MTS AI при поддержке Сколтеха разработал уникальный датасет для идентификации парафразов

NLP-исследователи MTS AI вместе со Сколтехом создали уникальный датасет RuPAWS, с помощью которого можно обучать и тестировать модели для индентификации парафразов. 

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 PAWS, аналогичного датасета для английского языка. В его основе лежат тексты из социальных сетей и Википедии, поэтому собранные данные подходят для многих практических задач. RuPAWS представляет собой переведенный с помощью nmt (машинного перевода) и проверенный вручную PAWS.

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 старший разработчик в группе NLP MTS AI Ирина Кротова.

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. 

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.