簡(jiǎn)介FinBERT-QA 是一套面向自然語(yǔ)言處理與信息檢索學(xué)習(xí)者的金融問答檢索方案聚焦于從大量金融段落中為查詢精準(zhǔn)定位答案這一任務(wù)。項(xiàng)目先用 Lucene 工具包為每個(gè)查詢召回前 50 個(gè)候選答案再以預(yù)訓(xùn)練 BERT 模型對(duì)候選答案重排并采用 Transfer and Adapt 思路先在通用問答數(shù)據(jù)上微調(diào)再借助 FiQA 數(shù)據(jù)集適配金融領(lǐng)域最終在 nDCG、MRR、Precision 三項(xiàng)排序指標(biāo)上平均提升約 20%。壓縮包共 62 個(gè)文件、約 142.71MB含 9 個(gè) Python 腳本覆蓋數(shù)據(jù)處理、訓(xùn)練、預(yù)測(cè)與評(píng)測(cè)、23 個(gè) pickle 序列化特征與模型文件、4 個(gè) tsv 數(shù)據(jù)集與索引文件另有 2 個(gè) Jupyter Notebook 用于檢索分析與數(shù)據(jù)流程演示配合 Dockerfile 與 requirements 可復(fù)現(xiàn)實(shí)驗(yàn)環(huán)境。已有 2091 人學(xué)習(xí)下載適合想理解“召回重排”兩階段問答架構(gòu)、上手 BERT 微調(diào)與排序評(píng)估的中高級(jí)讀者參考。1. 金融問答為什么不能直接套用通用 BERT一句話里的數(shù)字和立場(chǎng)都是坑把在 SQuAD 上刷到 F1 90 以上的通用 BERT 直接搬到金融領(lǐng)域問答準(zhǔn)確率常常掉到及格線以下這是很多做信息檢索和問答的團(tuán)隊(duì)踩過的第一個(gè)坑。金融文本里的答案往往不是一個(gè)干凈的實(shí)體而是一段帶條件的觀點(diǎn)、一組對(duì)比數(shù)字甚至是一句“要看情況”。FinBERT-QA 的思路不是把模型換得更大而是承認(rèn)金融問答本質(zhì)上是“先找對(duì)段落、再抽出答案”的兩段式任務(wù)用預(yù)訓(xùn)練 BERT 分別微調(diào)檢索器與閱讀器并在 FiQA 數(shù)據(jù)集上把這兩段各自校準(zhǔn)。這套拆分為什么站得住、兩段各自怎么實(shí)現(xiàn)值得從底層拆一遍。2. Retriever 的兩段式設(shè)計(jì)BM25 召回加 BERT 重排的工程動(dòng)機(jī)先給結(jié)論FinBERT-QA 的檢索階段不是讓 BERT 直接在全量語(yǔ)料里算相似度而是先用 BM25 這類詞法檢索把候選段落從數(shù)萬(wàn)條壓到幾十條再用微調(diào)后的 BERT 對(duì)這幾十條做相關(guān)性重排。這個(gè)設(shè)計(jì)不是偷懶而是被計(jì)算復(fù)雜度和金融語(yǔ)料特性同時(shí)逼出來的。2.1 為什么粗排不能省BERT 的平方復(fù)雜度與候選規(guī)模BERT 的 self-attention 對(duì)序列長(zhǎng)度是平方復(fù)雜度把一個(gè)問題和一個(gè)段落拼成 512 長(zhǎng)度的輸入跑一次前向在單張普通 GPU 上大約幾毫秒到十幾毫秒。FiQA 這類數(shù)據(jù)集里每個(gè)問題平均對(duì)應(yīng)近九十個(gè)候選答案段落如果對(duì)每個(gè)候選都跑一次 BERT 打分一個(gè)問題的檢索開銷就是幾百毫秒放到整個(gè)測(cè)試集上直接不可接受。更關(guān)鍵的是候選段落大多和問題毫無(wú)關(guān)系讓 BERT 去逐條判斷“不相關(guān)”是巨大的算力浪費(fèi)。