自然语言处理 Paddle NLP - 检索式文本问答-理论

问答系统(Question Answering System,QA) 是信息检索系统的一种高级形式，它能用准确、简洁的自然语言回答用户用自然语言提出的问题。其研究兴起的主要原因是人们对快速、准确地获取信息的需求。问答系统是人工智能.

抽取式阅读理解：它的答案一定是段落里的一个片段，所以在训练前，先要找到答案的起始位置和结束位置，模型只需要预测这两个位置，有点像序列标注的任务，对一段话里的每个字，都会预测两个值，预测是开始位置还是结尾位置的概率，相当于对每个字来讲，都是一个二分类的任务

机器阅读技术：2011年7月20日，姚明正式宣布退役 => 姚明哪一年退役

500万的维基百科文档

检索式问答：先做段落检索、再做答案抽取

阅读理解：

郭鹤年 => 郭鹤，3个字里面对了2个 => 2/3， 完全匹配 => 1，f1(2/3,1) => 0.8

SQuAD（2016） 只能做抽取，数据量是训练深度神经网络的关键要素，数据集有着很大的影响力很多精典的阅读理解模型，也是基于SQuAD做的

DuReader(2017) 百度2017年发布的，迄今为止最大的中文阅读理解数据集，相比较 SQuAD,除了实体类、描述类和事实类的问题，还包含了是非类和观点类的问题

抽取式阅读理解，它的答案一定是段落里的一个片段，所以在训练前，先要找到答案的起始位置和结束位置，模型只需要预测这两个位置，有点像序列标注的任务，对一段话里的每个字，都会预测两个值，预测是开始位置还是结尾位置的概率，相当于对每个字来讲，都是一个二分类的任务

基于LSTM+注意力机制，核心思想就是如何对问题和段落进行交互和语义理解，一般就是在模型里面加各种 attention，各种复杂的模型结构基本上能总结成图中的形式，一般分为四层，

• 向量表示层：主要负责把问题和段落里的token映射成一个向量表示
• 语义编码层：使用RNN来对问题和段落进行编码，编码后，每一个token的向量都包含了上下文的语义信息
• 交互层：最重要的一层，也是大多数研究工作的一个重点，负责捕捉问题和段落之间的交互信息，把问题的向量，和段落的向量做各种交互，一般使用各种注意力机制。最后它会输出一个融合了问题的语义信息的段落表示。
• 答案预测层：会在段落表示的基本上，预测答案的位置，也就是预测答案的开始位置和结尾位置
  LSTM 是一个比较基本的模型结构
  
  注意力机制，来源于图像，在看一张图片的时候，就会聚焦到图片上的某些地方，通过图片上一些重点地方，获取到主要的信息。
  比如图片里是小狗，看到了狗的耳朵、鼻子就能判断出这是小狗。这时候注意力就集中在狗的脸部上。
  对于文本也一样，文本的问题和段落匹配过程中，也会聚焦到不同的词上面，比如：香格里拉酒店老板是谁？段落：香格里拉是香港上市公司品牌隶属于郭氏集团。
  对于问题香格里拉这个词，在段落文本中更关心香格里拉这个词，带着问题读本文时，所关注点是不一样的。如：老板这个词，关注力在隶属于上。
  如果问题是：香格里拉在哪里上市的，那么对于文本的关注点就在“上市公司”上了
  注意力机制，就是获取问题和段落文本交互信息的一个重要手段

理论形式：给定了一个查询向量Query，以及一些带计算的值Value，通过计算查询向量跟Key的注意力分布，并把它附加在Value上面，计算出 attention 的值。

• Query 向量是问题，
• Value 对应段落里面编码好的语义表示，
• key 是问题向量和文本向量做内积之后做归一化，代表了每个词的权重
  最后对这些 Value 根据这些权重，做加权求和，最后得到了文本经过attention之后的值

