KISTI 기계학습 데이터 공유·활용 서비스

개요

• 구축되어 있는 국내 논문 QA 데이터셋을 이용해서 국내 논문 검색을 용이하게 하고자함
• 기계 독해 모델 고도화를 위한 키워드 임베딩, 단서 문장 임베딩 기법을 제안

Training Enviroment

• 각 모델 설정값 참고
• RTX 8000 x 1
• CUDA 10.2
• huggingface 코드 참고

1. Directory and Pre-processing

1-1. 키워드 추출(Keyword Extraction) 모델

├── data
│   ├── train.json
│   └── val.json
├── init_weight
├── models
│   └── 1_2000_model.pt
├── preproc
│   ├── train_pre.json
│   ├── val_pre.json
│   └── ###_keyword.json
├── src
│   ├── main.py
│   ├── model.py
│   ├── processor.py
│   └── utils.py
├── requirements.txt
└── README.md

• processor.py 에서 랜덤샘플링한 파일들을 가지고 데이터 전처리 → preproc 디렉토리에 ###_pre.json 파일 생성
• preproc 디렉토리에 키워드 모델 실행 결과 파일 ###_keyword.json 생성

1-2. 기계 독해(Machine Reading Comprehension; MRC) 모델

├── data
│   ├── train
│   │   └── train_#.json
│   ├── val
│   │   └── val_#.json
│   └── evidence
│       ├── ###_#_pre.json
│       └── ###_#_evidence.json
├── model
│   └── roberta_proposed
│        └── checkpoing-16883
├── src
│   ├── functions
│   │   ├── evaluate.py
│   │   ├── modules.py
│   │   ├── mrc_metrics.py
│   │   ├── processor_plus.py
│   │   └── utils.py
│   │
│   └── model
│       ├── main_functions.py
│       ├── models.py
│       └── roberta_model.py
│ 
├── ir
│   ├── evidence_sent_retrieval.py
│   └── processor.py
│
├── requirements.txt
├── evidence_processing.py
└── README.md

• data/train , data/val 에는 원본 논문 데이터를 랜덤샘플링(5%,10%)한 파일들이 들어있음
• data/evidence/###_pre.json 파일은 논문 데이터와 매칭되는 검색 모델 결과 데이터
• evidence_processing.py 에서 ###_#pre.json 파일을 가지고 mrc 모델을 위한 데이터로 정제 시킴 → data/evidence 디렉토리에 ####_evidence.json 생성
• 학습/평가시 각 원본 데이터 파일과 해당하는 evidence.json 파일을 로드해서 사용

2. Model ⭐

2-1. 키워드 추출(Keyword Extraction) 모델

• 제안하는 방법으로 학습시키되, 제공받은 데이터의 10%를 랜덤샘플링한 데이터를 학습한 model
• models/1_2000_model.pt
• 사용 코드는 src 디렉토리에 저장

2-2. 기계 독해(MRC) 모델

• 제안하는 방법으로 학습시키되, 제공받은 데이터의 10%를 랜덤샘플링한 데이터를 학습한 model
• model/roberta_proposed/checkpoint-16883
• 사용 코드는 src 디렉토리에 존재

3. How to use ⭐

3-1. 키워드 추출(Keyword Extraction) 모델

python main.py

• argument 설명
  • -- train_flag True: 모델 학습
  • -- trian_flag False: 모델 평가 / 데모
  • -- data_dir 모델의 결과 데이터 저장 위치
  • -- save_dir 학습된 모델 저장 위치
  • -- load_dir 학습된 모델 로드
• 모델 실행 결과로, 키워드 출력 레이블이 포함된 ###_keyword.json 파일 생성

3-2. 기계 독해(MRC) 모델

requirements

pip install -r requirements.txt

Training

python run_mrc.py --do_train=True --from_init_weight=True dataset_nums=5  

Evaluate

python run_mrc.py --do_eval=True --from_init_weight=False --predict_file=[val_#.json] --checkpoint=16883 --filtered_context=False

Predict ⭐⭐

python run_mrc.py --do_predict=True --from_init_weight=False --checkpoint=16883

1. Paper Context : 논문 내용 입력
2. Question about the paper : 논문 관련 질문 입력
3. Question Keyword from Keyword Model : 사전 구축된 질문 키워드 or 키워드 추출 모델이 예측한 질문 키워드 입력
4. Evidence Sentence from IR Model : 사전 구축된 키워드를 이용해 추출한 단서문장 or 검색 모델이 검색한 단서 문장 입력
    

• argument 설명
  • 자세한 설정은 run_mrc.py 파일 참고
  • -- output_dir : 학습된 모델 저장 위치
  • -- dataset_num: 학습할 파일 갯수
  • -- checkpoint : 학습된 모델 checkpoint 16883
  • -- from_init_weight : pre trained roberta weight 로드
  • -- filtered_context : 검색모델이 만든 context 사용 (검색모델 예측 파일이 있어야함)
  • -- do_train : 모델 학습
  • -- do_eval : 모델 평가
  • -- do_predict : 데모 실행, 현재 디폴트 값

😎 Demo Video

발표자료.pdf ( 898.00 KB )

소스코드(기계독해모델).zip ( 499.00 MB )

소스코드(키워드 추출 모델).zip ( 1.00 GB )