🏆Level1 Project - STS(Semantic Text Similarity)

✏️대회 소개

특징	설명
대회 주체	네이버 부스트캠프 AI-Tech 6기 NLP트랙의 level1 도메인 기초 대회입니다.
대회 설명	두 문장이 주어졌을 때 두 문장에 대한 STS(Semantic Text Simliarity)를 추론하는 대회로 Kaggle과 Dacon과 같이 competition 형태로 진행되었습니다.
데이터 구성	데이터는 slack 대화, 네이버 영화 후기, 국민 청원 문장으로 구성되어 있습니다. Train(9324개), Dev(550개), Test(1100개)
평가 지표	모델의 평가지표는 피어슨 상관계수(Pearson correlation coefficient)로 측정했습니다.

🎖️Leader Board

🥈Private Leader Board(2위)

🥉Public Leader Board(3위)

👨‍💻Team & Members

• Team명 : 369 [NLP 3조]

🧚Members

김동현	김유민	박산야	이종원	황기중	황예원
Github	Github	Github	Github	Github	Github
Mail	Mail	Mail	Mail	Mail	Mail

💯Our Team's Goal

팀 단위의 프로젝트인만큼 최대한 다양한 시도를 분업하여 서로의 내용이 겹치지 않도록 진행하였습니다. 이때 업무를 정확한 기준으로 구분하기보다 모두가 자유롭게 EDA부터 전처리, 모델 실험, 모델 튜닝까지 end-to-end로 경험하는 것을 목표로 협업하였습니다. ‘하나에 꽂히면 끝까지 판다’는 공통점을 가진 저희 팀원들의 강한 책임감과 아이디어를 향한 끈질긴(?) 애정 덕분에 성공적으로 프로젝트를 마무리할 수 있었습니다.

👼Member's role

Member	Role
김동현	EDA(데이터 셋 특성 분석), 데이터 증강(back translation), 모델링 및 튜닝(Bert, Roberta, Albert, SBERT, WandB)
김유민	EDA(label-pred 분포 분석), 데이터 증강(back translation/nnp_sl_masking/어순도치/단순복제), 모델 튜닝(roberta-large, kr-electra-discriminator)
박산야	EDA(label 분포 및 문장 길이 분석), 데이터 증강(sentence swap), 모델링 및 튜닝(KoSimCSE-roberta, 해당 모델 기반 Siamese Network 적용 모델)
이종원	EDA(label 분포 분석, label-pred 분포 분석), 데이터 전처리(hanspell), 데이터 증강(/swap sentence/copied sentence/SR/random masking), 모델 튜닝(roberta-large, electra-kor-base, kr-electra-discriminator), 앙상블(soft voting, weight voting), 코드 리팩토링
황기중	데이터 전처리(띄어쓰기 통일), 데이터 증강(부사/고유명사 제거 Augmentation), 모델링(KoSimCSE-roberta), 앙상블(variance-based ensemble)
황예원	모델링 및 튜닝(RoBERTa, T5, SBERT), 모델 경량화(Roberta-large with deepspeed)

🏃Project process

🖥️ Project Introduction

개요	Description
프로젝트 주제	STS(Semantic Text Similarity) : 두 문장의 유사도 정도를 수치로 추론하는 Task
프로젝트 목표	두 문장(sentence1, sentence2)이 주어졌을 때, 이 두 문장의 유사도를 0~5사이의 점수로 추론한는 AI 모델 제작.
프로젝트 평가지표	실제 값과 예측값의 피어슨 상관 계수(Pearson Correlation Coefficient)
개발 환경	GPU : Tesla V100 Server 6대, IDE : Vscode, Jupyter Notebook
협업 환경	Notion(진행 상황 공유), Figma(진행 상황 시각화 공유), Github(코드 및 데이터 공유), Slack(실시간 소통)

📅Project TimeLine

• 프로젝트는 2023-12-11 ~ 2023 12-21 약 11일간 진행되었습니다.

🕵️What we did

• 프로젝트를 진행하며 단계별로 실험해 보고 적용해 본 내용들은 아래와 같습니다.

