NLP賽事數(shù)據(jù)分析和提分總結(jié)！

賽題名稱：互聯(lián)網(wǎng)輿情企業(yè)風(fēng)險(xiǎn)事件的識(shí)別和預(yù)警

賽題鏈接：http://ailab.aiwin.org.cn/competitions/48

近些年來(lái)，資本市場(chǎng)違約事件頻發(fā)，財(cái)務(wù)造假、董事長(zhǎng)被抓、股權(quán)質(zhì)押爆倉(cāng)、城投非標(biāo)違約等負(fù)面事件屢屢出現(xiàn)。而在大數(shù)據(jù)和人工智能技術(shù)加持下，各種新興的金融風(fēng)險(xiǎn)控制手段也正在高速發(fā)展，其中通過(guò)采集互聯(lián)網(wǎng)上的企業(yè)輿情信息來(lái)挖掘潛在風(fēng)險(xiǎn)事件是一種較為有效的方式。但這些風(fēng)險(xiǎn)信息散落在互聯(lián)網(wǎng)上的海量資訊中，若能從中及時(shí)識(shí)別出涉及企業(yè)的風(fēng)險(xiǎn)事件，并挖掘出潛在的風(fēng)險(xiǎn)特征，將使得銀行、證券等金融機(jī)構(gòu)在風(fēng)險(xiǎn)監(jiān)控領(lǐng)域中更及時(shí)、全面和直觀地掌握客戶風(fēng)險(xiǎn)情況，大幅提升識(shí)別和揭示風(fēng)險(xiǎn)的能力。而風(fēng)險(xiǎn)事件以文本的形式存在，需要采用人工智能方法進(jìn)行自然語(yǔ)言理解，實(shí)現(xiàn)風(fēng)險(xiǎn)事件的高精度智能識(shí)別。

從給定的互聯(lián)網(wǎng)信息中提取、識(shí)別出企業(yè)主體名稱，以及標(biāo)記風(fēng)險(xiǎn)標(biāo)簽。選手預(yù)測(cè)標(biāo)簽對(duì)應(yīng)格式為（新聞ID，主體全稱，對(duì)應(yīng)風(fēng)險(xiǎn)標(biāo)簽）。

注：

1）每篇互聯(lián)網(wǎng)信息可能會(huì)涉及零到多個(gè)主體（公司），每篇互聯(lián)網(wǎng)信息中對(duì)每個(gè)主體只預(yù)測(cè)一個(gè)風(fēng)險(xiǎn)標(biāo)簽；

2）賽事會(huì)提供一份主體（公司）的全稱清單（其范圍大于待預(yù)測(cè)名單），新聞中提及的主體可能為其簡(jiǎn)稱或別名或主體相關(guān)的自然人（如其董事長(zhǎng)、總經(jīng)理等），選手提交答案時(shí)需要統(tǒng)一識(shí)別并將他們映射至主體全稱輸出在最終的結(jié)果文件中。主體全稱的映射關(guān)系需選手自行處理。

3）請(qǐng)注意在訓(xùn)練集中存在一類「無(wú)」標(biāo)簽，其指的是對(duì)應(yīng)的新聞內(nèi)容中不包含需識(shí)別的金融風(fēng)險(xiǎn)事件。對(duì)于測(cè)試集中此類情況，選手模型在輸出時(shí)只需準(zhǔn)確打上「無(wú)」的標(biāo)簽，對(duì)應(yīng)主體標(biāo)記為「/」即可。即輸出的為："新聞 ID，/ ，無(wú)"。

4）測(cè)試集（需選手利用模型進(jìn)行預(yù)測(cè)）的數(shù)據(jù)中會(huì)包含一些噪音數(shù)據(jù)，比如在主體（公司）的全稱清單之外的輿情等，選手同樣需要對(duì)其預(yù)測(cè)，不計(jì)入自動(dòng)評(píng)分。

統(tǒng)一評(píng)審階段 將選手預(yù)測(cè)結(jié)果和答案進(jìn)行對(duì)比計(jì)算出F1值，F(xiàn)1越大約好

F1計(jì)算公式為：

P = 預(yù)測(cè)對(duì)的標(biāo)簽總數(shù) / 預(yù)測(cè)出的標(biāo)簽數(shù)
R = 預(yù)測(cè)對(duì)的標(biāo)簽總數(shù) / 需要預(yù)測(cè)的總標(biāo)簽數(shù)
F1 = 2 * P * R /(P+R)

