比赛说明：
#AI夏令营 #Datawhale #夏令营
主要参考datawhale夏令营活动：零基础入门大模型技术竞赛。
连接：https://datawhaler.feishu.cn/wiki/VIy8ws47ii2N79kOt9zcXnbXnuS
比赛网址：
https://challenge.xfyun.cn/topic/info?type=role-element-extraction&ch=dw24_y0SCtd

说明：
- 1，主要适用于不微调的范式。
- 2，针对每次在修改prompt，或者COT之后，想要查看性能如何时，都要提交到官网等待。但是受限于官网每个人每天只能提交3次，无法得到更多的反馈。
- 3，在这里主要从训练集train.json中，随机挑选数据，作为验证集，模仿官网的评分细则，用于验证性能指标。当验证性能满意后，再放到test.json数据进行推理，并提交官网。

步骤：
- 1，模型api配置及加载测试：
- 2，数据加载：加载训练集，数据预处理，数据分析，可设置验证集比例
- 3，prompt设计：提示工程或者COT的方式，根据数据分析设计提示；
- 4，模型推理：输出符合格式预测；
- 5，结果测试：采用与讯飞比赛官网相同的得分计算策略。

为了方便展示，参考群里某大佬画的不微调范式的概要图：

step1: 模型api配置及加载测试

# api配置from sparkai.llm.llm import ChatSparkLLM, ChunkPrintHandler
from sparkai.core.messages import ChatMessage
import json#星火认知大模型Spark3.5 Max的URL值，其他版本大模型URL值请前往文档（https://www.xfyun.cn/doc/spark/Web.html）查看
SPARKAI_URL = 'wss://spark-api.xf-yun.com/v3.5/chat'
#星火认知大模型调用秘钥信息，请前往讯飞开放平台控制台（https://console.xfyun.cn/services/bm35）查看
SPARKAI_APP_ID = ''
SPARKAI_API_SECRET = ''
SPARKAI_API_KEY = ''
#星火认知大模型Spark3.5 Max的domain值，其他版本大模型domain值请前往文档（https://www.xfyun.cn/doc/spark/Web.html）查看
SPARKAI_DOMAIN = 'generalv3.5'

# 模型对话测试def get_completions(text):messages = [ChatMessage(role="user",content=text)]spark = ChatSparkLLM(spark_api_url=SPARKAI_URL,spark_app_id=SPARKAI_APP_ID,spark_api_key=SPARKAI_API_KEY,spark_api_secret=SPARKAI_API_SECRET,spark_llm_domain=SPARKAI_DOMAIN,streaming=False,)handler = ChunkPrintHandler()a = spark.generate([messages], callbacks=[handler])return a.generations[0][0].text# 测试模型配置是否正确
text = "你好，请问你是谁？"
get_completions(text)

step2: 数据加载与数据分析：

加载训练集，部分化为验证集，可设置验证集比例

def read_json(json_file_path):"""读取json文件"""with open(json_file_path, 'r') as f:data = json.load(f)return datadef write_json(json_file_path, data):"""写入json文件"""with open(json_file_path, 'w') as f:json.dump(data, f, ensure_ascii=False, indent=4)# 读取数据
train_data = read_json("dataset/train.json")
print('done!')

# 查看数据格式
print(train_data[1]['chat_text'])

# 简单的数据清洗：将对话的无关信息删除。不要让“[图片]”这种信息干扰；
# 如:[链接]，[图片]，[玫瑰],以及:????上线功能,H5红包，【收集表】2023年度满意度评价等与内容无关的字段去除掉。
import redef clean_chat_text(chat_text):# 定义正则表达式用于匹配链接、图片、特殊表情和无关字段patterns = [r"【收集表】 2023年度服务满意度评价",r"https?://\S+",r"\{[\w\W]*?\}",r'\[.*?\]']# 移除匹配到的内容for pattern in patterns:chat_text = re.sub(pattern, '', chat_text)# 移除多余的空格和换行符chat_text = re.sub(r'\n+', '\n', chat_text).strip()return chat_text# 遍历每个样本，清洗chat_text字段
for sample in train_data:if "chat_text" in sample:sample["chat_text"] = clean_chat_text(sample["chat_text"])

# 验证集划分
import json
import randomdef split_data(data, validation_size):#  # 随机打乱数据# random.shuffle(data)# 划分数据validation_data = data[:validation_size]train_data = data[validation_size:]return train_data, validation_datavalidation_size = 50
# 划分数据
train_data, validation_data = split_data(train_data, validation_size)