BM25 的價(jià)值在這里就體現(xiàn)出來了它靠詞頻和逆文檔頻率做倒排索引百萬(wàn)級(jí)文檔的召回可以在毫秒級(jí)完成代價(jià)是它只認(rèn)字面匹配對(duì)同義改寫和隱含語(yǔ)義無(wú)能為力。金融問答里“美聯(lián)儲(chǔ)加息對(duì)銀行股的影響”和“利率上行如何傳導(dǎo)到金融板塊估值”這種同義表達(dá)BM25 很容易漏掉。所以合理的分工是BM25 負(fù)責(zé)高召回、低成本地把候選池縮小兩個(gè)數(shù)量級(jí)BERT 負(fù)責(zé)在這個(gè)小池子里做語(yǔ)義級(jí)的精排。常見的實(shí)現(xiàn)里召回階段取 top 50 到 top 100精排階段再截?cái)嗟?top 10 到 top 20 交給閱讀器。提示粗排的召回率是整條鏈路的硬上限。如果 BM25 的 top 100 里根本不含正確段落后面 BERT 再?gòu)?qiáng)也救不回來。調(diào)參時(shí)先盯 Recall100別急著看精排指標(biāo)。2.2 Pointwise、Pairwise、Listwise三種微調(diào)范式的目標(biāo)函數(shù)差異檢索器微調(diào)的核心問題是怎么把一個(gè)“問題-段落”對(duì)變成一個(gè)可訓(xùn)練的監(jiān)督信號(hào)。FinBERT-QA 里討論的三種范式差異不在模型結(jié)構(gòu)而在損失函數(shù)如何構(gòu)造樣本之間的關(guān)系。Pointwise 最直白把每個(gè)“問題-段落”對(duì)獨(dú)立送進(jìn) BERT做二分類判斷相關(guān)與否。它的好處是實(shí)現(xiàn)簡(jiǎn)單、推理時(shí)可以并行打分缺點(diǎn)是它只學(xué)“這個(gè)段落相關(guān)嗎”不學(xué)“這個(gè)段落比那個(gè)段落更相關(guān)”排序能力靠分?jǐn)?shù)絕對(duì)值撐訓(xùn)練數(shù)據(jù)里正負(fù)比例失衡時(shí)容易退化成全部預(yù)測(cè)負(fù)類。Pairwise 把正樣本和負(fù)樣本組成一對(duì)只要求正樣本的分?jǐn)?shù)比負(fù)樣本高出一個(gè) margin不關(guān)心分?jǐn)?shù)的絕對(duì)大小。這更貼合排序任務(wù)的目標(biāo)因?yàn)闄z索評(píng)估看的是相對(duì)順序MRR、NDCG不是絕對(duì)相關(guān)性。缺點(diǎn)是樣本對(duì)的數(shù)量隨候選數(shù)平方增長(zhǎng)訓(xùn)練時(shí)要控制采樣。Listwise 把一個(gè)問題下的所有候選作為一個(gè)列表用 softmax 把分?jǐn)?shù)轉(zhuǎn)成概率分布再用交叉熵對(duì)齊相關(guān)性標(biāo)簽。它最接近真實(shí)排序目標(biāo)但需要每個(gè)問題都帶完整的候選列表和相關(guān)性等級(jí)數(shù)據(jù)構(gòu)造成本最高。下面用 PyTorch 把三種損失的核心邏輯寫出來模型主體都是同一個(gè) BERT 編碼器差別只在輸出層和 loss 上。import torch import torch.nn as nn from transformers import BertForSequenceClassification class PointwiseRetriever(nn.Module): def __init__(self, model_namebert-base-uncased): super().