Pstage_03_데이터 제작(NLP)

Solution for Data Production(NLP) in 2nd BoostCamp AI Tech by 메타몽팀 (2조)

Content

• Project Abstract
• Result
• Hardware
• Operating System
• Archive Contents
• Getting Started
  • Dependencies
  • Install Requirements
• Data Building Pipeline
  • Create topic-related dataset
  • Validation for Data Quality
  • Train & Validation by BERT Model

Project Abstract

• 스타트업 관련 위키피디아 원시 데이터로로 RE 데이터셋 구축을 통한 데이터셋 구축 프로세스 학습
  • 위키피디아 원시 데이터: 스타트업 관련 위키피디아 텍스트 파일 40개 (11번가, 린 스타트업, 무신사 등)
• 원시 데이터로부터 적합한 문장 및 Entity를 선정하고, subject-object entity의 관계 생성 및 검수를 통해 데이터 품질 평가(Fleiss's Kappa)

Result

Fleiss' Kappa	Accuracy	F1	Auprc
0.799	0.747	72.227	79.850

Hardware

• Intel(R) Xeon(R) Gold 5120 CPU @ 2.20GHz
• NVIDIA Tesla V100-SXM2-32GB

Operating System

• Ubuntu 18.04.5 LTS

Archive Contents

• data-annotation-nlp-level3-nlp-02 : 구현 코드와 모델 checkpoint 및 모델 결과를 포함하는 디렉토리

data-annotation-nlp-level3-nlp-02/
├── etc
│   ├── RE_relation_class_map.xlsx
│   ├── 스타트업_RE_task_가이드라인_v1.pdf
│   └── 스타트업_RE_task_가이드라인_v2.pdf
├── data
│   └── startup.csv
├── annotation.ipynb
├── calculate_iaa.py
├── dict_label_to_num.pkl
├── dict_num_to_label.pkl
├── evaluation.py
├── fleiss.py
├── handling_annotation.ipynb
├── inference.py
├── labeling.ipynb
├── load_data.py
├── requirements.sh
├── split_sentence_from_rawdata.ipynb
└── train.py

• data/ : 스타트업 원시 데이터를 활용해 제작한 데이터가 있는 디렉토리
• load_data : data 디렉토리에 있는 .csv 파일을 불러오고 전처리 하는 파일
• train.py : relation extraction model 학습하고 validation score를 측정하는 파일
• calculate_iaa.py : 작업자의 data annotation 결과물을 iaa 지표로 측정하는 파일

Getting Started

Dependencies

• torch==1.6.0
• pandas==1.1.4
• transformers==4.11.0
• datasets==1.4.0
• gspread==4.0.1
• oauth2client==4.1.3

Install Requirements

sh requirement_install.sh

Data Building Pipeline

Create topic-related dataset

1. 원시 데이터를 KSS spliter를 이용하여 문장 분리(1차 판별)

split_sentence_from_rawdata.ipynb

2. 정상 문장(2차 판별)을 Tagtog에 입력 및 entity 선정
3. tagtog 데이터를 모델 평가를 위한 형태로 데이터 전처리
4. annotation 작업을 위하여 google sheet으로 데이터 전송 및 annotation 작업
5. 작업된 annotation 데이터에서 에러 데이터 및 오라벨 데이터 선별 후 데이터 수정 및 제거

handling_annotation.ipynb #3~5번 작업 코드

Validation for Data Quality

데이터 품질 평가(IAA with Fleiss' Kappa)

python calculate_iaa.py

Train & Validation by BERT Model

$ python train.py