基于BERT的智能問答系統(tǒng)

北方工業(yè)大學(xué) 陳旻杰 魏軒 鄭瑩 周世元

本文結(jié)合網(wǎng)絡(luò)爬蟲和深度學(xué)習(xí)模型研究智能問答技術(shù)。文中介紹了BERT的基本內(nèi)容和特點(diǎn)、Finetuning BERT中的文本詞匯生成過程，以及在深度學(xué)習(xí)模型中引入主題特征的方法和實(shí)現(xiàn)。

隨著大數(shù)據(jù)時(shí)代的到來，每天都有數(shù)以億計(jì)的信息存留于互聯(lián)網(wǎng)，龐大的信息量讓人們很難從中獲取有價(jià)值的信息，如何快速篩選這些有價(jià)值的信息是智能問答系統(tǒng)的關(guān)鍵。本文中的答案選擇模型采用基于預(yù)訓(xùn)練模型BERT微調(diào)的答案選擇模型，通過分別采取全連接網(wǎng)絡(luò)，DPCNN網(wǎng)絡(luò)，BiLSTM網(wǎng)絡(luò)以及調(diào)整不同輸入層后，我們發(fā)現(xiàn)采用BiLSTM網(wǎng)絡(luò)模型有較好的效果。在進(jìn)行系統(tǒng)部署后，通過對(duì)文本選擇的正確率和響應(yīng)時(shí)間進(jìn)行對(duì)比，均可獲得理想的效果。

1 Fine-tuning BERT模型

BERT采用Transformer模型作為基本單元，并且也同時(shí)采用Transformer模型的編碼器，此舉讓BERT[1]模型實(shí)現(xiàn)了真正意義上的上下文相關(guān)。在Attention is ALL You Need[2]一文中，論述在將一個(gè)或多個(gè)Transformers堆疊后，可以認(rèn)為其成為了一個(gè)擁有多輸入，多輸出的黑盒，而BERT模型中則同樣可以按照此方式理解為：采用特定格式后輸入由多個(gè)Transformers組成的黑盒模型中訓(xùn)練后得到輸出。

BERT模型是可以進(jìn)行兩種任務(wù)類型的多任務(wù)模型，一種是掩碼語言模型任務(wù)，另一種是預(yù)測(cè)上下文模型。掩碼語言模型任務(wù)是通過在預(yù)料中遮蓋部分詞語，然后使用類似上下文預(yù)測(cè)的方法預(yù)測(cè)被掩蓋的詞語；而上下文預(yù)測(cè)類型則是通過使用大量的語料來訓(xùn)練模型讓其學(xué)習(xí)到：短語于句子之間的上下文和邏輯關(guān)系，然后自行預(yù)測(cè)句子間是否存在上下文關(guān)系，本文便是采用此種訓(xùn)練模型作為基礎(chǔ)的預(yù)訓(xùn)練模型。后續(xù)的預(yù)訓(xùn)練模型選擇方案則是由相關(guān)下游任務(wù)確定的。

本文采用的為預(yù)訓(xùn)練模型是chinese_L_12_H-768_A-12模型，由于此模型是幾乎適用于所有任務(wù)的模型，所以BERT預(yù)訓(xùn)練模型需要使用下游任務(wù)的數(shù)據(jù)進(jìn)行微調(diào)訓(xùn)練。微調(diào)時(shí)使用的數(shù)據(jù)通常的建模方式是對(duì)文本對(duì)進(jìn)行獨(dú)立編碼，之后采用雙向交叉注意力機(jī)制進(jìn)行文本建模。而BERT由于其本身所使用的自注意機(jī)制可以對(duì)文本對(duì)的編碼，在此過程中實(shí)際上已經(jīng)實(shí)現(xiàn)了兩個(gè)句子之間的雙向交叉注意力的作用。答案選擇任務(wù)的數(shù)據(jù)源為文本對(duì)數(shù)據(jù)，在微調(diào)過程中只需將此任務(wù)特定的輸入輸出形式送入BERT模型并采用端到端的方式微調(diào)模型中的所有參數(shù)。預(yù)處理模塊通過對(duì)原始文本進(jìn)行數(shù)據(jù)清洗后，將問題和答案轉(zhuǎn)換為BERT模型的輸入形式。模型的輸入形式如下：BERT_Input(Sentence1,Se ntences2)=[CLS] Sentence1[SEP]

其中，[CLS]與[SEP]為BERT模型的特殊輸入標(biāo)志。[CLS]向量代表整個(gè)句子的句向量表示，用于分類任務(wù)，[SEP]向量代表句子中的詞向量表示。