__init__() # 單塔結(jié)構(gòu)query 和 passage 用 [SEP] 拼接后一起進(jìn) BERT # num_labels2 表示相關(guān) / 不相關(guān)二分類 self.bert BertForSequenceClassification.from_pretrained( model_name, num_labels2 ) def forward(self, input_ids, attention_mask, token_type_ids, labelsNone): out self.bert( input_idsinput_ids, attention_maskattention_mask, token_type_idstoken_type_ids, labelslabels, ) # logits[:, 1] 是相關(guān)這一類的分?jǐn)?shù)拿來排序 return out.logits[:, 1], out.loss這段代碼的關(guān)鍵在num_labels2和最后的logits[:, 1]。二分類用的是標(biāo)準(zhǔn)交叉熵labels是 0/1 的硬標(biāo)簽。為什么不用回歸去擬合一個(gè) 0 到 1 的相關(guān)性分?jǐn)?shù)因?yàn)?FiQA 的相關(guān)性標(biāo)注本身是離散等級(jí)硬標(biāo)簽加交叉熵對(duì)標(biāo)注噪聲更魯棒回歸容易被個(gè)別標(biāo)錯(cuò)的樣本帶偏。參數(shù)上token_type_ids在單塔結(jié)構(gòu)里其實(shí)可以全 0因?yàn)樗鼌^(qū)分不了 query 和 passage真正區(qū)分靠的是[SEP]的位置。def pairwise_loss(pos_score, neg_score, margin0.5): # pos_score / neg_score: [batch]正負(fù)樣本各自的打分 # 只要求正樣本比負(fù)樣本高出 margin不約束分?jǐn)?shù)絕對(duì)值 return torch.relu(margin neg_score - pos_score).mean()Pairwise 的 margin 取 0.5 是經(jīng)驗(yàn)值。margin 太小模型學(xué)不到區(qū)分度margin 太大正樣本分?jǐn)?shù)被推得過高反而過擬合到少數(shù)簡(jiǎn)單樣本。訓(xùn)練時(shí)每個(gè) batch 里正負(fù)對(duì)的比例建議控制在 1:4 到 1:8負(fù)樣本從 BM25 召回但未標(biāo)注為相關(guān)的段落里采這就是所謂的“難負(fù)樣本”。def listwise_loss(scores, labels, tau1.0): # scores: [batch, num_candidates]每個(gè)問題下所有候選的分?jǐn)?shù) # labels: 同形狀相關(guān)性等級(jí)0/1 或分級(jí) log_probs torch.log_softmax(scores / tau, dim-1) # 用相關(guān)性標(biāo)簽做加權(quán)正樣本越靠前 loss 越小 return -(labels * log_probs).sum(dim-1).mean()tau是溫度系數(shù)控制分布的陡峭程度。tau越小softmax 越接近 argmax訓(xùn)練越激進(jìn)tau越大分布越平滑梯度更穩(wěn)。Listwise 的坑在于如果 labels 全是 0/1 且正樣本只有一個(gè)log_softmax會(huì)把大量概率分給負(fù)樣本需要配合 label smoothing 或者對(duì)負(fù)樣本降權(quán)。2.3 訓(xùn)練數(shù)據(jù)構(gòu)造負(fù)采樣比例決定檢索器的實(shí)際表現(xiàn)模型結(jié)構(gòu)定下來之后真正拉開效果差距的是訓(xùn)練數(shù)據(jù)怎么造。FinBERT-QA 用的 FiQA 數(shù)據(jù)集只標(biāo)了哪些段落和問題相關(guān)沒標(biāo)“不相關(guān)”的負(fù)樣本負(fù)樣本得自己采。