SimCSE复现

项目描述

微信公众号【YeungNLP】文章：SimCSE：简单有效的句向量对比学习方法

SimCSE是一种简单但是很巧妙的NLP对比学习方法，创新性地引入Dropout的方式，对样本添加噪声，从而达到对正样本增强的目的。 该框架的训练目的为：对于batch中的每个样本，拉近其与正样本之间的距离，拉远其与负样本之间的距离，使得模型能够在大规模无监督语料（也可以使用有监督的语料）中学习到文本相似关系。 详见论文：Simple Contrastive Learning of Sentence Embeddings 和SimCSE官方代码仓库 。

本项目使用pytorch+transformers复现了SimCSE论文中的有监督训练和无监督训练方法，并且在STS-B数据集上进行消融实验，评价指标为Spearman相关系数，预训练模型为Bert-base-uncased， 验证了SimCSE的有效性。在STS-B数据集上，有监督训练和无监督训练的复现效果如下表。

在无监督训练中，dropout=0.1时，复现效果比原文略差，但也比较接近。当dropout=0.2时，复现效果比原文略高。 但在有监督训练中，不知是否由于batch size过小（原论文使用512），复现效果与论文的效果相差较远，后续会进行排查。

运行环境

python==3.6、transformers==3.1.0、torch==1.6.0

项目结构

• data：存放训练数据
  • stsbenchmark：STS-B数据集
    • sts-dev.csv：STS-B验证集
    • sts-test.csv：STS-B验测试集
  • nli_for_simcse.csv:数量275601为的NLI数据集
  • wiki1m_for_simcse.txt:维基百科上获取的100w的文本
• output:输出目录
• pretrain_model：预训练模型存放位置
• script：脚本存放位置。
• dataset.py
• model.py：模型代码，包含有监督和无监督损失函数的计算方式
• train.py:训练代码

使用方法

Quick Start

下载训练数据：

bash script/download_nli.sh
bash script/download_wiki.sh

无监督训练，运行脚本

bash script/run_unsup_train.sh

有监督训练，运行脚本

bash script/run_sup_train.sh

实验

无监督训练

从前四条实验数据中可以看到，较大的batch size在一定程度上可以增加模型的泛化性。

dropout为0.2的时候，训练效果比0.1与0.3更好，有可能dropout=0.1加入的噪声过小，而dropout=0.3加入的噪声过大，增强得到的样本与原始样本差异较大。

有监督训练

有监督实验的复现结果未达到预期，超参数相同时，在验证集上的得分略高于无监督，但是在测试集上，得分基本没有差异。增大有监督训练的学习率，有监督的训练的得分略高于无监督训练， 但还是与论文声称的0.816相差较远，原论文使用512的batch size， 不知是否由于batch size的设置有关，后续会对有监督的训练代码进一步排查。

不过从训练曲线可以看到，有监督训练的收敛速度明显快于无监督训练，这也符合我们的认知。

无监督训练过程中，验证集得分的变化曲线：

有监督训练过程中，验证集得分的变化曲线：

REFERENCE

• https://arxiv.org/pdf/2104.08821.pdf
• https://github.com/princeton-nlp/SimCSE
• https://kexue.fm/archives/8348
• https://github.com/bojone/SimCSE

TODO

• 排查有监督学习的效果不符合预期的原因