测试集分析:

训练集数据分析，假设训练集与测试集同分布。
参考：https://qixiangxingqiu.feishu.cn/wiki/V4duwxVzkipnHjk7djzcFykbnbf
这里面进行了详细的数据分析：
要点：

1. 姓名都是做选择题的，可以先人工提取所有的姓名再让模型做选择；
2. 很多类别都是多分类任务，如：咨询类型、意向产品、购买异议点、客户购买阶段、客户是否有意向、客户是否有卡点，能出现的都是固定的那几个。
3. 在训练集中，年龄、生日、竞品信息都是100%为空的，测试集就不确定了。（我猜测也是空）
   
4. 一些栏目的数据分布：
   
   
   
   咨询类型：
   
   意向产品
   
   购买异议点：
   

step3: prompt设计:

提示工程或者COT的方式；

# prompt 设计
PROMPT_EXTRACT = """
你将获得一段群聊对话记录。你的任务是根据给定的表单格式从对话记录中提取结构化信息。在提取信息时，请确保它与类型信息完全匹配，不要添加任何没有出现在下面模式中的属性。表单格式如下：
info: Array<Dict("基本信息-姓名": string | "",  // 客户的姓名。"基本信息-手机号码": string | "",  // 客户的手机号码。"基本信息-邮箱": string | "",  // 客户的电子邮箱地址。"基本信息-地区": string | "",  // 客户所在的地区或城市。"基本信息-详细地址": string | "",  // 客户的详细地址。"基本信息-性别": string | "",  // 客户的性别。"基本信息-年龄": string | "",  // 客户的年龄。"基本信息-生日": string | "",  // 客户的生日。"咨询类型": string[] | [],  // 客户的咨询类型，如询价、答疑等。"意向产品": string[] | [],  // 客户感兴趣的产品。"购买异议点": string[] | [],  // 客户在购买过程中提出的异议或问题。"客户预算-预算是否充足": string | "",  // 客户的预算是否充足。示例：充足, 不充足"客户预算-总体预算金额": string | "",  // 客户的总体预算金额。"客户预算-预算明细": string | "",  // 客户预算的具体明细。"竞品信息": string | "",  // 竞争对手的信息。"客户是否有意向": string | "",  // 客户是否有购买意向。示例：有意向, 无意向"客户是否有卡点": string | "",  // 客户在购买过程中是否遇到阻碍或卡点。示例：有卡点, 无卡点"客户购买阶段": string | "",  // 客户当前的购买阶段，如合同中、方案交流等。"下一步跟进计划-参与人": string[] | [],  // 下一步跟进计划中涉及的人员（客服人员）。"下一步跟进计划-时间点": string | "",  // 下一步跟进的时间点。"下一步跟进计划-具体事项": string | ""  // 下一步需要进行的具体事项。
)>请分析以下群聊对话记录，并根据上述格式提取信息：对话记录：
{content}
请将提取的信息以JSON格式输出。
不要添加任何澄清信息。
输出必须遵循上面的模式。
不要添加任何没有出现在模式中的附加字段。
不要随意删除字段。**输出：**
[{{"基本信息-姓名": "姓名","基本信息-手机号码": "手机号码","基本信息-邮箱": "邮箱","基本信息-地区": "地区","基本信息-详细地址": "详细地址","基本信息-性别": "性别","基本信息-年龄": "年龄","基本信息-生日": "生日","咨询类型": ["咨询类型"],"意向产品": ["意向产品"],"购买异议点": ["购买异议点"],"客户预算-预算是否充足": "充足或不充足","客户预算-总体预算金额": "总体预算金额","客户预算-预算明细": "预算明细","竞品信息": "竞品信息","客户是否有意向": "有意向或无意向","客户是否有卡点": "有卡点或无卡点","客户购买阶段": "购买阶段","下一步跟进计划-参与人": ["跟进计划参与人"],"下一步跟进计划-时间点": "跟进计划时间点","下一步跟进计划-具体事项": "跟进计划具体事项"
}}]