常見的做法是混合三種來源BM25 召回里排名靠前但未標(biāo)注相關(guān)的難負(fù)樣本、隨機(jī)從語(yǔ)料里抽的易負(fù)樣本、以及同一問題下其他不相關(guān)段落。難負(fù)樣本讓模型學(xué)會(huì)區(qū)分“看起來像但其實(shí)不對(duì)”的段落易負(fù)樣本防止模型把所有分?jǐn)?shù)都?jí)旱截?fù)類。負(fù)正比不是越高越好。比例到 1:16 以上時(shí)pointwise 的交叉熵會(huì)被負(fù)類主導(dǎo)模型傾向于輸出低分排序時(shí)區(qū)分度反而下降。實(shí)踐中 1:4 到 1:8 是比較穩(wěn)的區(qū)間具體要看 BM25 的召回質(zhì)量。如果 BM25 本身召回就很差難負(fù)樣本里混進(jìn)了真正相關(guān)的段落模型會(huì)被教壞這時(shí)候要么先修 BM25要么把難負(fù)樣本的權(quán)重降下來。3. Reader 的抽取式答案機(jī)制SQuAD 式 span 預(yù)測(cè)如何在金融語(yǔ)料上收斂檢索器把候選段落排好序之后閱讀器的任務(wù)是從 top-k 段落里定位答案的起止位置。FinBERT-QA 的閱讀器沿用 BERT 在 SQuAD 上的做法把問題和段落拼成一個(gè)序列讓模型輸出兩個(gè)概率分布分別表示答案起點(diǎn)和終點(diǎn)落在每個(gè) token 上的概率。聽起來簡(jiǎn)單但金融語(yǔ)料的答案形態(tài)和 SQuAD 差別很大直接套用會(huì)出問題。3.1 起止指針網(wǎng)絡(luò)BERT 輸出如何變成兩個(gè)概率分布BERT 的最后一層對(duì)每個(gè) token 輸出一個(gè) 768 維向量閱讀器在它上面接兩個(gè)線性層一個(gè)映射到起點(diǎn) logits一個(gè)映射到終點(diǎn) logits維度都是序列長(zhǎng)度。訓(xùn)練時(shí)用真實(shí)答案的起止 token 位置做交叉熵推理時(shí)對(duì)所有合法的 (start, end) 組合算start_prob * end_prob取分?jǐn)?shù)最高的那個(gè) span。這里有個(gè)容易忽略的細(xì)節(jié)起點(diǎn)和終點(diǎn)的聯(lián)合概率不是獨(dú)立的start end這個(gè)約束必須在解碼時(shí)強(qiáng)制。如果只對(duì)起點(diǎn)和終點(diǎn)分別取 argmax很可能得到start end的非法 span。常見的實(shí)現(xiàn)是在解碼時(shí)遍歷所有滿足start end且長(zhǎng)度不超過max_answer_len的組合取聯(lián)合概率最大的。import torch from transformers import BertForQuestionAnswering model BertForQuestionAnswering.from_pretrained(bert-base-uncased) def decode_span(start_logits, end_logits, max_answer_len30): # start_logits / end_logits: [1, seq_len] start_probs torch.softmax(start_logits, dim-1) end_probs torch.softmax(end_logits, dim-1) best None seq_len start_probs.size(-1) for s in range(seq_len): # 強(qiáng)制 end start且答案長(zhǎng)度受限 for e in range(s, min(s max_answer_len, seq_len)): score start_probs[0, s] * end_probs[0, e] if best is None or score best[0]: best (score.item(), s, e) return best # (score, start_idx, end_idx)max_answer_len的取值很關(guān)鍵。