RuPAWS позволит научить поисковые системы, ИИ-помощников, чат- и войс-ботов корректно понимать запросы пользователей.
В чем особенность RuPAWS?
NLP-исследователи MTS AI вместе со Сколтехом создали уникальный датасет
Парафраз (или парафраза) — это пересказ исходного предложения другими словами. Их точная идентификация и соответствующие датасеты необходимы для обучения поисковых систем, языковых голосовых помощников, чат- и войс-ботов. Благодаря точному распознаванию парафразов, ИИ-помощники будут корректно отвечать пользователям приложений и веб-сервисов и предоставлять информацию, строго соответствующую их запросам.
Датасет RuPAWS состоит из 17 346 пар парафразов и содержит большое количество предложений, в которых много одинаковых слов, но смысл при этом разный. Это фразы наподобие «Может ли плохой человек стать хорошим?» и «Может ли хороший человек стать плохим?».
Человек легко понимает, что эти предложения не являются парафразами, но ML-модели, обученные на классических датасетах, могут ошибаться.
«От других русскоязычных датасетов RuPAWS отличается тем, что фокусируется на редких примерах парафразов, которые вызывают особые сложности при классификации – такой подход называют состязательными атаками (adversarial attacks) на системы машинного обучения», – рассказал NLP-инженер MTS AI Никита Мартынов.
Первыми идею такого датасета предложили авторы
Для русского языка уже существуют датасеты для классификации парафразов, но в них не хватает сложных примеров. Один из эталонных датасетов, ParaPhraser, близок по объёму (9 151 пар предложений), и успешно используется для обучения и тестирования моделей машинного обучения. Но даже SoTA (state-of-the-art) – решение для задачи классификации парафразов на русском языке, моноязычная адаптация BERT-a RuBERT – идентифицирует предложения с высоким пересечением слов как парафразы, когда они таковыми не являются.
Эта проблема решается с помощью датасета RuPAWS, показали исследования, проведенные в совместной лаборатории «МТС-Сколтех».
«Эксперименты показали, что модель, обученная на данных из обоих датасетов, практически не теряет в качестве при классификации примеров из ParaPhraser, но при этом точность работы на сложных примерах возрастает почти в два раза, до 79%», — сообщила Ирина Кротова, старший разработчик в группе NLP MTS AI.
Рассмотрим несколько примеров предложений с большим количеством одинаковых слов, но не тождественных по смыслу. Языковая модель, обученная на ParaPhraser, распознавала их как парафразы. Однако с точки зрения смысла это было неправильно. В свою очередь, если языковую модель обучали на двух датасетах — ParaPhraser и RuPAWS, она таких ошибок не допускала.
Фраза 1 | Фраза 2 | Комментарий | Распознавание как парафразы (Paraphraser) | Распознавание как парафразы Paraphraser+RuPAWS |
Можно ли хорошему человеку стать плохим? | Можно ли плохому человеку стать хорошим? | замена прилагательных | 0,96 | 0,02 |
У какой авиакомпании есть дешевый перелет из Амстердама в Джакарту? | У какой авиакомпании дешевые перелеты из Джакарты в Амстердам? | замена существительных | 0,97 | 0,08 |
Очередное исполнение оперы Карла Оге Расмуссена было записано в 2005 году и опубликовано в 2006 году. | Еще одна экранизация оперы Карла Оге Расмуссена была опубликована в 2005 году и записана в 2006 году. | замена глаголов | 0,96 | 0,03 |
Эвари Байзо (3 июня 1821 — 6 февраля 1910 — Нант) – французский военный физиолог. | Эвари Байзо (3 июня 1821 — 6 февраля 1910 — Нант) – французский военный физик. | замена одного слова на другое | 0,96 | 0,02 |
NLP-исследователи MTS AI Никита Мартынов и Ирина Кротова представят статью о новом языковом корпусе RuPAWS на одной из крупнейших международных конференций LREC 2022, которая пройдет в Марселе с 20 по 25 июня.