比赛简介

主办方提供了商品名称和用户query数据供选手进行模型训练，希望选手能够设计出一套高效、精准的商品意图识别模型，以帮助提升电商搜索的效果，改善顾客的购买体验。

其中提供了两份数据，一个是goods_data.csv是商品名称数据，一个是query_data.csv是用户query数据，共39470条

前期我们做的尝试比较多，后面差不多烂尾了，庆幸b榜还在第一页，下面介绍下我们队伍的比赛思路。

数据处理

由于本赛题数据分类一个质量比较高的goods数据，一个是用户场景下的query数据（相对有噪音），前期我们尝试单独训练goods或者query数据效果不是很好，goods数据容易过拟合，query数据比较难收敛，后续实验我们选择将两份数据进行合并训练，效果得到明显提升。

文本长度统计如下：商品名称数据中 文本字符长度最大为39，最小为6。我们在训练中选择了覆盖绝大部分数据长度的大小26，其余没有做过多尝试。

数据划分

由于本赛题的样本的标签分布不均衡，我们采用多折分层采样的方式进行划分训练集，然后输入到模型进行训练，直接采用sklearn的StratifiedKFold

from sklearn.model_selection import StratifiedKFold

模型设计

由于Bert等预训练模型变体效果要好于传统NLP建模方法，我们一开始实验是从预训练模型开始建模的，对比了几个模型变体之间的效果，其中本次比赛给出的baseline ernie模型效果比较好，尝试了开放的ernie3.0效果不如1.0；其次nezha 效果和chinese-roberta-wwm也不错。

• ernie-1.0
• nezha
• chinese-roberta-wwm

训练优化

我们尝试了一些NLP训练优化方法，

• 对抗训练：尝试了FGM/PGD，其中PGD没有效果，FGM在chinese-roberta-wwm模型有提升效果

class FGM():
    def __init__(self, model):
        self.model = model
        self.backup = {}
    def attack(self, epsilon=1., emb_name='word_embeddings'):
        # emb_name这个参数要换成你模型中embedding的参数名
        for name, param in self.model.named_parameters():
            if param.requires_grad and emb_name in name:
                self.backup[name] = param.data.clone()
                norm = torch.norm(param.grad)
                if norm != 0 and not torch.isnan(norm):
                    r_at = epsilon * param.grad / norm
                    param.data.add_(r_at)
    def restore(self, emb_name='emb.'):
        # emb_name这个参数要换成你模型中embedding的参数名
        for name, param in self.model.named_parameters():
            if param.requires_grad and emb_name in name: 
                assert name in self.backup
                param.data = self.backup[name]
        self.backup = {}

• 模型泛化：加入了MultiDropout、Rdrop，其中Rdrop在nezha模型提升比较明显

import torch.nn.functional as F

# define your task model, which outputs the classifier logits
model = TaskModel()

def compute_kl_loss(self, p, q, pad_mask=None):
    
    p_loss = F.kl_div(F.log_softmax(p, dim=-1), F.softmax(q, dim=-1), reduction='none')
    q_loss = F.kl_div(F.log_softmax(q, dim=-1), F.softmax(p, dim=-1), reduction='none')
    
    # pad_mask is for seq-level tasks
    if pad_mask is not None:
        p_loss.masked_fill_(pad_mask, 0.)
        q_loss.masked_fill_(pad_mask, 0.)


    p_loss = p_loss.sum()
    q_loss = q_loss.sum()

    loss = (p_loss + q_loss) / 2
    return loss

# keep dropout and forward twice
logits = model(x)

logits2 = model(x)

# cross entropy loss for classifier
ce_loss = 0.5 * (cross_entropy_loss(logits, label) + cross_entropy_loss(logits2, label))

kl_loss = compute_kl_loss(logits, logits2)

# carefully choose hyper-parameters
loss = ce_loss + α * kl_loss

• ema在nezha模型有提升效果

class EMA():
    def __init__(self, model, decay):
        self.model = model
        self.decay = decay
        self.shadow = {}
        self.backup = {}
 
    def register(self):
        for name, param in self.model.named_parameters():
            if param.requires_grad:
                self.shadow[name] = param.data.clone()
 
    def update(self):
        for name, param in self.model.named_parameters():
            if param.requires_grad:
                assert name in self.shadow
                new_average = (1.0 - self.decay) * param.data + self.decay * self.shadow[name]
                self.shadow[name] = new_average.clone()
 
    def apply_shadow(self):
        for name, param in self.model.named_parameters():
            if param.requires_grad:
                assert name in self.shadow
                self.backup[name] = param.data
                param.data = self.shadow[name]
 
    def restore(self):
        for name, param in self.model.named_parameters():
            if param.requires_grad:
                assert name in self.backup
                param.data = self.backup[name]
        self.backup = {}
 
# 初始化
ema = EMA(model, 0.999)
ema.register()
 
# 训练过程中，更新完参数后，同步update shadow weights
def train():
    optimizer.step()
    ema.update()
 
# eval前，apply shadow weights；eval之后，恢复原来模型的参数
def evaluate():
    ema.apply_shadow()
    # evaluate
    ema.restore()

模型融合

为了避免模型抖动，我们主要依赖线下cv分数以及a榜分数，对模型设置权重进行加权融合，具体融合方式如下：

其中preden1可以是模型融合的结果，然后基于它的分数再去分配其他两个单模的分数

比赛结论

本次比赛数据因为长度比较短以及粒度为实体名词级别的，ernie效果比较好，确实是意外之喜。由于时间问题有些想法还是没有去做尝试，主要有：

• 数据增强
• AWP对抗训练
• 投票融合等

希望其他前排大佬可以多多交流