MRC2019

• 2019百度机器阅读理解(Machine Reading Comprehension)
• 战队名称：yyhaker
• 队员：yyHaker MrTuo
• 参赛模型: BiDAF
• 最终排名: Top10

Develop Requirements

• OS: Ubuntu 16.04 LTS (64bit)
• GPU: Nvidia Titan Xp
• Language: Python 3.6.2.
• Pytorch: 0.4.1
• nltk==3.2.4
• tensorboardX==0.8
• torchtext==0.3.1

Data

类型	train	dev	test
2019比赛官网数据下载	27W	3000	7000

Performance

Model	data type	zhidao_dev(Rouge-L)	zhidao_dev_(Bleu-4)	search_dev(Rouge-L)	search_dev(Blue-4)	Rouge-L	Blue-4
BiDAF	data_v1.0_指定para	67.29		58.28		36.14	25.78
BiDAF	process_3para_指定para	56.78
BiDAF	process_3para	44.57
BiDAF+pretrain_w2v	process_3para	50.08		42.42		48.59	30.81
BiDAF+pretrain_w2v+yes_no	process_3para	51.60		42.42		50.02	44.45
BiDAF+pretrain_w2v+PR+yes_no	process_3para	52.42		42.72		50.41	45.16
BiDAF+pretrain_w2v+PR+yes_no(ensemble small)	process_3para					50.78	44.53
BiDAF+pretrain_w2v+PR+yes_no(ensemble large)	process_3para					51.53	45.58
R-net(too slow)

最终leaderBoard

competition process

1. 对zhidao和search进行数据预处理, 以启发式的方法尽可能的筛选过滤数据(花费了大部分时间)
2. 利用PyTorch模版，加载dureader数据，实现BiDAF
3. 使用w2v在zhidao和search数据上训练词向量，作为训练的初始向量
4. 在BiDAF中实现PR，实现multitask
5. 实验yes_no分类
6. 实现R-Net，并行训练
7. 在para之间加特殊分隔符
8. 多answers训练，加权loss
9. 先预测一个范围，在预测精准答案span

conclusion

1. 由于zhidao和search数据的特殊性和冗乱，借鉴与2018届冠军的思路，我们在数据预处理上花费了接近半个 月的时间，不过启发式预处理数据是有效果的
2. 在zhidao和search上预训练词向量很有用
3. 段落之间设置分隔符，部分词向量更新策略很有用

problems

1. torch0.4.0无法实现RNN模型的并行训练，有缺陷，升级为0.4.1就好使了
2. 部分词向量更新无法在PyTorch上实现并行训练，仍然没有找到解决办法
3. 没有高效的用PyTorch实现R-Net