Process	What we did
EDA	데이터 분포 분석, Baseline 모델 예측과 실제값 차이 분석
Preprocessing	emotion normalize, repeat normalize, 특수문자 제거, 영어 소문자 처리, hanspell(맞춤법검사)
Augmentation	SR(Synonym Replacement), Swap Sentence, Copied Sentence, NNP, SL Masking, Back Translation, 어순 도치, 단순 복제
Experiment Model	klue/RoBERTa-base, klue/RoBERTa-large, klue/bert-base, monologg/KoELECTRA-base, KETI-AIR/ke-t5-base, xlm-roberta-large, snunlp/KR-SBERT-V40K-klueNLI-augSTS, kykim/electra-kor-base, snunlp/KR-ELECTRA-discriminator, BM-K/KoSimCSE-roberta, rurupang/roberta-base-finetuned-sts
Hyper paramter tunning & Mornitoring	Wandb Sweep
Ensemble	weight voting, soft voting

📊DataSet

Version	Description
AugmentationV1	원본 데이터에서 label>=4인 데이터 단순 증강.
AugmentationV2	원본 데이터 + 맞춤법 검사 데이터 + SR + Swap Sentence + Copied Sentence
AugmentationV3	AugmentationV2 + NNP, SL Masking

• 데이터 증강 과정에서 라벨 분포를 균형있게 맞추고자 라벨별 증강 비율을 조정하였습니다.

🤖Ensemble Model

• 최종적으로 5개의 모델을 앙상블에 사용하였습니다.

Model	Learing Rate	Batch Size	loss	epoch	Data Cleaning	Data Augmentation	Public Pearson	Scheduler	Ensemble Weight
klue/RoBERTa-large	1e-5	16	L1	5	Spell Check	AugmentationV2	0.9125		0.9125
klue/RoBERTa-large	1e-5	16	MSE	2	Spell Check	AugmentationV3	0.9166		0.9166
kykim/electra-kor-base	2e-5	32	L1	23	Spell Check	AugmentationV2	0.9216	CosineAnnealingWarmRestarts	0.9216
snunlp/KR-ELECTRA-discriminator	1e-5	32	L1	15		AugmentationV1	0.9179		0.9179
snunlp/KR-ELECTRA-discriminator	2e-5	32	L1	15	Spell Check	AugmentationV2	0.9217	CosineAnnealingWarmRestarts	0.9217

📁Project Structure

📁디렉토리 구조 설명

• 학습 데이터 경로 : ./data
• 학습 코드 경로 : ./code
• 모델 Config 경로 : ./code/config
• 학습된 모델 생성 경로 : ./model
• 추론 및 앙상블 결과 생성 경로 : ./result

📁📁코드 구조 설명

1. 데이터 증강 코드 위치 : ./code/augmentation.py

   • 증강 데이터 생성 경로 : ./data/

2. Config 설정 코드 경로 : ./code/config/

3. Model Train 코드 위치 : ./code/train.py

   • 모델 .pt파일 생성 경로 : ./model/

4. Infer & Ensemble 코드 위치 : ./code/infer.py

   • 추론 결과 .csv파일 생성 경로 : ./result/

📁level1_semantictextsimilarity-nlp-3
├─code
│  │  augmentation.py
│  │  dataloader.py
│  │  dataset.py
│  │  inference.py
│  │  learner.py
│  │  model.py
│  │  train.py
│  │  utils.py
│  │  
│  ├─config
│  │      kr_electraV1_config.py
│  │      kr_electraV2_config.py
│  │      kykim_config.py
│  │      roberta_large_config.py
│  │      roberta_large_nnp_config.py
│  │      
│  └─wrappers
│          config_wrapper.py
│          train_wrapper.py
│          
├─data
│      dev.csv
│      dev_spellcheck.csv
│      sample_submission.csv
│      test.csv
│      test_spellcheck.csv
│      train.csv
│      train_augmentV1.csv
│      train_augmentV2.csv
│      train_augmentV3.csv
│      wordnet.pickle
│      
├─model
│      klue-roberta-large-nnp.pt
│      klue-roberta-large.pt
│      kykim-electra-kor-base.pt
│      snunlp-KR-ELECTRA-discriminator-V1.pt
│      snunlp-KR-ELECTRA-discriminator-V2.pt
│      
└─result
        ensemle.csv
        klue-roberta-large-nnp.csv
        klue-roberta-large.csv
        kykim-electra-kor-base.csv
        snunlp-KR-ELECTRA-discriminator-V1.csv
        snunlp-KR-ELECTRA-discriminator-V2.csv

💻How to Start

📊Make Dataset

# 데이터 증강
> python ./code/augmentation.py

🤖Train Model

# ./code/config 에서 훈련 모델의 config 설정
> python ./code/train.py

🤖Infer or Ensemble Model

# Infer
> python ./code/inference.py --mode inference

# Ensemble
> python ./code/inference.py --mode ensemble