數(shù)據(jù)集文件如下：

├── data
│   ├── RISKLABEL_Training
│   │   ├── 1_元數(shù)據(jù)格式.docx
│   │   ├── 2_公司實(shí)體匯總_20210414_A1.xlsx
│   │   ├── 3_訓(xùn)練集匯總_20210414_A1.xlsx
│   │   ├── readme.txt
│   │   ├── result.csv
│   │   └── ~$_元數(shù)據(jù)格式.docx
│   └── T1_ID
│       ├── readme.txt
│       └── result.csv

首先加載看下數(shù)據(jù)內(nèi)容：

接下來(lái)我們對(duì)數(shù)據(jù)集中出現(xiàn)的實(shí)體與文本進(jìn)行分析，著重思考比賽思路以及賽題提分點(diǎn)。

def statics(data):
    stats = []
    for col in data.columns:
        stats.append((col, data[col].nunique(), data[col].isnull().sum() * 100 / data.shape[0],
                      data[col].value_counts(normalize=True, dropna=False).values[0] * 100, data[col].dtype))

    stats_df = pd.DataFrame(stats, columns=['Feature', 'Unique_values', 'Percentage_of_missing_values',
                                            'Percentage_of_values_in_the_biggest category', 'type'])
    stats_df.sort_values('Percentage_of_missing_values', ascending=False, inplace=True)
    return stats_df

實(shí)體長(zhǎng)度分布

統(tǒng)計(jì)每個(gè)實(shí)體的長(zhǎng)度

stats = entities_df['entity_len'].value_counts().rename_axis('unique_entity_len').reset_index(name='counts')
fig = px.bar(stats, x='unique_entity_len', y='counts')
fig.show()

可以看出，實(shí)體最小長(zhǎng)度為4，平均長(zhǎng)度為13，最大長(zhǎng)度為35，過(guò)長(zhǎng)實(shí)體是我們需要解決的難點(diǎn)之一，我們可以通過(guò)將過(guò)長(zhǎng)實(shí)體進(jìn)行拆分標(biāo)注，然后預(yù)測(cè)的時(shí)候根據(jù)是否相鄰進(jìn)行組合，也可以通過(guò)指針網(wǎng)絡(luò)解決crf在過(guò)長(zhǎng)實(shí)體識(shí)別時(shí)出現(xiàn)span斷裂的問(wèn)題。

企業(yè)實(shí)體名稱多樣性

大部分企業(yè)實(shí)體都是以“公司”，“有些股份公司”，“集團(tuán)"結(jié)尾的，另外也存在一些含有括號(hào)的實(shí)體：

entities_df[
    (entities_df['公司名'].str.contains('（'))|
    (entities_df['公司名'].str.contains('）'))|
    (entities_df['公司名'].str.contains('\('))|
    (entities_df['公司名'].str.contains('\)'))
 ]
# 英文括號(hào)為0

例如：

除此之外還有一些其他名稱比較靈活組合的實(shí)體

文本長(zhǎng)度分析

新聞標(biāo)題的長(zhǎng)度分布

新聞標(biāo)題最小長(zhǎng)度為6，最大長(zhǎng)度為120，平均長(zhǎng)度為28。

新聞內(nèi)容的長(zhǎng)度分布

train_df['content_len']=train_df['CONTENT'].apply(lambda x:len(x))
train_df['content_len'].describe()

可以看到的是新聞內(nèi)容存在過(guò)長(zhǎng)文本，并且嚴(yán)重超過(guò)了現(xiàn)有模型的輸入長(zhǎng)度

count    11685.000000
mean      3324.683098
std       6741.110801
min          4.000000
25%         31.000000
50%        979.000000
75%       2807.000000
max      32767.000000
Name: content_len, dtype: float64

通過(guò)查看文本，我們可以看到，新聞內(nèi)容中存在大量html代碼標(biāo)簽，我們可以通過(guò)正則表達(dá)式re和BeautifulSoup進(jìn)行去除無(wú)關(guān)標(biāo)簽

