项目说明

项目是基于Pytorch + BERT做的一个抽取式中文机器阅读理解系统

数据集

dureader2.0

训练

cd script 
sh train.sh train

预测

cd script 
sh train.sh predict

预测的结果在./output_dir/predictions.json中

其他

说明下本项目关键的几个地方：

• start position
  我们输入的是段落中的字的索引，需要转化为tokenizer之后的索引，并且，还需要加上query token 的长度。
• end position 和start position同理
• 长度超过max_seq_length 对于太长的句子，采用了划窗策略，即按照一定的长度对文本进行拆分，然后再检查答案是否在对应的窗口文本中，如果在则改变相应的起末位置索引；如果不在，则起末位置索引置0
• 计算loss的时候，忽略了>=max_seq_length的label和小于0的label。
• 防止处理出错，对label进行了clamp操作，小于0的置0，大于max_seq_length置max_seq_length。