SQuAD 的答案大多是短語(yǔ)長(zhǎng)度限制在 30 以內(nèi)效果很好但金融問題的答案經(jīng)常是一整句甚至幾句限制太短會(huì)把正確答案截?cái)嘣谥虚g模型輸出的 span 分?jǐn)?shù)反而比錯(cuò)誤答案低。常見的做法是根據(jù)數(shù)據(jù)集里答案長(zhǎng)度的分位數(shù)來定比如取 95 分位作為上限。參數(shù)start_probs * end_probs用的是概率乘積等價(jià)的 log 形式是log_start log_end數(shù)值上更穩(wěn)避免長(zhǎng)序列下概率下溢。3.2 從 FiQA 的觀點(diǎn)型答案到可抽取 span 的轉(zhuǎn)換FiQA 的答案標(biāo)注和 SQuAD 有一個(gè)本質(zhì)區(qū)別SQuAD 的答案是原文里連續(xù)的一段子串FiQA 的答案常常是“觀點(diǎn)”需要從多個(gè)段落里綜合標(biāo)注的是“這個(gè)段落相關(guān)答案大致在這段話里”。直接拿這種標(biāo)注訓(xùn)練 span 抽取模型學(xué)到的起止位置會(huì)不穩(wěn)定因?yàn)橥欢卧捓锟赡苡卸鄠€(gè)合理的答案片段。FinBERT-QA 的處理思路是把閱讀器訓(xùn)練和檢索器訓(xùn)練解耦閱讀器先在一個(gè)標(biāo)準(zhǔn)的 SQuAD 式抽取數(shù)據(jù)集上預(yù)訓(xùn)練學(xué)會(huì)“給定問題和段落定位答案 span”這個(gè)通用能力然后在 FiQA 上做微調(diào)時(shí)只用那些標(biāo)注了明確答案片段的樣本標(biāo)注模糊的樣本降權(quán)或丟棄。這相當(dāng)于承認(rèn) FiQA 的標(biāo)注噪聲不硬讓模型去擬合不可靠的起止位置。這個(gè)取舍的代價(jià)是閱讀器的訓(xùn)練樣本變少對(duì)長(zhǎng)尾問題的覆蓋不足。一個(gè)補(bǔ)償手段是把檢索器召回的多個(gè)相關(guān)段落都送進(jìn)閱讀器讓閱讀器在多個(gè)段落上分別抽 span再按檢索分?jǐn)?shù)和 span 分?jǐn)?shù)加權(quán)融合。這樣即使單段落的標(biāo)注不精確多段落投票也能穩(wěn)定結(jié)果。3.3 答案后處理把 span 還原成可讀答案閱讀器輸出的是 token 索引要還原成文本還有幾步去掉[CLS]、[SEP]這類特殊 token處理 WordPiece 的子詞拼接比如fin和##ance要拼回finance再根據(jù)原始文本的字符偏移映射回原文。這一步看起來是純工程但出錯(cuò)率很高尤其是金融文本里的數(shù)字和縮寫。數(shù)字尤其要小心。BERT 的 WordPiece 分詞器會(huì)把2023拆成202和##3把3.5%拆成3、.、5、%。如果答案恰好在這些 token 邊界上截?cái)噙€原出來就是殘缺的數(shù)字。常見的做法是在預(yù)處理階段對(duì)數(shù)字做歸一化或者在解碼后檢查 span 兩端是否落在數(shù)字中間如果是就擴(kuò)展到完整的數(shù)字邊界。金融問答里一個(gè)數(shù)字錯(cuò)了整個(gè)答案就失去意義這點(diǎn)比通用問答更敏感。4. FiQA 數(shù)據(jù)集的標(biāo)注結(jié)構(gòu)為什么這份數(shù)據(jù)決定了系統(tǒng)的上限聊完兩階段模型得回到數(shù)據(jù)本身。