1. 项目简介
1.1 项目背景
- 目标:聊天机器人是一种基于自然语言处理技术的智能对话系统，能够模拟人类的自然语言交流，与用户进行对话和互动。聊天机器人能够理解用户的问题或指令，并给出相应的回答或建议,其目标是提供友好、智能、 自然的对 话体验
- 应用:当前，聊天机器人在多个领域得到广泛应用,首先，它们常用于在线客服系统，能够快速、 准确地回答用户的常见问题，解决疑问;其次，聊天机器人可以作为个人助手，提供个性化的推荐、建议和日程安排等服务，提升用户体验;此外，聊天机器人还被应用于社交娱乐、语言学习、旅游指南等领域，为用户提供有趣、便捷的对话体验
常见的相关聊天机器人产品:
本项目基于医疗领域数据构建了智能医疗问答系统, 目的是为用户提供准确、高效、优质的医疗问答服务
1.2 环境准备
- python>=3.8
- transformers>=4.2.0
- pytorch>=1.7.0
1.3 项目整体结构
2. 数据介绍
data文件夹里面包含2个文件:
- medical_train.txt 训练数据
- medical_valid.txt 验证数据
medical_train.txt, medical_valid.txt文件的内容均为对话文本,原始train文档中中—共包含91487条数据， valid文档中包含1244条数据, 每两行数据为—段对话内容，注意：如果想要实现多轮对话，那么不同对话间实现多条对话语句对即可
数据举例:
帕金森叠加综合征的辅助治疗有些什么？ 综合治疗；康复训练；生活护理指导；低频重复经颅磁刺激治疗 卵巢癌肉瘤的影像学检查有些什么？ 超声漏诊；声像图；MR检查；肿物超声；术前超声；CT检查数据格式：每段医患对话之间用\n隔开，一共约3w对聊天记录
3. 数据处理
3.1 数据处理简介
目的：将中文文本数据处理成模型能够识别的张量（数字）形式,基本流程如下：
实现过程：
运行preprocess.py，对data/medical_train.txt对话语料进行tokenize，然后进行序列化保存到data/medical_train.txt.pkl 。medical_train.pkl中序列化的对象的类型为List[List],记录对话列表中,每个对话包含的token
注意：这里省略的了数据格式的转换， 目的: 将非txt的文档转换为txt的形式，并符合上述数据格式要求
3.2 代码实现
(1).数据张量转换
代码路径： /data_preprocess/preprocess.py
代码实现了一个针对医疗对话语料的预处理脚本。它的核心功能是将原始的文本对话数据（txt格式），通过BERT 的分词器（Tokenizer）转化为模型可理解的Token ID 序列，并遵循 BERT 处理多轮对话的标准格式（
[CLS] seq1 [SEP] seq2 [SEP] ...），最后将处理好的数据保存为二进制文件（pkl格式）以供后续训练直接读取
# 导入依赖模块 # 导入分词器 # BertTokenizerFast, BertTokenizer：从 Hugging Face 的 transformers 库导入 BERT 分词器。 # Fast 版本基于 Rust 实现，处理速度比标准版快很多 from transformers import BertTokenizerFast, BertTokenizer import pickle # # 将数据保存为pkl文件，方便下次读取 from tqdm import tqdm # 加在进度条 import os def data_preprocess(train_txt_path, train_pkl_path): """ 对原始语料进行tokenizer，将每段对话处理成如下形式："[CLS]sentence1[SEP]sentence2[SEP]sentence3[SEP]" :param train_txt_path: 原始文本路径 :param train_pkl_path: 输出 pkl 文件路径 :return: """ # 初始化分词器与特殊字符 # 初始化tokenizer，使用BertTokenizerFast从预训练的中文Bert模型（bert-base-chinese）创建一个tokenizer对象 # tokenizer = BertTokenizerFast.from_pretrained('/Users/ligang/PycharmProjects/llm/prompt_tasks/bert-base-chinese', # 使用 BertTokenizerFast 加载自定义的词汇表文件 ../vocab/vocab.txt，并显式指定了 BERT 的三个特殊 Token： # [SEP]：分隔符，用于区分不同的句子或对话轮次。 # [PAD]：填充符，用于将不同长度的序列对齐到相同长度。 # [CLS]：起始符，通常放在序列开头，其最终隐藏状态可作为整个序列的聚合表示 ) tokenizer = BertTokenizerFast('../vocab/vocab.txt', sep_token="[SEP]", pad_token="[PAD]", cls_token="[CLS]") # 打印词表大小 print(f'tokenizer.vocab_size-->{tokenizer.vocab_size}') sep_id = tokenizer.sep_token_id # 获取分隔符[SEP]的token ID cls_id = tokenizer.cls_token_id # 获取起始符[CLS]的token ID # [SEP] 和 [CLS] 对应的数字 ID print(f'sep_id-->{sep_id}') print(f'cls_id-->{cls_id}') # # # # # 读取训练数据集, 读取与切分原始语料 with open(train_txt_path, 'rb') as f: data = f.read().decode("utf-8") # 以UTF-8编码读取文件内容 # print(data) # 根据换行符区分不同的对话段落，需要区分Windows和Linux\mac环境下的换行符 # 兼容跨平台换行符：通过判断文本中是否包含 \r\n（Windows换行符）来决定按 \r\n\r\n 还是 \n\n 进行切分。 # 这里以双换行符作为不同对话段落（样本）的分界线 if "\r\n" in data: train_data = data.split("\r\n\r\n") else: train_data = data.split("\n\n") # # print(len(train_data)) # 打印对话段落数量 print(train_data[:2]) # 核心 Tokenize 逻辑 # 开始进行tokenize # 保存所有的对话数据,每条数据的格式为："[CLS]seq1[SEP]seq2[SEP]seq3[SEP]" dialogue_len = [] # 记录所有对话tokenize分词之后的长度，用于统计中位数与均值 dialogue_list = [] # 记录所有对话: 记录处理后的数据 # # # # # for index, dialogue in enumerate(tqdm(train_data)): # print(f'dialogue-->{dialogue}') # 同样兼容单换行符，将一段对话按行切分成多个独立的句子（sequences） if "\r\n" in dialogue: sequences = dialogue.split("\r\n") else: sequences = dialogue.split("\n") # print(f'sequences--》{sequences}') # 初始化 input_ids 列表，并将 [CLS] 的 ID 作为序列的开头 input_ids = [cls_id] # 每个dialogue以[CLS]seq1[sep]seq2[sep] for sequence in sequences: # 调用 tokenizer.encode(sequence, add_special_tokens=False) 将文本转为 ID 列表。 # 关键点：这里必须设置 add_special_tokens=False，因为代码需要手动控制 [SEP] 的插入位置， # 防止 BERT 自动在句首句尾添加额外的 [CLS] 或 [SEP] input_ids += tokenizer.encode(sequence, add_special_tokens=False) # 将每个对话句子进行tokenize，并将结果拼接到input_ids列表中 # input_ids += tokenizer.encode(sequence) # 将每个对话句子进行tokenize，并将结果拼接到input_ids列表中 input_ids.append(sep_id) # 每个seq之后添加[SEP]，表示seqs会话结束 # 记录当前对话的总长度，并将完整的 input_ids 存入 dialogue_list dialogue_len.append(len(input_ids)) # 将对话的tokenize后的长度添加到对话长度列表中 dialogue_list.append(input_ids) # 将tokenize后的对话添加到对话列表中 #保存数据 with open(train_pkl_path, "wb") as f: pickle.dump(dialogue_list, f) if __name__ == '__main__': train_txt_path = '../data/medical_valid.txt' train_pkl_path = '../data/medical_valid.pkl' data_preprocess(train_txt_path, train_pkl_path)tokenizer.vocab_size-->13317 sep_id-->102 cls_id-->101 413 ['小孩五岁，脐周淋巴结肿大，小孩五岁，脐周淋巴结肿大，输液后不痛也不烧了，就是淋巴大了，原来9.3mm*3.4mm现在10mm*5mm又吃了半月克拉霉素和猴头菌提取物颗粒查了一下，变成10mm*6mm更大了，怎么办呀？请医生帮助，谢谢\n你好，考虑肠系膜淋巴结炎，本病常与上呼吸道感染有联系。临床表现为发热、腹痛、呕吐，或发生腹泻或便秘。腹痛有时象绞痛在右下腹部，也可在其他部位，本病多属病毒感染，一般自然痊愈，及时的对症治疗即可', '断指再植血管危象的手术治疗有些什么？\n断指再植；静脉皮瓣游离移植'] 100%|██████████| 413/413 [00:00<00:00, 965.28it/s]
