자의 글을 생성하도록 하였습니다.
Train Datasets
각 학습 단계에서 사용한 데이터셋은 아래와 같습니다.
1. Pretraining: 크롤링한 전체 데이터셋
2. Fine-tuning: Elastic Search를 사용하여 각 키워드에 맞는 데이터셋
Retrieval for Elastic Search
수집한 전체 데이터셋의 크기가 굉장히 크고, 소주제별 Professional Writer Model 을 각각 만들기 위하여 전체데이터셋에서 주제에 맞는 Keyword 를 Query 로 하여 유사도 높은 문장만을 선별해 fine-tuning 하였습니다.
elastic_search.py 를 실행하면 train/valid 두 가지의 txt 파일이 생성됩니다.
4. Model Inference Strategy
Beam Search를 사용하는 경우 repetition problem이 발생할 확률이 높기 때문에 top-k sampling, top-p sampling 방법을 이용하여 텍스트 생성을 진행하였습니다.
또한, 긴 문장을 생성하기 위해 max_length를 적게 설정하는 대신, 짧은 문장을 연달아서 여러 번 생성하는 방법을 사용하였습니다.
Structure
datacrawl/*: 데이터 크롤링 코드
preprocess.ipynb: 전처리 코드
elastic_search.py: Elastice Search 코드
text_generation/train.py: 모델 학습 코드
text_generation/inference.py: 텍스트 생성 (추론)코드
text_generation/inference_loop.py: 짧은 텍스트를 연달아 생성하는 (추론)코드
Usage
1. Installation
$ pip install -r requirements.txt
2. Retrieval
$ python elastic_search.py --query '함께' --corpus_dir 'YOUR_CORPUS_PATH' --num_samples 500
3. Training
$ sh text_generation/train.sh
4. Inference
$ sh text_generation/inference.sh