AI 中的 Question-Answering 任务,如何将大段文本制作成训练数据呢?

2023-05-26 09:30:29 +08:00
 KevinQi

在 Question-Answering 的训练任务中,训练任务通常是结构化的数据,大概是下文这种。

Context Question Answer Answer-start
上下文 问题 回答 回答的开始字符位置

现在我有一大段或者很多纯文字数据,如何将这些制作成训练数据集呢?

997 次点击
所在节点    问与答
12 条回复
TimePPT
2023-05-26 09:38:54 +08:00
纯文本是指原始对话内容还是指纯的知识文档?
前者有角色就能分,后者要做文档 QA 抽取
KevinQi
2023-05-26 09:49:42 +08:00
@TimePPT 谢谢,纯的知识文档,大多是 excel ,还有 pdf 。
DigitalG
2023-05-26 10:28:10 +08:00
可以自己生成吗:Training Question Answering Models From Synthetic Data ,https://arxiv.org/abs/2002.09599
但我觉得这种用途有限。

另外想了解下,如果数据集是这样的话,为什么还要用 QA 任务模型呢?
kingddc314
2023-05-26 10:40:24 +08:00
可以调用 ChatGPT 生成
TimePPT
2023-05-26 10:41:31 +08:00
@KevinQi 不想处理的话,试试用检索增强( ES 搜索、向量检索)大模型端到端的直接问答,可以参考下 Langchain
如果想有监督,可以调取 GPT-4 让列出可能的 QA 对,然后人工筛选入库
KevinQi
2023-05-26 10:50:20 +08:00
@DigitalG 未必是 QA 模型,目前想采用的 3 个,一个是 QA 模型,一个是 Document Question Answer 模型,还有一个是 Table Question Answering ,但是后面两个在 Huggingface 上都没有找到中文的相关模型,所以想着先试试 QA 模型,利用现有数据对某个中文模型进行微调训练。
KevinQi
2023-05-26 11:08:22 +08:00
@TimePPT 我觉得从纯文本 /文件 /图片抽取信息做 QA 或者 Document QA 的训练数据集,或者更普遍的,“如何从无结资料构建 QA 数据?”,应该是训练 AI 的一个很普遍的步骤,为什么检索不到什么通用工具呢?是不是我检索的关键字不对啊,学术领域这个称呼是什么呢?
TimePPT
2023-05-26 11:14:58 +08:00
TimePPT
2023-05-26 11:15:17 +08:00
搜「文档 QA 抽取」
KevinQi
2023-05-26 11:27:16 +08:00
@TimePPT 这篇检索到了,但是只有论文。
DigitalG
2023-05-26 11:38:49 +08:00
@KevinQi nlp 的思路的话,可以先大规模数据上做无监督的 lm 模型,然后小规模数据上微调面向任务的 head 。如果这么操做呢?
KevinQi
2023-05-26 17:57:40 +08:00
@DigitalG 不太明白,AI 小白,现在只过了一遍 Huggingface 上的 Question Answering 任务的 colab 笔记。
我现在的想法是使用 HuggingFace 上的中文 QA 预训练模型,然后使用手里的文档资料数据进行微调,微调的步骤 Huggingface 上教程很清楚,但是如何使用纯文本 /pdf/exce 文档生成格式化的训练数据({question, context, answer: {answer_start, answer_text}}),一直没有找到工具和普遍的方法。目前就卡在了“无结构化文档 to Dateset”这一步了

这是一个专为移动设备优化的页面(即为了让你能够在 Google 搜索结果里秒开这个页面),如果你希望参与 V2EX 社区的讨论,你可以继续到 V2EX 上打开本讨论主题的完整版本。

https://www.v2ex.com/t/943071

V2EX 是创意工作者们的社区,是一个分享自己正在做的有趣事物、交流想法,可以遇见新朋友甚至新机会的地方。

V2EX is a community of developers, designers and creative people.

© 2021 V2EX