法研杯(CAIL 2019)相似案例匹配任务

比赛介绍

关于比赛和赛题详情参见比赛官网和官方 Github 链接。

简要来说，是一个法律文书相似度计算问题，所有文书来自裁判文书网的真实借贷纠纷案件。

• 问题形式：给定三个文书（A, B, C），预测A与B, C中的哪一个更为相似
• 评价指标：准确率

项目方案介绍

我们最终提交的方案主要使用了数据增广和设计了一个孪生 BERT 模型，没有进行模型集成，最终取得了第二名的成绩。

模型结构

模型设计如下：

首先，模型是一个孪生网络的结构，使用了两个共享权重的 BERT 模型，分别将 AB 和 AC 输入 BERT，将对应的 [CLS] 取出，并做一个相减运算，最后拼接一个线性层输出后进行分类，使用交叉熵计算二分类损失。

模型可以这么理解，我们认为通过模型监督任务的设计， BERT 输出的 [CLS] 可以学习出每次输入的两个句子在各种不同维度上的相似度情况，因此 Cab、Cac分别表示了 AB 的相似度，AC 的相似度，最终将两者相减，就可以对比出在各种不同维度上 AB 相似度更高还是 AC 相似度更高，最终线性层则是对这些维度进行加权，得出一个综合的相似度判定。

对比其他选手的集成模型，我们仅用如上设计的单模型就取得了相当好的效果。

数据增广

数据增广是为了解决比赛训练集中三元组样本过少的问题。我们将比赛的训练记作 (A,B,C),0 的形式，用 0 表示文书 A 与 B 更相似，1 表示文书 A 与 C 更相似。那么我们可以根据相似案例三元组的一些性质做增广，我们设计了如下几种增广：

我们在第一阶段测试过这些增广的性能提升：

可见增广会提升模型性能，此外还可以降低模型性能方差，提升鲁棒性。

尝试的其他方法

主要针对该问题的以下难点进行了尝试：

1. 文本过长

   因为bert的输入文本限制长度不超过512，我们之前的解决方案选择了从后截断。这样做丢失了一些信息。（注：其他组基于textCNN的解决方案利用了全部输入，可能这是他们能有接近bert得分的原因之一） 自然的改进思路是能不能把全部文本的信息传给模型。

   1. 尝试1： 对文本分别做position encoding编码。bert限制文本输入长度不超过512的直接原因就是其用来训练的所有样本长度都<512，而bert使用的position encoding是直接按位置编码的，故不能外推至长度超过512的文本。 我们尝试了将两个句子分别做position encoding，这样结合segmentation mask BERT应该仍然能还原出完整的位置信息。 实验结果： 两段文本各自长度不超过256时，模型可以收敛，效果差于常规position encoding。两段文本长度超过256时（实验了300，384，512），模型不收敛。
   2. 尝试2： 将文本从中间截断，分别传给两个bert模型，最后拼接FC层输出。 效果差。
   3. 尝试3： 把切分位置不同的样本放入数据集中一起训练（未作测试时增强）。效果差。
   4. 尝试4：用BERT模型的feature based方法提取句子的特征，传给LSTM，效果差，可能改用CNN+ ESIM会有效果。

2. 法律文本的特殊性

   法律文本是一种特殊的文本，尤其是本问题中遇到的借贷纠纷文本，其中的数字如金额，利率，日期均具有重要语义。同时，法律文本是有结构的，他一般分为原被告-诉求-事实-本院认定这4个段落，直接训练神经网络难以识别到这些数字和结构特征。一种可能的想法就是通过特征工程提取出这些数字特征和神经网络相结合以提升效果。 通过简单的正则表达式，我们提取了案件中的金额，利率，案发时间，各段落长度等特征，并：

   1. 做了特征的交叉，训练了一个lightgbm模型。二阶段CV得分63.2左右，比BERT模型低3-5个百分点的准确率。令人惊讶的是，该模型和BERT的预测结果的相关性只有0.44左右，这说明两个模型学到的内容相当不同。但是最终集成没有效果。
   2. 直接归一化后在FC层拼接BERT encoder的输出进行fine-tuning，没有效果。直接使用这些特征训练神经网络也不行，可能是是神经网络需要别的处理方法。

3. 三元组的问题形式

   1. 我们提交的解决方案里的模型实际上是分别对两对文书的相似性进行建模再比较，这不是唯一的建模方式。例如冠军就使用了 triplet margin loss进行训练。不知道为什么我们直接用这个损失函数训练时模型不收敛。
   2. 三元组每次前向需要推断两次BERT，训练会很慢。一种想法就是能不能把标签标记到二元组，即直接用一对文书的相似度做 训练，这样样本效率更高，推断会快些。一种简单的想法就是直接认为三元组中的AB相似度为1，AC相似度为0，但是这种做法显然是有问题的，会产生标记冲突的样本。我们尝试了计算出符合三元组标记关系的软label， 并要求这个软label和BERT原始模型的预测值相差不大。用软label训练的模型性能略差于提交解决方案里的BERT模型，但是训练要快些。最终两个模型的集成没有效果。

