- 文本匹配是NLP中一个重要的基础问题，NLP中的许多任务都可以抽象为文本匹配任务，其通常以文本相似度计算、文本相关性计算的形式，在应用系统中起核心支撑作用。
- 文本匹配任务位于./applications/tasks/text_matching
.
├── data ### 示例数据文件夹，包括各任务所需的训练集、测试集、验证集和预测集
│ ├── dev_data
│ │ └── dev.txt
│ ├── dev_data_tokenized
│ │ └── dev.txt
│ ├── dict
│ │ └── vocab.txt
│ ├── download_data.sh
│ ├── predict_data
│ │ └── infer.txt
│ ├── predict_data_tokenized
│ │ └── infer.txt
│ ├── test_data
│ │ └── test.txt
│ ├── test_data_tokenized
│ │ └── test.txt
│ ├── train_data_pairwise
│ │ └── train.txt
│ ├── train_data_pairwise_tokenized
│ │ └── train.txt
│ └── train_data_pointwise
│ └── train.txt
├── data_set_reader ### 与匹配任务相关的数据读取代码
│ └── ernie_classification_dataset_reader.py ### 使用ERNIE的FC匹配任务专用的数据读取代码
├── examples ### 各典型网络的json配置文件，infer后缀的为对应的预测配置文件
│ ├── mtch_bow_pairwise_ch_infer.json
│ ├── mtch_bow_pairwise_ch.json
│ ├── mtch_ernie_fc_pointwise_ch_infer.json
│ ├── mtch_ernie_fc_pointwise_ch.json
│ ├── mtch_ernie_pairwise_simnet_ch_infer.json
│ ├── mtch_ernie_pairwise_simnet_ch.json
│ ├── mtch_ernie_pointwise_simnet_ch_infer.json
│ └── mtch_ernie_pointwise_simnet_ch.json
├── inference ### 模型预测代码
│ └── custom_inference.py ### 文本匹配任务通用的模型预测代码
├── model ### 文本匹配任务相关的网络文件
│ ├── base_matching.py
│ ├── bow_matching_pairwise.py
│ ├── ernie_matching_fc_pointwise.py
│ ├── ernie_matching_siamese_pairwise.py
│ └── ernie_matching_siamese_pointwise.py
├── run_infer.py ### 依靠json进行模型预测的入口脚本
├── run_trainer.py ### 依靠json进行模型训练的入口脚本
└── trainer ### 模型训练和评估代码
├── custom_dynamic_trainer.py ### 动态库模式下的模型训练评估代码
└── custom_trainer.py ### 静态图模式下的模型训练评估代码
- 在文心中，基于ERNIE的模型都不需要用户自己分词和生成词表文件，非ERNIE的模型需要用户自己提前切好词，词之间以空格分隔，并生成词表文件。切词和词表生成可以使用「分词工具与词表生成工具」进行处理。
- 文心中的所有数据集、包含词表文件、label_map文件等都必须为为utf-8格式，如果你的数据是其他格式，请使用「编码识别及转换工具」进行格式转换。
- 在文本匹配任务中，根据其训练方式的不同，训练集分为Pointwise和Pairwise两种格式，测试集、验证集和预测集的格式相同。
- 非ERNIE数据的pointwise训练集、pairwise训练集、测试集、验证集和预测集分别存放在./applications/tasks/text_matching/data目录下的train_data_pointwise_tokenized、train_data_pairwise_tokenized、test_data_tokenized、dev_data_tokenized和predict_data_tokenized文件夹下。