我們通過將訓(xùn)練數(shù)據(jù)送入語言模型中訓(xùn)練，從而讓每個(gè)位置的矢量輸出捕獲句子中的語義信息。BERT模型可以根據(jù)詞語在句子中的位置向量來捕獲詞語的深層信息。在答案選擇任務(wù)上，模型微調(diào)方法如圖1所示，模型輸入如下所示：

圖1 答案選擇模型結(jié)構(gòu)Fig.1 Answer selection model structure

在基于Google公布的BERT代碼中本文使用了其中進(jìn)行分類型任務(wù)的下模型訓(xùn)練，其中針對(duì)部分參數(shù)進(jìn)行微調(diào)修改如表1所示[3]：

表1 模型參數(shù)Tab.1 Model parameters

2 結(jié)合Fine-tuning BERT模型的智能問答系統(tǒng)

基于用戶角度對(duì)功能進(jìn)行需求分析：

（1）法律智能問答：系統(tǒng)提供的三種法律問答方面為：法律問題，法律案例，法律規(guī)章，其中需要程序能做到返回關(guān)聯(lián)度最高的文本，以便用戶查閱。

（2）法律測(cè)試：收錄了相關(guān)法律普及問題，便于用戶學(xué)習(xí)后測(cè)試，并返回用戶選擇的正確與否。

（3）法律資料庫：用于與用戶鍵入文本的匹配。

解決以上問題需要使用到的相關(guān)技術(shù)為：

（1）網(wǎng)絡(luò)爬蟲：用于收集數(shù)據(jù)集，并對(duì)數(shù)據(jù)進(jìn)行初步的清理和整理。

（2）Fine-tuning BERT的預(yù)訓(xùn)練：將進(jìn)行了數(shù)據(jù)清洗和整理之后的數(shù)據(jù)送入BERT中文預(yù)訓(xùn)練模型中進(jìn)行訓(xùn)練。

（3）信息檢索：使用ES搜索引擎，對(duì)大量數(shù)據(jù)錄入搜索引擎中建立索引，等到用戶鍵入相關(guān)問題之后進(jìn)行初次答案篩選。

（4）BERT預(yù)測(cè)答案：將問題和初次篩選的答案送入BERT模型中進(jìn)行上下文預(yù)測(cè)，并通過對(duì)候選答案評(píng)分進(jìn)行從高到低的排序。

（5）BERT模型加載：由于在實(shí)際部署情況中用戶需要反復(fù)使用BERT模型，所以此處本文此處選擇放棄使用無法預(yù)加載的ckpt模型而采取可預(yù)加載的pb模型，來滿足用戶需求。

（6）問題預(yù)處理：將用戶輸入的問題句中的語氣詞，雜項(xiàng)詞和停用詞進(jìn)行清理，使檢索獲得更好的結(jié)果。

基于以上核心問題和解決方案，本文設(shè)計(jì)了如圖2所示的問答程序流程：

圖2 問答功能程序流程Fig.2 Question-anwser program procedure

由于深度學(xué)習(xí)領(lǐng)域的訓(xùn)練十分依賴數(shù)據(jù)，所以對(duì)于數(shù)據(jù)量的解決方案我們使用網(wǎng)絡(luò)爬蟲的方案解決，而數(shù)據(jù)中的冗余或錯(cuò)誤數(shù)據(jù)則需要我們后續(xù)的數(shù)據(jù)清洗步驟：

（1）查看獲取的數(shù)據(jù)是否損壞。

（2）將特殊字符替換為常規(guī)字符，對(duì)于難以處理的特殊字符可以考慮刪除。

（3）考慮到后期輸入訓(xùn)練的格式，需要對(duì)文本進(jìn)行文本格式的排版檢查。

（4）基于CSV訓(xùn)練集文件中采取逗號(hào)或者制表符作為分割，需要對(duì)文本進(jìn)行檢查以免沖突造成錯(cuò)誤。

（5）采取UTF-8的編碼。

本文中模型的數(shù)據(jù)集來源于網(wǎng)絡(luò)爬蟲，在經(jīng)過數(shù)據(jù)清理后按照訓(xùn)練集，驗(yàn)證集，測(cè)試集比例為6∶1∶1的情況分割，由于原始數(shù)據(jù)集中只有問題與答案是上下文的數(shù)據(jù)，每一條數(shù)據(jù)都智能制作正例，負(fù)例無法直接制作，所以我們需要通過余弦相似度計(jì)算不同問題之間的相似程度，對(duì)每個(gè)問題做一次計(jì)算然后把其他問題按照相似度由高到低的順序排序，其中25%～75%區(qū)間內(nèi)隨機(jī)抽取一個(gè)問題，并將抽取到的問題對(duì)應(yīng)的答案作為原問題的答案，以此制作負(fù)例。此外我們還需要將數(shù)據(jù)集中的長文本切割，由于數(shù)據(jù)集中存在個(gè)別樣例中的答案文本能長達(dá)1000字符，所以需要將長文本切割為短文本。在保證切分后能保持原句語義的情況下，我們采取以下方案：

