大模型的数据问题
问题:训练医学大模型的数据规模真的很大,其中会夹杂很多重复数据。
重复数据对于大模型微调也有较大影响,数据集必须去重后再用于模型训练。
临床数据:
- 20 亿条文本数据
教材数据:
- 1000+ 本指南
- 7万+ 药品说明书
- N 个科室疾病培训数据
- N 本古籍、教材
- …
开源数据:
-
中文医学命名实体识别CMedEE
-
中文医学文本实体关系抽取CMedIE
-
临床术语标准化任务CHIP-CDN
-
临床试验筛选标准短文本分类CHIP-CTC
-
平安医疗科技疾病问答迁移学习CHIP-STS
-
医疗搜索检索词意图分类KUAKE-QIC
-
医疗搜索查询词—页面标题相关性KUAKE-QTR
-
医疗搜索查询词—查询词相关性KUAKE-QQR
-
中文医学命名实体识别CMedEE
-
中文医学文本实体关系抽取CMedIE
-
临床术语标准化任务CHIP-CDN
-
临床试验筛选标准短文本分类CHIP-CTC
-
平安医疗科技疾病问答迁移学习CHIP-STS
-
医疗搜索检索词—意图分类KUAKE-QIC
-
医疗搜索查询词—页面标题相关性KUAKE-QTR
-
医疗搜索查询词—查询词相关性KUAKE-QQR
-
医疗搜索查询词—相关性检索KUAKE-IR
-
阴阳性实体判别CHIP-MDCFNPC
-
对话实体抽取IMCS-V2-NER
-
意图标签分类IMCS-V2-DAC
-
智能诊疗对话症状识别IMCS-V2-SR
-
诊疗报告生成IMCS-V2-MRG
-
医疗对话生成MedDG
-
MedDialog-CN https://github.com/UCSD-AI4H/Medical-Dialogue-System
-
IMCS-V2 https://github.com/lemuria-wchen/imcs21
-
CHIP-MDCFNPC https://tianchi.aliyun.com/dataset/95414
-
MedDG https://tianchi.aliyun.com/dataset/95414
-
cMedQA2 https://github.com/zhangsheng93/cMedQA2
-
Toyhom https://github.com/Toyhom/Chinese-medical-dialogue-data
-
michaelwzhu/ChatMed-Consult michaelwzhu/ChatMed-Consult · Hugging Face
-
Huatuo-26M https://github.com/FreedomIntelligence/Huatuo-26M
-
Medical https://huggingface.co/datasets/shibing624/medical
-
复旦DISC-MedLLM https://github.com/FudanDISC/DISC-MedLLM
-
DoctorGLM https://zhuanlan.zhihu.com/p/657058443
-
MedicalGPT https://zhuanlan.zhihu.com/p/657058443
-
ChatMed:https://zhuanlan.zhihu.com/p/657058443
-
MedQA-ChatGLM:https://zhuanlan.zhihu.com/p/657058443
-
神农中医药大模型:https://zhuanlan.zhihu.com/p/657058443
-
70B医学大模型:https://huggingface.co/datasets/epfl-llm/guidelines
-
澳门理工caregpt:https://github.com/WangRongsheng/CareGPT
MinHash-LSH 最小哈希 + 局部敏感哈希:大规模数据集去重优化
怎么去重呢?
要用到一个炒鸡牛逼的算法:MinHash-LSH。
谷歌、亚马逊等公司的许多核心功能都是 MinHash-LSH 实现的。
- 解法:MinHash-LSH
- 问题特征:能在大数据中,寻找特征向量相似又不完全相同的情况下,找出尽可能近的样本。
- 应用场景:亚马逊根据相似度最高的买家的购买历史找到新的商品推荐、谷歌搜索字词与 Google 的索引互联网之间执行相似性搜索、Spotify根据用户音乐风格,寻找匹配的相似度
当有 30 亿级别的集合需要比较时,使用传统的全对全比较方法(即比较任意两个集合是否相似)将变得非常耗时,这种方法的时间复杂度是 O(n^2),随着集合数量的增加,所需的计算时间呈平方级增长。
在很多实际情况下,绝大多数的集合对之间都不相似,这意味着全对全比较中的大部分计算实际上是无用功。
如果能有一种方法能够快速地将可能相似的集合对筛选出来,只对这些潜在相似的集合对进行详细的相似度计算,那么就可以大幅度降低计算成本。
MinHash 和局部敏感哈希(LSH)就是这样一种解决方案:
-
MinHash 是一种哈希技术,可以用来有效地估计集合之间的Jaccard相似度
-
LSH 是用来将那些相似度高的集合哈希到相同的桶中的技术。
只有被哈希到同一个桶中的集合对才需要进行相似度比较,大大减少了比较的数量,从而降低了算法的整体时间复杂度。
时间复杂度从 平方量级 降低到 接近线性复杂度。
MinHash-LSH 的设计逻辑:
- 一般的hash,原内容发生微小变化后,hash值的变化是无法预估的。
- 字符串改一个字母后,整个字符串md5变得完全不一样,图片改一个像素后hash值也变得完全不一样。
- 局部敏感hash的改进在于,原内容发生微小变化后,其hash值也只发生微小变化。
- 从而满足原内容相近hash值也相近的良好性质。
- 这种性质的好处在于,可以在hash空间进行近邻检索。
怎么实现这种逻辑呢?