一般会事先定义一个候选库，也就是大规模语料的来源，然后从这个库里面检索，检索出一个段落后，再在这个段路上做匹配。

基于预训练语言模型（eg.BERT）

领导A训练好的模型，在领域B应用

• 通过多任务学习、迁移学习等提升模型的泛化能力
• MRQA 2019 Shared Task
  

过稳定：对于不同的提问，给出相同的答案

过敏感：对于相同语义的提问，给出不同的答案

提高阅读模型鲁棒性的方法：

• 通过对抗样本生成、复述生成等方法提升模型的鲁棒性
• DuReader-Robust、DuReader-Checklist
  千言数据集：https://aistudio.baidu.com/aistudio/competition/detail/49

段落检索

稀疏向量检索：双塔

• 基于词的稀疏表示
• 匹配能力有限，只能捕捉字面匹配
• 不可学习

把文本表示成 one hot （拼写可能有错）的形式，常见的有 TFDF、BM？

文章编码成向量，向量的长度和词典的大小一致，比如词典的大小是3W，稀疏向量表示3W，

每个位置表示这个词有没有在问题中出现过，出现过就是1

倒排索引，一般采用稀疏向量方式，只能做字面匹配

稀疏向量，几百、上千万的文档都支持

稠密向量检索：单塔

• 基于对偶模型结构，进行稠密向量表示
• 能够建模语义匹配
• 可学习的

把文本表示成稠密向量，也就是 Embedding，需要通过模型，对文本的语义信息进行建模，然后把信息记录在向量里，这边的向量长度，一般是128、256、768，相较于稀疏向量检索小很多，每个位置的数字是浮点数

一般通过对偶模型的结构进行训练，来获得建模的语义向量，

例：

Q：王思聪有几个女朋友

P：国民老公的恋人A、B、C......

如果通过 稀疏向量检索，可能完全匹配不到

稠密向量检索，可以学习到，国民老公=>王思聪，恋人=> 女朋友

两者可以互补，一个字面匹配，一个是语义匹配

文本匹配中的两种模型结构

• 对偶式模型结构：问题、段落分别编码，得到各自的 Embedding,然后通过内积或者 cosin 来计算向量之间的相似度，这个相似度代表了问题和段落之间的匹配程度
  问题和段落之间难以交互，因为他们是分别编码的。底层没有交互，所以逻辑会弱些
  可以快速索引，可以提前把段落向量这边计算好
• 交互式模型结构：输入把问题和段落拼一起，在中间交互层问题的文本和段落的文本会有个完全的交互。最后输出一个来表示问题和段落的匹配程度

对偶模型的参数可以共享，共享参数对字面匹配效果好些，不共享效果也差不了太多

实际应用中，把所有的文档都计算完，把向量存储下来。在线计算时，直接去检索

DPR

正例和强负例 1:1 ,弱负例 越多越好

强负例：和文档有些关系

弱负例：和文档内容不相关的。

一般做检索，不会把正例表得那么完整，在标注时，也是通过一个query，先去检索出一些候选的段落，在候选段落里，去标正例和负例，这样因为检索能力的限制，可能没有检索回来的一些段落就没有标注，这样会导致数据集中漏标，所以实际上在训练过程中会对这些漏标的数据集进行处理，有些数据集只标了正例，并没有负例，这时候负例只能通过一些方式去构造

推荐阅读

• Reading Wikipedia to Answer Open-domain Questions
• Bi-DirectionalAttentionFlowForMachineComprehension
• Machine Comprehension UsingMatch-LSTMand Answer Pointer
• Dense Passage Retrieval for Open-Domain Question Answering
• Latent Retrieval for Weakly Supervised Open Domain Question Answering
• Sparse, Dense, and Attentional Representations for Text Retrieval
• REALM:Retrieval-Augmented Language Model Pre-Training
• RocketQA: An Optimized Training Approach to Dense Passage Retrieval for Open-Domain Question Answering