fanshu6hao/ccks2022_task9_2

CCKS2022-任务九-子任务二-基于知识图谱的商品同款挖掘-第一名方案

ccks2022_task9_2

CCKS2022-任务九-子任务二-基于知识图谱的商品同款挖掘-第一名 USTC-MINE 方案

比赛链接

论文链接

@inproceedings{ccks22_task9_2,
  author       = {Changkai Feng and
                  Wei Chen and
                  Chao Chen and
                  Tong Xu and
                  Enhong Chen},
  title        = {Multimodal Representation Learning-Based Product Matching},
  booktitle    = {{CCKS} 2022 - Evaluation Track - 7th China Conference on Knowledge
                  Graph and Semantic Computing Evaluations},
  series       = {Communications in Computer and Information Science},
  volume       = {1711},
  pages        = {180--190},
  year         = {2022},
  url          = {https://doi.org/10.1007/978-981-19-8300-9\_20},
  doi          = {10.1007/978-981-19-8300-9\_20}
}

目录结构

code  
  
  ---code/output       训练过程中保存的模型，预测产生的csv和jsonl文件
  
  ---code/text         文本模型代码
  
  ---code/image        图片模型代码
  
  ---submit_single.py  用单个csv生成提交的jsonl文件
  
  ---concat_emb.py     concat两个csv embedding
  
  ---submit_rules.py   将最后的文本和图片emb csv文件加上规则生成jsonl提交文件

data  

  ---data/pic          图片数据，包含 item_train_images 和 item_test_images 两个文件夹
  
  ---data/text         文本数据，下载原始数据后需要预处理

model             

pretrained_model

---

运行环境说明

 GPU型号：Tesla V100-SXM2-32GB
 
 cuda版本：10.2
 
 Python版本：3.6.13
 
 pytorch版本：1.7.1
 
 train.sh本地运行大致时长：50h (图像模型) + 10h（文本模型roberta_base）+ 20h（文本模型large）
 
 predict.sh本地运行大致时长：1h (图像预测) + 20min（文本模型）

---

注意事项

 1. 由于 image_swin_final_512.py 以及 image_swin_final_256.py 图像训练过程中将每个epoch模型都保存下来，故使用 predict.sh 预测时需修改 --image_model_name 参数来选择训练数据所划分的 valid 和 test F1 值都较大的模型。
 2. 本任务中阈值动态变化，由于训练过程的误差以及模型融合结果的不确定性，最后提交文件的阈值也无法确定，我们在复赛中得分最高的提交文件中所选择的阈值为0.776（加上规则后），根据的原则是选择这一阈值将得到4900个左右的正样本，故可按照该原则动态选择阈值。
 3. 代码中没有使用外部数据，我们对文本数据 (item_train_info.jsonl) 进行了预处理，对图像数据没有任何修改。
 4. 文本模型 roberta_base 本地 valid F1 约 0.862，roberta_large 约 0.864；图片模型 swin_transformer 本地 valid F1 约0.902

---

运行流程

 1. pip install -r requirements.txt 创建环境
 2. 执行 train.sh 训练文本和图像模型(共4个)
 3. 执行 predict.sh ensemble 生成融合后的 embedding
    
(可选项：单独生成文本、图像embedding)

predict.sh model_text_base

predict.sh model_text_large

predict.sh model_image_256

predict.sh model_image_512