改进一下：在原来的基础上加上下面这段,根据数据分析得来的。

请分析以下群聊对话记录，并根据上述格式提取信息。根据表单的形式，他们具有不同的提取方式，如下：
1，"基本信息-姓名"：直接从对话记录中提取询问问题的人物姓名；
2，"基本信息-手机号码"：直接从对话记录中提取询问问题的人的手机号码；
3，"基本信息-邮箱"：直接从对话记录中提取询问问题的人的邮箱地址，如果不存在则返回空字符串；
4，"基本信息-地区"：直接从对话记录中提取询问问题的人所在的城市或地区；
5，"基本信息-详细地址"：直接从对话记录中提取询问问题的人的详细地址，如果不存在则返回空字符串；
5，基本信息-性别"：客服的性别，一般是空字符；
6，"基本信息-年龄"：尝试提取年龄相关的描述，一般为空字符串；
7，"基本信息-生日"：尝试提取生日相关的描述，一般为空字符串；
8，"咨询类型"：从对话记录中提取关键信息并判断是下面哪一种：答疑，询价，吐槽，答疑和吐槽；
9，"意向产品"：从对话记录中提取客户感兴趣的产品，并从下面选项中选择：会话存档，高级版，CRM，开放接口，商城，标准版，定制版，AI，运营服务，会话存档、标准版。
10，"购买异议点"：从对话记录中提取客户在购买过程中提出的问题，并从下面选项中选择：产品功能，客户内部问题，价格，工时，竞品。
11，"客户预算-预算是否充足"：从对话记录中提取客户预算是否充足，并从下面选项中选择：充足, 不充足。
12，"客户预算-总体预算金额"：从对话记录中提取客户预算的总额，如果存在则返回数字，如果不存在则返回空字符串。
13，"客户预算-预算明细"：从对话记录中提取客户预算的具体明细，如果不存在则返回空字符串。
14，"竞品信息"：从对话记录中提取竞争对手的信息，如果不存在则返回空字符串，一般是没有竞品信息。
15，"客户是否有意向"：从对话记录中提取客户是否有购买意向，并从下面选项中选择：有意向, 无意愿。
16，"客户是否有卡点"：从对话记录中提取客户在购买过程中是否遇到阻碍或卡点，并从下面选项中选择：有卡点, 无卡点。
17，"客户购买阶段"：从对话记录中提取客户当前的购买阶段，如果客户在购买阶段，则从下面选项中选择：赢单，方案交流，续费，项目搁置，合同中,报价, 需求调研，等待结果, 输单。
18，"下一步跟进计划-参与人"：从对话记录中提取下一步跟进计划中涉及的人员（客服人员），如果不存在则返回空字符串。
19，"下一步跟进计划-时间点"：从对话记录中提取下一步跟进的时间点，如果不存在则返回空字符串。
20，"下一步跟进计划-具体事项"：从对话记录中提取下一步进行的具体事项，如果不存在则返回空字符串。

step4 :大模型推理：

输出符合格式预测；以方便与标签对比；

# 大模型输出格式转换
import jsonclass JsonFormatError(Exception):def __init__(self, message):self.message = messagesuper().__init__(self.message)def convert_all_json_in_text_to_dict(text):"""提取LLM输出文本中的json字符串"""dicts, stack = [], []for i in range(len(text)):if text[i] == '{':stack.append(i)elif text[i] == '}':begin = stack.pop()if not stack:dicts.append(json.loads(text[begin:i+1]))return dicts# 查看对话标签
def print_json_format(data):"""格式化输出json格式"""print(json.dumps(data, indent=4, ensure_ascii=False))# 对大模型抽取的结果进行字段格式的检查以及缺少的字段进行补全
def check_and_complete_json_format(data):required_keys = {"基本信息-姓名": str,"基本信息-手机号码": str,"基本信息-邮箱": str,"基本信息-地区": str,"基本信息-详细地址": str,"基本信息-性别": str,"基本信息-年龄": str,"基本信息-生日": str,"咨询类型": list,"意向产品": list,"购买异议点": list,"客户预算-预算是否充足": str,"客户预算-总体预算金额": str,"客户预算-预算明细": str,"竞品信息": str,"客户是否有意向": str,"客户是否有卡点": str,"客户购买阶段": str,"下一步跟进计划-参与人": list,"下一步跟进计划-时间点": str,"下一步跟进计划-具体事项": str}if not isinstance(data, list):raise JsonFormatError("Data is not a list")for item in data:if not isinstance(item, dict):raise JsonFormatError("Item is not a dictionary")for key, value_type in required_keys.items():if key not in item:item[key] = [] if value_type == list else ""if not isinstance(item[key], value_type):raise JsonFormatError(f"Key '{key}' is not of type {value_type.__name__}")if value_type == list and not all(isinstance(i, str) for i in item[key]):raise JsonFormatError(f"Key '{key}' does not contain all strings in the list")return data