FinBERT-QA 選 FiQA 作為金融問答的基準(zhǔn)不是因?yàn)樗蠖且驗(yàn)樗臉?biāo)注結(jié)構(gòu)恰好覆蓋了“檢索 抽取”兩段式任務(wù)需要的全部監(jiān)督信號(hào)。理解這份數(shù)據(jù)的組織方式才能理解模型指標(biāo)為什么卡在某個(gè)水平上不去。4.1 問題-段落-答案的三元組結(jié)構(gòu)FiQA 的每條樣本可以拆成三層一個(gè)金融問題、若干候選答案段落、以及每個(gè)段落與問題的相關(guān)性等級(jí)。問題和段落來自真實(shí)的金融社區(qū)問答段落是用戶回答的原始文本相關(guān)性標(biāo)注由人工判斷。這種結(jié)構(gòu)的特別之處在于它同時(shí)提供了檢索信號(hào)段落相不相關(guān)和抽取信號(hào)答案在段落里的位置剛好對(duì)應(yīng) FinBERT-QA 的兩個(gè)階段。層級(jí)內(nèi)容對(duì)應(yīng)任務(wù)典型量級(jí)問題層金融領(lǐng)域自然語(yǔ)言問題輸入數(shù)百條段落層社區(qū)回答原文每條幾十到幾百字檢索數(shù)萬(wàn)條相關(guān)性層段落與問題的相關(guān)等級(jí)檢索監(jiān)督每個(gè)問題近九十條候選答案層段落內(nèi)的答案片段標(biāo)注抽取監(jiān)督覆蓋部分段落表格里的“典型量級(jí)”按公開描述的量級(jí)給出具體數(shù)字以數(shù)據(jù)集官方發(fā)布為準(zhǔn)。問題數(shù)只有數(shù)百條意味著訓(xùn)練集很小模型很容易過擬合候選段落數(shù)萬(wàn)條意味著檢索階段的負(fù)樣本空間很大BM25 召回的 top-100 里真正相關(guān)的可能只有個(gè)位數(shù)。這兩個(gè)特點(diǎn)疊加決定了 FinBERT-QA 必須靠預(yù)訓(xùn)練 BERT 的遷移能力來彌補(bǔ)數(shù)據(jù)量不足而不是從頭訓(xùn)練。4.2 劃分方式與標(biāo)簽噪聲為什么按問題劃分比按段落劃分更靠譜數(shù)據(jù)劃分看起來是小事實(shí)際上直接決定評(píng)估指標(biāo)可不可信。FiQA 的候選段落是跨問題共享的同一個(gè)段落可能同時(shí)出現(xiàn)在多個(gè)問題的候選列表里。如果按段落隨機(jī)劃分訓(xùn)練集和測(cè)試集同一個(gè)段落在訓(xùn)練時(shí)見過、測(cè)試時(shí)又出現(xiàn)模型會(huì)記住段落的表面特征而不是學(xué)會(huì)匹配指標(biāo)虛高。正確的做法是按問題劃分訓(xùn)練集和測(cè)試集的問題完全不重疊測(cè)試集里的問題在訓(xùn)練時(shí)從未出現(xiàn)過。這樣評(píng)估的是模型對(duì)未見問題的泛化能力接近真實(shí)上線場(chǎng)景。代價(jià)是測(cè)試集里會(huì)出現(xiàn)訓(xùn)練時(shí)沒見過的段落檢索器的詞表覆蓋和閱讀器的 span 定位都要真正泛化指標(biāo)會(huì)比按段落劃分低不少但這個(gè)低才是真實(shí)的。標(biāo)簽噪聲是另一個(gè)繞不開的問題。相關(guān)性標(biāo)注是人工判斷的不同標(biāo)注者對(duì)“這個(gè)段落算不算回答了問題”的標(biāo)準(zhǔn)不一致尤其是金融問題經(jīng)常有多個(gè)合理答案。這種噪聲在檢索階段表現(xiàn)為同一個(gè)問題的正樣本數(shù)量波動(dòng)很大有的問題標(biāo)了十幾個(gè)相關(guān)段落有的只標(biāo)了一兩個(gè)。訓(xùn)練時(shí)如果對(duì)正樣本數(shù)量少的問題用同樣的損失權(quán)重模型會(huì)偏向正樣本多的問題。