- ERNIE数据的pointwise训练集、pairwise训练集、测试集、验证集和预测集分别存放在./applications/tasks/text_matching/data目录下的train_data_pointwise、train_data_pairwise、test_data、dev_data和predict_data文件夹下。
- Pointwise训练集：数据分为三列，列与列之间用**\t**分割。前两列为文本，最后一列为标签。
喜欢 打篮球 的 男生 喜欢 什么样 的 女生 爱 打篮球 的 男生 喜欢 什么样 的 女生 1
我 手机 丢 了 ， 我 想 换 个 手机 我 想 买 个 新手机 ， 求 推荐 1
大家 觉得 她 好看 吗 大家 觉得 跑 男 好看 吗 ？ 0
- Pairwise训练集：数据分为三列，列与列之间用**\t**分割，以query和文章标题匹配任务为例，第一列为query，第二列为正例标题pos_titile，第三列为负例标题neg_title。
喜欢 打篮球 的 男生 喜欢 什么样 的 女生 爱 打篮球 的 男生 喜欢 什么样 的 女生 爱情 里 没有 谁 对 谁错 吗 ？
我 手机 丢 了 ， 我 想 换 个 手机 我 想 买 个 新手机 ， 求 推荐 剑灵 高级 衣料 怎么 得
大家 觉得 她 好看 吗 大家 觉得 跑 男 好看 吗 ？ 照片 怎么 变成 漫画
- 测试集/验证集样例如下所示，数据分为三列，列与列之间用**\t**进行分隔，前两列为文本，最后一列为标签。
我 姓 王 图片 怎么 制作 制作 文字 图片 0
为什么 鱼 会 被 淹死 为什么 鱼 会 淹死 1
深圳 如何 过 澳门 深圳 去 澳门 该 怎样 去 1
- 预测集样例如下所示，预测集无需进行标签预占位，数据为两列文本，两列文本之间使用**\t**进行分隔。
图片 上 得 牌子 是 什么 图片 上 是 什么 牌子 的 包
芹菜 包 什么 肉 好吃 芹菜 炒 啥 好吃
汽车 坐垫 什么 牌子 好 ？ 什么 牌子 的 汽车 坐垫 好
- 非ERNIE模型的词表文件示例存放在**./applications/tasks/text_matching/data/dict/vocab.txt**：词表分为两列，第一列为词，第二列为id（从0开始），列与列之间用**\t进行分隔。文心的词表中，**[PAD]、[CLS]、[SEP]、[MASK]、[UNK]这5个词是必须要有的，若用户自备词表，需保证这5个词是存在的。部分词表示例如下所示：
[PAD] 0
[CLS] 1
[SEP] 2
[MASK] 3
的 4
这个 5
您好 6
...
[UNK] 1566
- ERNIE数据集与非ERNIE数据集格式一致，不同之处在于不用分词
- Pointwise训练集：数据分为三列，列与列之间用**\t**分割。前两列为文本，最后一列为标签。
喜欢打篮球的男生喜欢什么样的女生 爱打篮球的男生喜欢什么样的女生 1
我手机丢了，我想换个手机 我想买个新手机，求推荐 1
大家觉得她好看吗 大家觉得跑男好看吗？ 0
求秋色之空漫画全集 求秋色之空全集漫画 1
晚上睡觉带着耳机听音乐有什么害处吗？ 孕妇可以戴耳机听音乐吗? 0
- Pairwise训练集：数据分为三列，列与列之间用**\t**分割，以query和文章标题匹配任务为例，第一列为query，第二列为正例标题pos_titile，第三列为负例标题neg_title。
喜欢打篮球的男生喜欢什么样的女生 爱打篮球的男生喜欢什么样的女生 这边的状态显示是等待确认的
我手机丢了，我想换个手机 我想买个新手机，求推荐 求一本小说是和攻撕逼的
大家觉得她好看吗 大家觉得跑男好看吗？ 四川商务职业学院好不好呀
求秋色之空漫画全集 求秋色之空全集漫画 杂志社摄影照片投稿
晚上睡觉带着耳机听音乐有什么害处吗？ 孕妇可以戴耳机听音乐吗? 给姓全的男生起外号
- ERNIE数据集与非ERNIE数据集格式一致，不同之处在于不用分词
- 测试集/验证集样例如下所示，数据分为三列，列与列之间用**\t**进行分隔，前两列为文本，最后一列为标签。
尺有所短，后面是什么 尺有所短，后面写什么 1
为什么恐怖片会吓死人 为什么恐怖片会吓死人？ 1
这是什么舞？(图片) 这是什么枪图片如下 0
这是什么意思，翻译一下 翻译一下这是什么意思 1
- ERNIE数据集与非ERNIE数据集格式一致，不同之处在于不用分词
- 预测集样例如下所示，预测集无需进行标签预占位，数据为两列文本，两列文本之间使用**\t**进行分隔。
海 尔 全 自 动 洗 衣 机 怎 么 样 海 尔 全 自 动 洗 衣 机 怎 么 样 海 尔 全 自 动 洗 衣 机 怎 么 用 海 尔 全 自 动 洗 衣 机 怎 么 用
在 家 电 脑 做 什 么 兼 职 好 呢 在 家 电 脑 做 什 么 兼 职 好 呢 两 台 电 脑 做 什 么 兼 职 好 呢 两 台 电 脑 做 什 么 兼 职 好 呢
这 是 什 么 动 漫 的 图 片 啊 } 这 是 什 么 动 漫 的 图 片 啊 } 这 是 动 漫 还 是 图 片 这 是 动 漫 还 是 图 片
