Kaggle知识点：BERT Prompt文本分类

文章目录[隐藏]

Prompt介绍
BERT与Prompt使用
Prompt搜索方法
Prompt方法局限性
案例：Prompt文本分类
参考文献

Prompt介绍

Prompt是NLP的一个新领域。在Prompt中任务的描述被嵌入到输入中，提供了一种新的方式来控制机器学习模型输出。

Prompt是利用预训练语言模型在大量文本数据上获得的知识，来解决各种下游任务。Prompt的优势是它可以减少或者避免对预训练模型进行微调，节省计算资源和时间，同时保持或者提高模型的性能和泛化能力。

Prompt的方法是根据不同的任务和数据，设计合适的输入格式，包括问题，上下文，前缀，后缀，分隔符等。

BERT与Prompt使用

Prompt可用于提高BERT的句子表示能力，通过在BERT的输入中加入一些特定的词语作为Prompt，引导BERT生成更好的句子向量

方法1：在句子的开头或结尾加入Prompt
方法2：在句子的中间加入Prompt

Prompt搜索方法

Prompt的搜索方法找到最优的Prompt，能最大化BERT表示能力的Prompt。目前有三种主要的搜索方法：

随机搜索：随机生成一些Prompt，然后用它们作为BERT的输入，计算BERT的输出向量与目标向量的相似度，选择相似度最高的Prompt作为最优的Prompt。
贪心搜索：从一个空的Prompt开始，每次在Prompt的末尾加入一个词，然后用它作为BERT的输入，计算BERT的输出向量与目标向量的相似度，选择相似度最高的词作为Prompt的一部分，直到达到一个预设的长度或者相似度阈值。
强化学习搜索：将Prompt的生成视为一个序列决策问题，使用强化学习的算法，来优化一个策略网络，根据一个奖励函数来更新网络的参数。

Prompt方法局限性

BERT + Prompt的优势是能够利用Prompt来引导BERT生成更好的句子向量，从而提高句子表示的质量和多样性

句子相似度，文本分类，文本检索等，BERT + Prompt可能会比原始BERT模型有效。文本生成的任务，如文本摘要，文本复述，文本续写等，BERT + Prompt可能不一定比原始BERT模型有效。

Prompt适合进行多任务进行建模，比如多个文本任务一起进行训练。因此在单个任务中，Prompt并不会增加模型精度。在现有文本分类比赛中暂时还没看到Prompt的使用案例。

案例：Prompt文本分类

输入文本：

It was [mask]. 文本输入样例

将[MASK]输出接全连接层，进行分类。

步骤1：定义模型

class Bert_Model(nn.Module): def __init__(self, bert_path ,config_file ): super(Bert_Model, self).__init__() self.bert = BertForMaskedLM.from_pretrained(bert_path,config=config_file)# 加载预训练模型权重def forward(self, input_ids, attention_mask, token_type_ids): outputs = self.bert(input_ids, attention_mask, token_type_ids)#masked LM 输出的是 mask的值 对应的ids的概率 ，输出 会是词表大小，里面是概率logit = outputs[0]# 池化后的输出 [bs, config.hidden_size]

returnlogit

步骤2：定义数据集

class MyDataSet(Data.Dataset): def __init__(self, sen , mask , typ ,label ): super(MyDataSet, self).__init__() self.sen = torch.tensor(sen,dtype=torch.long) self.mask = torch.tensor(mask,dtype=torch.long) self.typ =torch.tensor( typ,dtype=torch.long) self.label = torch.tensor(label,dtype=torch.long) def __len__(self):returnself.sen.shape[0] def __getitem__(self, idx):returnself.sen[idx], self.mask[idx],self.typ[idx],self.label[idx]

步骤3：对文本加入Prompt

prefix ='It was [mask]. '

foriinrange(len(x_train)):
text_ = prefix+x_train[i][0]
encode_dict = tokenizer.encode_plus(text_,max_length=60,padding="max_length",truncation=True)

步骤4：模型训练与预测

optimizer = AdamW(model.parameters(),lr=2e-5,weight_decay=1e-4)#使用Adam优化器loss_func = nn.CrossEntropyLoss(ignore_index=-1)

foridx,(ids,att_mask,type,y)inenumerate(train_dataset):
ids,att_mask,type,y = ids.to(device),att_mask.to(device),type.to(device),y.to(device)
out_train = model(ids,att_mask,type)
loss = loss_func(out_train.view(-1, tokenizer.vocab_size),y.view(-1))
optimizer.zero_grad()
loss.backward()
optimizer.step()
train_loss_sum += loss.item()