常見的補(bǔ)償是按問題做損失歸一化或者對(duì)正樣本過少的問題降采樣。4.3 MRR 與 NDCG評(píng)估指標(biāo)背后的排序邏輯檢索階段的評(píng)估不看準(zhǔn)確率看排序質(zhì)量因?yàn)橄掠伍喿x器只消費(fèi) top-k。MRR 衡量的是第一個(gè)相關(guān)段落排在第幾位如果排第一貢獻(xiàn) 1排第二貢獻(xiàn) 0.5排第 n貢獻(xiàn) 1/n再對(duì)所有問題取平均。它關(guān)心的是“最快找到第一個(gè)對(duì)的”適合答案唯一或少數(shù)幾個(gè)的場(chǎng)景。NDCG 考慮的是整個(gè)排序列表每個(gè)位置的相關(guān)性貢獻(xiàn)按1/log2(位置1)折損再把所有位置加起來除以理想排序的得分。它關(guān)心的是“相關(guān)段落整體排得靠不靠前”對(duì)多個(gè)相關(guān)段落的場(chǎng)景更友好。金融問答里一個(gè)問題常有多個(gè)相關(guān)段落NDCG 比 MRR 更能反映真實(shí)體驗(yàn)。這兩個(gè)指標(biāo)有個(gè)共同的盲區(qū)它們只評(píng)估檢索不評(píng)估最終答案對(duì)不對(duì)。檢索指標(biāo)高但閱讀器抽錯(cuò) span用戶看到的還是錯(cuò)答案。所以完整的評(píng)估要分兩段看先看 Recallk 確認(rèn)正確段落進(jìn)了候選池再看閱讀器的 Exact Match 和 F1最后看端到端的答案準(zhǔn)確率。任何一段掉鏈子端到端指標(biāo)都會(huì)暴露。5. 訓(xùn)練與推理的常見坑從 loss 不降到答案跑偏的排查路徑這套兩階段架構(gòu)跑起來不難難的是訓(xùn)練過程中各種不報(bào)錯(cuò)但效果不對(duì)的情況。下面幾條是實(shí)際調(diào)試?yán)锓磸?fù)出現(xiàn)的按“現(xiàn)象、原因、解決”拆開寫遇到時(shí)可以直接對(duì)照。第一條檢索器 loss 卡在 0.69 不動(dòng)?，F(xiàn)象是訓(xùn)練幾個(gè) epoch 后 loss 幾乎不變驗(yàn)證集 MRR 和隨機(jī)猜差不多。原因是正負(fù)樣本比例嚴(yán)重失衡pointwise 的二分類被負(fù)類主導(dǎo)模型學(xué)會(huì)了全部輸出“不相關(guān)”。解決是先統(tǒng)計(jì)訓(xùn)練集的正負(fù)比把負(fù)正比壓到 1:8 以內(nèi)再檢查labels是不是真的按 batch 傳進(jìn)去了很多實(shí)現(xiàn)里 label 維度對(duì)不上會(huì)被廣播成全 0。第二條檢索指標(biāo)很高端到端答案準(zhǔn)確率卻很低?，F(xiàn)象是 Recall10 到了 0.8 以上但用戶看到的答案經(jīng)常答非所問。原因是閱讀器訓(xùn)練時(shí)喂的是“標(biāo)準(zhǔn)答案段落”推理時(shí)喂的是“檢索器實(shí)際召回的段落”兩者分布不一致閱讀器沒見過檢索器犯錯(cuò)的樣本。解決是把檢索器在訓(xùn)練集上的召回結(jié)果直接作為閱讀器的訓(xùn)練輸入讓閱讀器學(xué)會(huì)在有噪聲的候選里定位答案這個(gè)做法本質(zhì)上是一種數(shù)據(jù)增強(qiáng)。第三條答案總是被截?cái)嘣诎刖湓挕，F(xiàn)象是閱讀器輸出的 span 明顯不完整經(jīng)常停在逗號(hào)或數(shù)字中間。原因有兩個(gè)一是max_answer_len設(shè)得太小二是 FiQA 的答案標(biāo)注本身就跨句而 span 抽取只能輸出連續(xù)片段。解決是先畫一下訓(xùn)練集答案長(zhǎng)度的分布把上限設(shè)到 95 分位對(duì)于跨句答案在解碼后做一次后處理把 span 擴(kuò)展到完整句子邊界或者讓閱讀器對(duì)多個(gè)段落分別抽取再拼接。