| 개요 | 설명 |
|---|---|
| 주제 | 주어진 질문에 대해 정해진 지문이 없이 사전에 구축되어 있는 Knowledge resource에서 질문에 대한 답변을 찾는 과정 |
| 구조 | 2-stage로 나누어진 Retriever → Reader 구조의 모델 1) Retriever: 주어진 질문과 관련된 문서를 찾아준다. 2) Reader: 관련된 문서를 읽고 적절한 답변을 찾아준다. |
| 데이터셋 | train_dataset train: 3,952, validation: 240 test_dataset validation: 240(public), 360(private) wikipedia_documents 60,613 |
| 평가 | • 두 가지 평가지표를 사용(EM 기준으로 반영되고, F1은 참고용으로만 활용) • Exact Match(EM): 모델의 예측과, 실제 답이 정확하게 일치할 때만 점수가 주어진다. • F1 Score: EM과 다르게 겹치는 단어도 있는 것을 고려해 부분 점수를 제공한다. |
| 개발 환경 | GPU: Tesla V100 Sever 4대, IDE: Vscode, Jupyter Notebook |
권유진  |
박무재 |
박정미 |
이용준 |
정원식 |
|---|---|---|---|---|
 |
 |
 |
 |
 |
| Retriever 모델(BM25, TF-IDF+BM25) 구현 | Retriever 모델(DPR) 구현 및 모듈화, negative sampling 구현, 앙상블 | EDA, 데이터 전처리, KorQuAD 데이터 증강 | PM, base-code 모듈화 및 환경세팅, Colbert 구현, elastic-search 구현, 실험 및 앙상블 | Reader 모델 리서치, 모델 실험, Hyperparameter tuning |
- 데이터 분포 및 특성 분석
- 기타 특수문자 및 개행문자 제거
- 중복된 context 제거
- KorQuAD 1.0
- train: 64,359개 / validation: 6,014개
- KorQuAD 2.1
- train: 124,240개 / validation: 17,551개
| Data Version | 버전 설명 |
|---|---|
| v1 | 기타 특수문자를 공백으로 변환 |
| v2 | 기타 특수문자 및 개행문자, wikipedia의 중복된 context 제거 |
| v3 | KorQuAD 1.0 추가(+ v2와 동일한 전처리) |
| v4 | KorQuAD 1.0과 KorQuAD 2.1로만 구성(+ v2와 동일한 전처리) |
| 분류 | 내용 | |
|---|---|---|
| Retrieval | Sparse | 텍스트의 단어 빈도를 기반으로 문서와 쿼리 간의 유사도를 계산한다. 주로 TF-IDF와 BM25와 같은 알고리즘이 사용되며, 높은 정밀도를 가지지만, 문장 간 의미적 유사도를 잘 반영하지 못하는 한계가 있다. 사용한 모델: TF-IDF, BM25, TF-IDF + BM25, Elastic Search |
| Dense | 딥러닝 기반 임베딩 모델(Bert)을 활용하여 문서와 쿼리를 밀집 벡터 공간에 매핑한 후, 이 벡터들 간의 유사도를 계산하여 가장 관련성 높은 문서를 찾는다. 사용한 모델: klue/bert-base, klue/roberta(base, large) 모델 구조: Cross-Attention Encoder, Dual-Encoder, Colbert |
|
| Reader | Query에 대응하는 답변을 문서에서 찾는다. 사용한 모델: klue/bert-base, monologg/koelectra-base-v3-discriminator, klue/roberta-large, DHBaek/xlm-roberta-large-korquad-mask, hanmaroo/xlm_roberta_large_korquad_v1, team-lucid/deberta-v3-xlarge-korean |
| 분류 | 내용 | |
|---|---|---|
| Retrieval | Sparse | TF-IDF + BM25: TF-IDF로 전체적인 단어 빈도 기반의 유사도를 구하고, BM25의 가중치를 추가하여 문서의 길이와 빈도를 보정 Re-Ranking: Sparse 를 이용해 후보 Passage를 정하고 Dense Retrieval로 다시 ranking하는 방법을 적용 |
| Dense | Hard negative sampling: BM25를 통해 질문과 지문들을 scoring하여 top-n개의 지문을 negative로 활용 Gradient accumulation: 여러 미니 배치의 그라디언트를 누적해 마치 큰 Batch size로 학습하는 효과 Gradient cache: in-batch 효과를 살릴 수 있는 방법 Mixed precision: 모델 파라미터의 일부를 16-bit로 처리하여 메모리 사용량을 줄이고, 학습 속도를 높이는 방식 Colbert: late interaction이란 아이디어를 이용해 bi-encoder와 cross-encoder 두 가지 설계의 장점을 취할 수 있음 |
|
| Reader | Curriculum Learning: 데이터셋의 순서를 조정하여 모델이 학습하기 어려운것을 뒤로 배치하여 모델이 점차적으로 학습하여 성능을 개선시키기 위한 방법론 |
-
Retrieval 성능
TF-IDF BM25 TF-IDF + BM25 klue/bert-base(1epoch) Top_1 26.45 54.68 37.66 24.52 Top_10 65.56 88.71 79.76 51.69 Top_20 73.55 91.94 86.45 59.03 Top_30 78.23 93.55 89.27 63.23 Top_40 81.05 94.44 90.73 66.21 Top_50 83.63 95.16 91.53 67.98 Top_100 88.55 96.05 94.35 75.48 -
Reader 성능
-
모델별 EM, F1 Score 비교
Reader EM F1 Epoch Batch size klue/bert-base 59.833 69.641 15 24 monologg/koelectra-base-v3-discriminator 56.250 65.864 15 24 klue/roberta-large 69.583 77.280 1 24 team-lucid/deberta-v3-xlarge-korean 56.250 66.563 1 8 hanmaroo/xlm_roberta_large_korquad_v1 57.083 67.490 1 20 DHBaek/xlm-roberta-large-korquad-mask 58.333 68.427 1 20 -
max_seq_length, doc_stride에 따른 비교
Model name EM F1 max_seq_length doc_stride doc_stride/max_seq_length klue/bert-base 59.833 69.641 384 128 0.333333333 klue/bert-base 57.083 65.419 512 128 0.25 klue/bert-base 59.583 68.521 512 256 0.5 -
n_best_size에 따른 비교
Model name EM F1 n_best_size EM 개선율(%) klue/bert-base 59.833 69.641 20 - klue/bert-base 60.12 67.537 40 0.48 -
no_answer 토큰 추가에 따른 비교
Model name EM F1 no_answer 토큰 추가 null_score_diff_threshold EM 개선율(%) klue/bert-base 59.833 69.641 X - - klue/bert-base 58.333 65.766 O 0 -2.506 klue/bert-base 58.333 65.766 O 1 -2.506 klue/bert-base 58.333 65.766 O 5 -2.506 -
LoRA 사용에 따른 비교
Model name EM F1 LoRA EM 개선율(%) klue/bert-base 59.833 69.641 X - klue/bert-base 56.25 66.213 O -5.988 -
데이터 전처리에 따른 비교
Model name EM F1 데이터 전처리 EM 개선율(%) klue/bert-base 59.833 69.641 X - klue/bert-base 61.25 68.583 O 2.368
-
-
앙상블 모델
-
Reader는 roberta-large 사용
Retrieval version EM F1 BM25+ 60.4200 71.5300 BM25 + pretaining 57.9200 68.3600 Elastic Search 59.1700 69.9300 Colbert 54.1700 64.6800 BM25Okapi 55.4200 65.0200
-
- 리더보드 [중간 순위]
- 리더보드 [최종 순위]