# 方式1
import re
pattern = re.compile(r'<[^>]+>',re.S)
result = pattern.sub('', train_df['CONTENT'][11683])
print("".join(result.split()))

# 方式2
from bs4 import BeautifulSoup
cleantext = BeautifulSoup(train_df['CONTENT'][11683], "lxml").text
cleantext

處理前后的文本對(duì)比

清洗文本之后，文本長(zhǎng)度縮減一半：

train_df['content_len'].describe()

count    11685.000000
mean      3324.683098
std       6741.110801
min          4.000000
25%         31.000000
50%        979.000000
75%       2807.000000
max      32767.000000
Name: content_len, dtype: float64

train_df['new_content_len'].describe()

count    11685.000000
mean       890.949679
std       1328.754384
min          0.000000
25%         31.000000
50%        424.000000
75%       1298.000000
max      31840.000000
Name: new_content_len, dtype: float64

業(yè)務(wù)標(biāo)簽數(shù)量分布

train_df['LABEL'].value_counts()
無(wú)                  3042
實(shí)控人變更               811
信息披露違規(guī)              800
重大訴訟仲裁              800
股票質(zhì)押率過(guò)高             799
主板/創(chuàng)業(yè)板/中小板/債券退市     799
被政府職能部門處罰           799
債務(wù)逾期                798
被監(jiān)管機(jī)構(gòu)罰款或查處          796
被采取監(jiān)管措施             796
破產(chǎn)重整                796
安全事故                326
環(huán)境污染                323
Name: LABEL, dtype: int64

從上面可以看出，不存在金融事件樣本“無(wú)”所占比列最多，有3042個(gè)樣本；其次是“信息披露違規(guī) ”和“重大訴訟仲裁”，都是800個(gè)樣本，出現(xiàn)次數(shù)最少的兩個(gè)類別是“安全事故”和“環(huán)境污染 ”。

另外我們從業(yè)務(wù)標(biāo)簽字面我們可以看到的是大部分業(yè)務(wù)標(biāo)簽界限還是比較清晰的，但是“被監(jiān)管機(jī)構(gòu)罰款或查處 ”和“被采取監(jiān)管措施”這兩個(gè)類別的界限還是比較模糊的，這個(gè)也是我們提分的一個(gè)地方：

基于bert_multitask_learning進(jìn)行標(biāo)簽分類和實(shí)體識(shí)別的聯(lián)合任務(wù)訓(xùn)練,首先構(gòu)建輸入，

import bert_multitask_learning
from bert_multitask_learning.preproc_decorator import preprocessing_fn
from bert_multitask_learning.params import BaseParams
@preprocessing_fn
def toy_cls(params: BaseParams, mode: str):
    "Simple example to demonstrate singe modal tuple of list return"
    if mode == bert_multitask_learning.TRAIN:
        toy_input = ['this is a test' for _ in range(10)]
        toy_target = ['a' if i <=5 else 'b' for i in range(10)]
    else:
        toy_input = ['this is a test' for _ in range(10)]
        toy_target = ['a' if i <=5 else 'b' for i in range(10)]
    return toy_input, toy_target

@preprocessing_fn
def toy_seq_tag(params: BaseParams, mode: str):
    "Simple example to demonstrate singe modal tuple of list return"
    if mode == bert_multitask_learning.TRAIN:
        toy_input = ['this is a test'.split(' ') for _ in range(10)]
        toy_target = [['a', 'b', 'c', 'd'] for _ in range(10)]
    else:
        toy_input = ['this is a test'.split(' ') for _ in range(10)]
        toy_target = [['a', 'b', 'c', 'd'] for _ in range(10)]
    return toy_input, toy_target

processing_fn_dict = {'toy_cls': toy_cls, 'toy_seq_tag': toy_seq_tag}

創(chuàng)建多任務(wù)實(shí)例并進(jìn)行實(shí)例

from bert_multitask_learning import train_bert_multitask, eval_bert_multitask, predict_bert_multitask
problem_type_dict = {'toy_cls': 'cls', 'toy_seq_tag': 'seq_tag'}

problem = 'toy_cls&toy_seq_tag'
# train
model = train_bert_multitask(
    problem=problem,
    num_epochs=1,
    problem_type_dict=problem_type_dict,
    processing_fn_dict=processing_fn_dict,
    continue_training=True
)