- ERNIE词表文件格式与非ERNIE的格式一致，ERNIE词表由文心model提供，./applications/models_hub路径下各ERNIE模型文件夹下存在着对应的词表文件，用户可根据需要进行选择，具体示例如下所示：
[PAD] 0
[CLS] 1
[SEP] 2
[MASK] 3
， 4
的 5
、 6
一 7
人 8
- 文心预置的可用于文本分类的模型源文件在applications/tasks/text_matching/model目录下，在介绍具体的模型前先对文本匹配网络涉及到的概念进行描述。
- Pointwise/Pairwise
- Pointwise：输入两个文本和一个标签，可看作为一个分类问题，即判断输入的两个文本是否匹配。
- Pairwise：输入为三个文本，分别为Query以及对应的正样本和负样本，该训练方式考虑到了文本之间的相对顺序。
- 单塔/双塔
- 单塔：先将输入文本合并，然后输入到单一的神经网络模型。
- 双塔：对输入文本分别进行编码成固定长度的向量，通过文本的表示向量进行交互计算得到文本之间的关系。
- 各个模型的特点如下所示：
| 网络名称（py文件的类名） |
简介 |
支持类型 |
支持预训练模型 |
| BowMatchingPairwise(bow_matching_pairwise.py) |
词袋模型，不考虑句子语序，用一组无序单词来表达一段文本；Pairwise双塔模型。 |
Pairwise |
ERNIE2.0-Base、ERNIE2.0-large、ERNIE3.0-Base、ERNIE3.0-x-Base、ERNIE3.0-Medium |
| ErnieMatchingFcPointwise(ernie_matching_fc_pointwise) |
增加ERNIE预训练模型，下游网络为基础的文本匹配模型，可以任意搭配其他各种经典网络；Pointwise单塔模型。 |
Pointwise |
ERNIE2.0-Base、ERNIE2.0-large、ERNIE3.0-Base、ERNIE3.0-x-Base、ERNIE3.0-Medium |
| ErnieMatchingSiamesePairwise(ernie_matching_siamese_pairwise.py) |
增加ERNIE预训练模型，下游网络采用余弦相似度作为匹配度计算，损失函数为合页损失函数；Pairwise双塔模型。 |
Pairwise |
ERNIE2.0-Base、ERNIE2.0-large、ERNIE3.0-Base、ERNIE3.0-x-Base、ERNIE3.0-Medium |
| ErnieMatchingSiamesePointwise(ernie_matching_siamese_pointwise.py) |
增加ERNIE预训练模型，下游网络采用长短期记忆网络，可较好地处理序列文本中长距离依赖的问题；Pointwise双塔模型； |
Pointwise |
ERNIE2.0-Base、ERNIE2.0-large、ERNIE3.0-Base、ERNIE3.0-x-Base、ERNIE3.0-Medium、ERNIE-M |
- 文心提供的ERNIE预训练模型的下载脚本在applications/models_hub目录下，各预训练模型可由对应的download_xx.sh文件下载得到，用户可根据需求自行下载。其中，ernie_config.json为ERNIE预训练模型的配置文件，vocab.txt为ERNIE预训练模型的词表文件，params目录为ERNIE预训练模型的参数文件目录。
| 模型名称 |
下载脚本 |
备注 |
| ERNIE2.0-Base |
sh download_ernie_2.0_base_ch.sh |
下载并解压后得到对应模型的参数、字典和配置 |
| ERNIE2.0-large |
sh download_ernie_2.0_large_ch.sh |
|
| ERNIE3.0-Base |
sh download_ernie_3.0_base_ch.sh |
|
| ERNIE3.0-x-Base |
sh download_ernie_3.0_x_base_ch.sh |
|
| ERNIE3.0-Medium |
sh download_ernie_3.0_medium.sh |
|
匹配任务常用的指标有：Acc（准确率）、Precision（精确率）、Recall（召回率）、pn（正逆序比）、Auc、F1等
- 非ERNIE网络，优先考虑CPU机器
- ERNIE网络优先考虑GPU机器，显存大小最好在10G以上。
- 进入指定任务目录./applications/tasks/text_matching
cd ./applications/tasks/text_matching
