本项目为中文分词任务baseline的代码实现，模型包括
- BiLSTM-CRF + pretrained embedding (unigram/unigram+bigram)
- BERT-base + X (softmax/CRF/BiLSTM-CRF)
- Roberta + X (softmax/CRF/BiLSTM-CRF)
本项目是 CLUENER2020 的拓展项目。
项目说明参考知乎文章：紧追SOTA！教你用Pytorch上手BERT中文分词！
数据集来源于SIGHAN 2005第二届中文分词任务中的Peking University数据集。
如有需要，这里是PKU数据集及评测脚本的百度网盘地址👇：
链接: https://pan.baidu.com/s/1yZrDSrvAXi-0mCxRp3L-sw 密码: 31qd
将数据集及评测脚本解压后放置在所用模型的./data/路径下即可。
本项目实现了中文分词任务的baseline模型，对应路径分别为：
- BiLSTM-CRF ( + pretrained embedding)
- BERT-Softmax
- BERT-CRF
- BERT-BiLSTM-CRF
其中，根据使用的预训练模型的不同，BERT-base-X 模型可转换为 RoBERTa-X 模型。
This repo was tested on Python 3.6+ and PyTorch 1.5.1. The main requirements are:
- tqdm
- scikit-learn
- pytorch >= 1.5.1
- 🤗transformers == 2.2.2
To get the environment settled, run:
pip install -r requirements.txt
需要提前下载BERT的预训练模型，包括
- pytorch_model.bin
- vocab.txt
放置在./pretrained_bert_models对应的预训练模型文件夹下，其中
bert-base-chinese模型：下载地址 。
注意，以上下载地址仅提供tensorflow版本，需要根据huggingface suggest将其转换为pytorch版本。
chinese_roberta_wwm_large模型：下载地址 。
如果觉得麻烦，pytorch版本的上述模型可以通过下方网盘链接直接获取😊：
链接: https://pan.baidu.com/s/1rhleLywF_EuoxB2nmA212w 密码: isc5
BiLSTM-CRF中使用的unigram-embedding和bigram-embedding均来自Chinese-Word-Vectors ：
Various Co-occurrence Information$\rightarrow$Character Feature$\rightarrow$Word$\rightarrow$ Character (1-2)$\rightarrow$Context Word Vectors 百度网盘下载地址 。
关于选用该文件的具体说明参见 中文字符向量 #18 。
各个模型在数据集上的结果（f1 score）如下表所示：
BERT均指Bert-chinese-base模型，RoBERTa均指RoBERTa-wwm-ext-large模型。
| 模型 | F1 Score | Recall | Precision | OOV Rate | OOV Recall | IV Recall |
|---|---|---|---|---|---|---|
| BiLSTM+CRF | 0.927 | 0.922 | 0.933 | 0.058 | 0.622 | 0.940 |
| BiLSTM+CRF (unigram) | 0.922 | 0.927 | 0.916 | 0.058 | 0.538 | 0.939 |
| BiLSTM+CRF (unigram+bigram) | 0.945 | 0.947 | 0.944 | 0.058 | 0.649 | 0.962 |
| BERT+Softmax | 0.965 | 0.961 | 0.968 | 0.058 | 0.850 | 0.968 |
| BERT+CRF | 0.965 | 0.962 | 0.969 | 0.058 | 0.858 | 0.968 |
| BERT+BiLSTM+CRF | 0.964 | 0.960 | 0.969 | 0.058 | 0.861 | 0.966 |
| RoBERTa+CRF | 0.962 | 0.960 | 0.965 | 0.058 | 0.827 | 0.968 |
我们在BiLSTM-CRF代码中实现了K折验证，结果如下：
| Model | K-fold | Average F1 Score | Average Test Loss |
|---|---|---|---|
| BiLSTM+CRF | 10 | 0.923 | 887.08 |
| BiLSTM+CRF (unigram) | 10 | 0.918 | 640.43 |
| BiLSTM+CRF (unigram+bigram) | 10 | 0.943 | 506.95 |
在./experiments/seg/config.json中设置了Bert/Roberta模型的基本参数，而在./pretrained_bert_models下的两个预训练文件夹中，config.json除了设置Bert/Roberta的基本参数外，还设置了'X'模型（如LSTM）参数，可根据需要进行更改。
环境路径以及其他超参数在./config.py中进行设置。
打开指定模型对应的目录，命令行输入：
python run.py
模型运行结束后，最优模型和训练log保存在./experiments/路径下。在测试集中的bad case保存在./case/bad_case.txt中。
本项目可以使用SIGHAN 2005官方脚本计算F1 Score等评测指标。
BiLSTM-CRF需在./data/路径下运行
perl scripts/score training_vocab.txt test.txt output.txt > score.txt
BERT + X需在./data/路径下运行
perl scripts/score training_vocab.txt test.txt res.txt > score.txt
由于Roberta模型占用显存较多，因此该项目中的BERT部分支持Multi GPU训练。BERT-base可直接设置为单卡训练。
单卡训练指令：
CUDA_VISIBLE_DEVICES=0 python -m torch.distributed.launch --nproc_per_node=1 run.py
多卡训练指令：
CUDA_VISIBLE_DEVICES=0,1,2,3 python -m torch.distributed.launch --nproc_per_node=4 run.py
后台训练：
CUDA_VISIBLE_DEVICES=0,1,2,3 nohup python -m torch.distributed.launch --nproc_per_node=4 run.py >/dev/null 2>&1
目前，当前模型的train.log已保存在./experiments/路径下，如要重新运行模型，请先将train.log移出当前路径，以免覆盖。
本项目是 CLUENER2020 的拓展项目，因此有些代码注释没有改过来，对项目运行无任何影响。