项目构建

运行环境

软件依赖

• Python 3.6+
• PyTorch 1.1.0+
• requirements.txt
• Windows 和 Linux 均可
• Nvidia Apex：可选，用于混合精度训练，将代码中 fp16 = False 修改为 fp16 = True 可开启 Apex。使用 apex 可以降低显存消耗并提速。 Apex 安装参见https://github.com/NVIDIA/apex#quick-start。

硬件要求

建议使用多块显卡且显存总量大于 15GB，否则需要降低 batch size。cpu 训练很慢。

我们测试了使用了多种参数和硬件资源组合，训练一个 epoch 所需的显存和时间如下（除 CPU 外都启用了混合精度训练）：

可见 CPU 基本训练不动…… GPU 的话要显存要大约 15GB 才能用本项目的默认 batch size 跑起来。 如果显存不足，可以尝试自行修改训练代码做软 batch。

代码结构和数据集

项目结构如下：

$ tree
.
├── cli_pred.py    ->  命令行交互式预测
├── data           ->  数据集
│   └── ...
├── data.py        ->  数据下载和划分
├── docker
│   └── ...
├── judger.py      ->  比赛官方的模型性能评测脚本
├── main.py        ->  比赛要求的模型调用脚本
├── model.py       ->  模型核心代码
├── requirements.txt
└── train.py       ->  训练入口

数据集

由于版权原因，本项目不提供数据集，主办方提供了第二阶段数据集的下载链接。

可以直接运行本项目的 data.py，会完成数据集的下载和处理。

处理完毕后 data 目录如下结构：

$ tree data
data
├── raw
│   └── CAIL2019-SCM-big
│       └── SCM_5k.json
├── test
│   ├── ground_truth.txt
│   └── input.txt
└── train
    └── input.txt

raw 存放原始数据集文件。train、test 则是划分产生的固定训练测试集，用于快速测试模型的可用性和性能。

训练

train.py 的 main 定义了训练参数：

if __name__ == '__main__':
    BERT_PRETRAINED_MODEL = '/bert/pytorch_chinese_L-12_H-768_A-12'
    TRAINING_DATASET = 'data/raw/CAIL2019-SCM-big/SCM_5k.json'
    test_input_path = 'data/test/input.txt'
    test_ground_truth_path = 'data/test/ground_truth.txt'
    algorithm = 'BertForSimMatchModel'
    config = {
        "max_length": 512,
        "epochs": 2,
        "batch_size": 12,
        "learning_rate": 2e-5,
        "fp16": False,
        'fp16_opt_level': 'O1',
        'max_grad_norm': 1.0,
        'warmup_steps': 0.1
    }

    trainer = BertModelTrainer(TRAINING_DATASET, BERT_PRETRAINED_MODEL, hyper_parameter, algorithm, test_input_path,test_ground_truth_path)
    trainer.train(MODEL_DIR, 1)

确保修改其中 BERT_PRETRAINED_MODEL 为 pytorch 版本的 BERT 预训练模型的路径，其他参数默认无需修改，即可开始训练：

python train.py

如想快速训练，还可以将 model.py 中的 use_augment=True 修改为 use_augment=False 停用数据增广， 时间缩短为 1/6，准确率性能如上文所述有所降低。

运行过程中会打印每一个 epoch 的 loss 和 accuracy。修改 trainer.train(MODEL_DIR, 1) 的第二个参数 k 进行 k 折交叉验证并打印每一折的性能和平均性能，k 为 1 则采用固定测试集验证。

训练完毕后模型存储在 model 目录下。

测试、评价

main.py、judger.py 分别是比赛主办方给出的线上测试和评分脚本。 可以运行这两个脚本模拟比赛线上评测过程。

我们使用项目 data/test 目录下划分好的测试数据进行预测和评分：

预测：

INPUT_FILE=data/test/input.txt
PREDICT_OUTPUT_FILE=data/test/output.txt
python main.py $INPUT_FILE $PREDICT_OUTPUT_FILE

测试完会将结果写入 PREDICT_OUTPUT_FILE。

评分：

PREDICT_OUTPUT_FILE=data/test/output.txt
GROUND_TRUTH_FILE=data/test/ground_truth.txt
python judger.py $GROUND_TRUTH_FILE $PREDICT_OUTPUT_FILE

运行后会输出模型准确率。

使用 Docker 构建

参见 docker 目录下的文档。

致谢

感谢队友 @raven4752 提出的大量 idea 以及对本项目的参与和贡献!