- 配置文件：在./example目录下，根据不同的模型有4种配置文件
- mtch_bow_pairwise_ch.json：BowMatchingPairwise模型的配置文件
- mtch_ernie_fc_pointwise_ch.json：ErnieMatchingFcPointwise模型的配置文件
- mtch_ernie_pairwise_simnet_ch.json：ErnieMatchingSiamesePairwise模型的配置文件
- mtch_ernie_pointwise_simnet_ch.json：ErnieMatchingSiamesePointwise模型的配置文件
├── examples ### 各典型网络的json配置文件，infer后缀的为对应的预测配置文件
│ ├── mtch_bow_pairwise_ch.json
│ ├── mtch_ernie_fc_pointwise_ch.json
│ ├── mtch_ernie_pairwise_simnet_ch.json
│ └── mtch_ernie_pointwise_simnet_ch.json
- 使用run_trainer.py脚本加载不同的配置文件从而训练不同的模型
#训练BowMatchingPairwise模型
python run_trainer.py --param_path ./examples/mtch_bow_pairwise_ch.json
#训练ErnieMatchingFcPointwise模型
python run_trainer.py --param_path ./examples/mtch_ernie_fc_pointwise_ch.json
#训练ErnieMatchingSiamesePairwise模型
python run_trainer.py --param_path ./examples/mtch_ernie_pairwise_simnet_ch.json
#训练ErnieMatchingSiamesePointwise模型
python run_trainer.py --param_path ./examples/mtch_ernie_pointwise_simnet_ch.json
- 配置文件：在./example目录下，根据不同的模型有4种配置文件，需要根据具体情况修改配置文件下加载模型的路径（json配置文件中“inference_model_path”关键字）
- mtch_bow_pairwise_ch_infer.json：BowMatchingPairwise模型的配置文件
- mtch_ernie_fc_pointwise_ch_infer.json：ErnieMatchingFcPointwise模型的配置文件
- mtch_ernie_pairwise_simnet_ch_infer.json：ErnieMatchingSiamesePairwise模型的配置文件
- mtch_ernie_pointwise_simnet_ch_infer.json：ErnieMatchingSiamesePointwise模型的配置文件
- 在配置文件中需要更改 inference.inference_model_path 为上面训练过程中所保存的预测模型的路径
├── examples ### 各典型网络的json配置文件，infer后缀的为对应的预测配置文件
│ ├── mtch_bow_pairwise_ch_infer.json
│ ├── mtch_ernie_fc_pointwise_ch_infer.json
│ ├── mtch_ernie_pairwise_simnet_ch_infer.json
│ ├── mtch_ernie_pointwise_simnet_ch_infer.json
#预测BowMatchingPairwise模型
python run_infer.py --param_path ./examples/mtch_bow_pairwise_ch_infer.json
#预测ErnieMatchingFcPointwise模型
python run_infer.py --param_path ./examples/mtch_ernie_fc_pointwise_ch_infer.json
#预测ErnieMatchingSiamesePairwise模型
python run_infer.py --param_path ./examples/mtch_ernie_pairwise_simnet_ch_infer.json
#预测ErnieMatchingSiamesePointwise模型
python run_infer.py --param_path ./examples/mtch_ernie_pointwise_simnet_ch_infer.json