第四條驗(yàn)證集指標(biāo)虛高上線后大幅下降。現(xiàn)象是本地驗(yàn)證 F1 很漂亮換一批真實(shí)問題就崩。原因是數(shù)據(jù)劃分按段落做了隨機(jī)切分訓(xùn)練集和測(cè)試集共享段落模型記住了段落表面特征。解決是改成按問題劃分確保測(cè)試集的問題在訓(xùn)練時(shí)完全沒見過改完指標(biāo)會(huì)掉一截但那才是真實(shí)水平。第五條金融數(shù)字被 tokenizer 切碎導(dǎo)致答案錯(cuò)誤?，F(xiàn)象是答案里的數(shù)字缺位或錯(cuò)位比如3.5%變成5%。原因是 WordPiece 把數(shù)字拆成子詞span 邊界正好落在數(shù)字中間。解決是在預(yù)處理階段用占位符保護(hù)數(shù)字或者在解碼后檢查 span 兩端是否在數(shù)字內(nèi)部是則擴(kuò)展到數(shù)字完整邊界。金融問答里數(shù)字錯(cuò)一位答案就完全錯(cuò)了這條比通用問答更值得較真。注意這五條里有三條的根因都在數(shù)據(jù)而不是模型。調(diào)參之前先把數(shù)據(jù)分布、劃分方式、tokenizer 行為查一遍比盲目換學(xué)習(xí)率有效得多。6. 設(shè)計(jì)取舍兩段式架構(gòu)的邊界在哪里什么時(shí)候該換路線兩段式架構(gòu)最大的價(jià)值是把一個(gè)復(fù)雜問題拆成兩個(gè)可獨(dú)立評(píng)估、獨(dú)立優(yōu)化的子問題。檢索器負(fù)責(zé)“找對(duì)”閱讀器負(fù)責(zé)“抽準(zhǔn)”任何一段出問題都能通過分階段指標(biāo)定位而不是面對(duì)一個(gè)端到端黑盒猜。這種可觀測(cè)性在工程上比多拿一兩個(gè)點(diǎn)指標(biāo)更重要。但它的邊界也很清楚。第一檢索器的召回上限就是整個(gè)系統(tǒng)的上限BM25 加 BERT 重排這套組合對(duì)詞法匹配依賴仍然很重遇到大量同義改寫或者跨語(yǔ)言場(chǎng)景粗排就會(huì)漏。第二閱讀器只能抽連續(xù) span對(duì)需要跨段落綜合、需要推理計(jì)算的金融問題無(wú)能為力比如“比較兩家公司近三年毛利率變化”答案不在任何單個(gè)段落里。第三兩階段意味著兩次推理延遲是單階段的近兩倍對(duì)實(shí)時(shí)性要求高的場(chǎng)景不友好。判斷要不要換路線我一般看兩個(gè)信號(hào)。一是 Recall100 長(zhǎng)期卡在 0.7 以下說明粗排已經(jīng)成為瓶頸這時(shí)候該考慮換成稠密檢索或者混合檢索把語(yǔ)義召回補(bǔ)上。二是端到端錯(cuò)誤里超過一半是“檢索對(duì)了但閱讀器抽錯(cuò)”說明 span 抽取的范式不適合這批數(shù)據(jù)該考慮生成式閱讀器或者抽取加生成的混合方案。這兩個(gè)信號(hào)都比單純看 F1 更有指導(dǎo)性。驗(yàn)證方法上我習(xí)慣把評(píng)估拆成三層先單獨(dú)跑檢索器看 Recallk 和 NDCG再單獨(dú)跑閱讀器在“給定正確段落”條件下的 EM 和 F1最后跑端到端。三層指標(biāo)一起看才能分清是檢索的問題還是閱讀的問題。只看端到端指標(biāo)出了問題根本不知道從哪下手。從那以后我每次接這類兩階段問答任務(wù)都強(qiáng)制先把這三層評(píng)估腳本跑通再動(dòng)模型血淚經(jīng)驗(yàn)是曾經(jīng)在一個(gè)項(xiàng)目里調(diào)了兩周閱讀器最后發(fā)現(xiàn)是檢索器把正確段落排到了第 30 位開外。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取