（1）將答案文本按照逗號(hào)或句號(hào)切分為短句集，將當(dāng)前答案語句的內(nèi)容置空。

（2）遍歷短句集，遍歷完成后進(jìn)入五。

（3）將當(dāng)前短句加入答案語句，如果發(fā)現(xiàn)加入后答案語句長度大于128，則短句不加入，跳轉(zhuǎn)至四，否則跳轉(zhuǎn)至二。

（4）將問題語句與當(dāng)前答案語句和標(biāo)簽制作為CSV訓(xùn)練文件，將當(dāng)前答案語句的內(nèi)容置空，跳轉(zhuǎn)至二。

（5）如果答案語句的長度小于16，則不處理并結(jié)束算法，若大于16，將問題語句與當(dāng)前答案語句和標(biāo)簽制作為CSV訓(xùn)練文件并結(jié)束算法。

本文中的自動(dòng)問答中的答案選擇模型是基于Transformer預(yù)訓(xùn)練模型的答案選擇模型，并且在嘗試與BiLSTM網(wǎng)絡(luò)結(jié)合，以及調(diào)整輸入層嘗試構(gòu)造新的模型。針對(duì)于與訓(xùn)練模型對(duì)數(shù)據(jù)量的要求，本文采取了以下策略：

（1）預(yù)訓(xùn)練模型的微調(diào)策略：采用基于遷移學(xué)習(xí)的二次微調(diào)策略，首先采用大規(guī)模答案選擇數(shù)據(jù)集進(jìn)行一次微調(diào)，之后采用目標(biāo)域數(shù)據(jù)二次微調(diào)，將預(yù)訓(xùn)練模型微調(diào)到目標(biāo)域。

（2）基于信息檢索的數(shù)據(jù)擴(kuò)充策略：對(duì)于目標(biāo)域訓(xùn)練數(shù)據(jù)問題，我們提出了利用外源知識(shí)庫，為預(yù)訓(xùn)練模型提供更為豐富的語義信息。

通過以上步驟，我們可以得到我們需要的Finetuning BERT模型，此模型的應(yīng)用過程如圖3所示：

圖3 深度學(xué)習(xí)訓(xùn)練過程Fig.3 Deep learning training procedure

數(shù)據(jù)量即訓(xùn)練時(shí)間如表2所示：

表2 訓(xùn)練集大小和訓(xùn)練時(shí)間Tab.2 Traing dataset size and training time spent

3 結(jié)語

目前此項(xiàng)目實(shí)現(xiàn)了一個(gè)較高準(zhǔn)確率和速度的法律智能問答系統(tǒng)，相信在未來有可能會(huì)出現(xiàn)在BERT模型+信息檢索技術(shù)的基礎(chǔ)上再添加一些技術(shù)的方法來繼續(xù)提高準(zhǔn)確率或速度。由于自然語言處理技術(shù)正在快速發(fā)展，不可否認(rèn)越來越多的BERT改進(jìn)版模型也在不斷提出，今后還會(huì)出現(xiàn)良好的自然語言處理方法，法律智能問答系統(tǒng)使用新技術(shù)后會(huì)在準(zhǔn)確率和速度上繼續(xù)提升，達(dá)到令用戶基本滿意的程度。并且基于此模型問答系統(tǒng)能在響應(yīng)時(shí)間和準(zhǔn)確率（通過比較模型對(duì)答案的范圍值中相關(guān)度是否大于0.5）可以認(rèn)為此系統(tǒng)符合使用習(xí)慣，準(zhǔn)確率數(shù)據(jù)如表3所示，運(yùn)行等待時(shí)間如表4所示：

表3 模型準(zhǔn)確率Tab.3 Model accuracy

表4 等待時(shí)間Tab.4 Time spent during process

計(jì)算公式如下：

準(zhǔn)確率=(預(yù)測(cè)正確的正例數(shù)+預(yù)測(cè)正確的負(fù)例數(shù)）/（測(cè)試集中的總條數(shù)）

正例準(zhǔn)確率=預(yù)測(cè)正確的正例數(shù)/測(cè)試集中的正例條數(shù)

負(fù)例準(zhǔn)確率=預(yù)測(cè)正確的負(fù)例數(shù)/測(cè)試集中的負(fù)例條數(shù)