# 大模型推理from tqdm import tqdmretry_count = 5 # 重试次数
result = []
error_data = []
labels = []for index, data in tqdm(enumerate(validation_data)):index += 1is_success = Falsefor i in range(retry_count):try:res = get_completions(PROMPT_EXTRACT.format(content=data["chat_text"]))label = data['infos']infos = convert_all_json_in_text_to_dict(res)infos = check_and_complete_json_format(infos)result.append({"infos": infos,"index": index})labels.append({"infos":label,"index": index})is_success = Truebreakexcept Exception as e:print("index:", index, ", error:", e)continueif not is_success:data["index"] = indexerror_data.append(data)

step 5: 结果评分测试：

结果测试：采用与讯飞比赛官网相同的得分计算策略。

评分细则：

满分36分。
按照各类字段提取的难易程度，共设置了1、2、3三种难度分数。
具体待提取的字段以及提取正确时的得分规则，如下链接:https://challenge.xfyun.cn/topic/info?type=role-element-extraction&ch=j4XWs7V

评估指标

测试集的每条数据同样包含共21个字段, 按照各字段难易程度划分总计满分36分。每个提取正确性的判定标准如下:
1）对于答案唯一字段，将使用完全匹配的方式计算提取是否正确，提取正确得到相应分数，否则为0分
2）对于答案不唯一字段，将综合考虑提取完整性、语义相似度等维度判定提取的匹配分数，最终该字段得分为 “匹配分数 * 该字段难度分数”
每条测试数据的最终得分为各字段累计得分。最终测试集上的分数为所有测试数据的平均得分。

# 按照给定的评分规则计算每个样本的得分，然后计算所有样本平均得分
import json# 定义字段及其难度分数,是否单值；
fields = [('基本信息-姓名', 1, True),('基本信息-手机号码', 1, True),('基本信息-邮箱', 1, True),('基本信息-地区', 1, True),('基本信息-详细地址', 1, True),('基本信息-性别', 1, True),('基本信息-年龄', 1, True),('基本信息-生日', 1, True),('咨询类型', 2, False),('意向产品', 3, False),('购买异议点', 3, False),('客户预算-预算是否充足', 2, True),('客户预算-总体预算金额', 2, True),('客户预算-预算明细', 3, True),('竞品信息', 2, True),('客户是否有意向', 1, True),('客户是否有卡点', 1, True),('客户购买阶段', 2, True),('下一步跟进计划-参与人', 2, False),('下一步跟进计划-时间点', 2, True),('下一步跟进计划-具体事项', 3, True)
]

from difflib import SequenceMatcher# 计算单值字段得分
def calculate_single_value_score(pred, true, score):return score if pred == true else 0# 计算文本相似度得分
def calculate_text_similarity_score(pred, true):return SequenceMatcher(None, pred, true).ratio()# 计算多值字段的得分
def calculate_multi_value_score(pred, true, score):if isinstance(pred, list) and isinstance(true, list):pred_str = ' '.join(pred)true_str = ' '.join(true)else:pred_str = str(pred)true_str = str(true)similarity_score = calculate_text_similarity_score(pred_str, true_str)return similarity_score * score# 计算样本得分
def calculate_sample_score(pred, true):total_score = 0for field, score, is_single_value in fields:pred_value = pred.get(field, "")true_value = true.get(field, "")if is_single_value:total_score += calculate_single_value_score(pred_value, true_value, score)else:total_score += calculate_multi_value_score(pred_value, true_value, score)return total_score# 
# 计算平均得分
def calculate_average_score(predictions, truths):total_score = 0num_samples = len(predictions)for i in range(num_samples):pred = predictions[i]true = truths[i]if not pred['infos'] or not true['infos']:continue# print(pred)total_score += calculate_sample_score(pred['infos'][0], true['infos'][0])# for pred, true in zip(predictions, truths):#     total_score += calculate_sample_score(pred['infos'][0], true['infos'][0])return total_score / num_samples

# 计算
average_score = calculate_average_score(result, labels)print("average score:", average_score)

计算得分是21分：

官网评分：20分，感觉相差3分以内吧。
模拟官网的评分策略还是需要优化的。

参考：

datawhale夏令营活动：
https://datawhaler.feishu.cn/wiki/VIy8ws47ii2N79kOt9zcXnbXnuS