模型驗(yàn)證與預(yù)測(cè)

eval_dict = eval_bert_multitask(problem=problem,
                    problem_type_dict=problem_type_dict, processing_fn_dict=processing_fn_dict,
                    model_dir=model.params.ckpt_dir)
print(eval_dict)
# predict
fake_inputs = ['this is a test'.split(' ') for _ in range(10)]
pred, model = predict_bert_multitask(
    problem=problem,
    inputs=fake_inputs, model_dir=model.params.ckpt_dir,
    problem_type_dict=problem_type_dict,
    processing_fn_dict=processing_fn_dict, return_model=True)
for problem_name, prob_array in pred.items():
    print(f'{problem_name} - {prob_array.shape}')

完整教程可以查看官網(wǎng)：https://jayyip.github.io/bert-multitask-learning/tutorial.html

企業(yè)實(shí)體提?。?span style="display: none;">

比賽中可能用到的NER Trick

如果1層lstm+crf，這么直接的打開方式導(dǎo)致NER性能達(dá)不到業(yè)務(wù)目標(biāo)，這一點(diǎn)也不意外（這是萬(wàn)里長(zhǎng)征的第一步～）。這時(shí)候除了badcase分析，不要忘記一個(gè)快速提升的重要手段：規(guī)則+領(lǐng)域詞典。

在垂直領(lǐng)域，一個(gè)不斷積累、不斷完善的實(shí)體詞典對(duì)NER性能的提升是穩(wěn)健的，基于規(guī)則+詞典也可以快速應(yīng)急處理一些badcase；對(duì)于通?領(lǐng)域，可以多種分詞工具和多種句法短語(yǔ)?具進(jìn)行融合來(lái)提取候選實(shí)體，并結(jié)合詞典進(jìn)行NER。

將詞向量引入到模型中，一種簡(jiǎn)單粗暴的做法就是將詞向量對(duì)齊到相應(yīng)的字符，然后將字詞向量進(jìn)行混合，但這需要對(duì)原始文本進(jìn)行分詞（存在誤差），性能提升通常是有限的。我們知道中文NER通常是基于字符進(jìn)行標(biāo)注的，這是由于基于詞匯標(biāo)注存在分詞誤差問(wèn)題。但詞匯邊界對(duì)于實(shí)體邊界是很有用的，我們?cè)撛趺窗烟N(yùn)藏詞匯信息的詞向量“恰當(dāng)”地引入到模型中呢？

如果NER任務(wù)中某一類實(shí)體span比較長(zhǎng)（?如醫(yī)療NER中的?術(shù)名稱是很長(zhǎng)的），直接采取CRF解碼可能會(huì)導(dǎo)致很多連續(xù)的實(shí)體span斷裂。除了加入規(guī)則進(jìn)行修正外，這時(shí)候也可嘗試引入指針網(wǎng)絡(luò)+CRF構(gòu)建多任務(wù)學(xué)習(xí)解決。

指針網(wǎng)絡(luò)會(huì)更容易捕捉較長(zhǎng)的span，不過(guò)指針網(wǎng)絡(luò)的收斂是較慢的，可以對(duì)CRF和指針網(wǎng)絡(luò)設(shè)置不同學(xué)習(xí)率，或者設(shè)置不同的loss權(quán)重。

在競(jìng)賽任務(wù)中，BERT很有用！我們可以選取不同的預(yù)訓(xùn)練語(yǔ)?模型在底層進(jìn)行特征拼接。具體地，可以將char、bigram和BERT、XLNet等一起拼接喂入1層lstm+crf中。語(yǔ)?模型的差異越?，效果越好。如果需要對(duì)語(yǔ)言模型finetune，需要設(shè)置不同的學(xué)習(xí)率。

業(yè)務(wù)標(biāo)簽識(shí)別：

關(guān)注公眾號(hào)ChallengeHub，回復(fù)”互聯(lián)網(wǎng)輿情“獲取完整代碼和更多案例分析