- 从对内容敏感的信息,变成,对位置敏感的哈希
- 这种哈希算法,得到的哈希值(或者说指纹),在向量空间中的位置是“敏感”的
- 两个指纹在向量空间中的相对位置是有意义的,近就是真的近,远就是真的远
- 而不是如md5一样,在向量空间中的远近和实际含义的远近无关系
Jaccard相似度:用于比较样本集之间的相似性
Jaccard相似度的定义是两个集合交集大小与并集大小之比。
具体来说,如果有两个集合A和B,那么ta们之间的 Jaccard 相似度:
- [ J ( A , B ) = ∣ A ∩ B ∣ ∣ A ∪ B ∣ ] [ J(A, B) = \frac{|A \cap B|}{|A \cup B|} ] [J(A,B)=∣A∪B∣∣A∩B∣]
∣ A ∩ B ∣ |A ∩ B| ∣A∩B∣ 表示集合A和集合B的交集中元素的数量。
∣ A ∪ B ∣ |A ∪ B| ∣A∪B∣ 表示集合A和集合B的并集中元素的数量。
举个列子,集合X = {a,b,c},Y = {q,a,b}。
那 Jac(X,Y) = 2 / 3 = 0.67。
X 和 Y 有 67% 的元素相同。
Jaccard相似度的值范围在0到1之间:
- 0 表示没有共同元素,即两个集合完全不相似
- 1 表示两个集合完全相同
- 在0到1之间的值表示集合之间的部分相似性
Jaccard相似度越高,表示两个集合的相似度越大。
在数据处理中,我们可以使用 jieba 分词库,把一句话分词成各个元素后,计算相似度。
query1 = ["ta喜欢的水果有?"] # 分词前
query1 = ['ta', '喜欢', '的', '水果', '有', '?'] # 分词后
query2 = ["ta喜欢的坚果有?"] # 分词前
query2 = ['ta', '喜欢', '的', '坚果', '有', '?'] # 分词后
降维技术 Minhash
直接计算数据之间的相似度(Jaccard相似度)会非常耗时,每个集合里面的元素,俩俩比较。
如果大部分集合对之间的相似度都很低,进行俩俩比较会做很多无用功。
传统的方法需要对两个集合的每个元素进行一对一的比较,以确定ta们的相似性。
MinHash 算法通过为每个集合生成一个固定长度的标签(哈希函数产生签名),来代表集合的特征。
- 原本复杂的集合相似性比较,简化为标签(MinHash值)的比较
- 比较签名的成本,远低于比较完整的集合
这些签名保留了集合间相似度的信息,还能保持原始数据的相似性。
- 如果两个集合很相似,Minhash 值也会很相似
但单个 MinHash 值可能无法准确地反映两个集合的相似性,可能是一个偶然的匹配。
在实际应用中,我们会使用数百或数千个哈希函数来增加估计的准确性。
如果大多数哈希函数产生的MinHash值都相同,我们可以有更高的信心认为两个集合是相似的。
- 解法:MinHash
- 问题特征:在高维空间中估计稀疏数据集合的相似性,特别是当直接计算成对相似度不可行时。如需要快速而精确地估计大型数据集中集合之间的Jaccard相似度。
- 应用场景:文本处理中比较文档相似性,如新闻聚类、查重系统;生物信息学中比较基因组序列;推荐系统中评估用户间或物品间的相似性。
这里是为了应用,具体数学公式、概率证明,请猛击《原始论文》。
LSH – 局部敏感哈希
LSH 函数旨在将相似的值放入相同的存储桶中。
LSH 的核心思想是将相似的数据点映射到相同的“桶”(buckets)中,而不相似的点映射到不同的桶中。
这样,当需要找到一个数据点的最近邻时,可以仅在相同桶中的点之间进行搜索,而不是在整个数据集中搜索,大大降低了计算量。
LSH 是基于哈希的技术,其特点是保持局部相似性:相似的输入在哈希后应该产生相似或相同的哈希值。
与传统哈希函数不同,LSH 的目的不是为了避免冲突,而是为了让冲突更可能发生在相似的项之间。
LSH 的具体实现方式有很多,最常见的包括:
-
MinHash LSH:适用于度量集合相似性(如Jaccard相似性)的LSH。MinHash 将每个集合转换成一个固定长度的签名,该签名是由多个最小哈希值组成的向量,这些最小哈希值由集合中的元素通过多个哈希函数计算得到。
-
SimHash LSH:用于处理高维特征向量的文本或其他数据的相似性。SimHash 通过哈希函数将特征向量转换为一个固定长度的位串,这样,相似的数据点会产生相似的位串。
-
Euclidean LSH:适用于欧几里得空间中的数据点。它使用超平面将空间划分成不同的区域,并将落在同一区域内的点映射到同一个桶中。
LSH 算法的详细步骤如下:
-
选择适合的 LSH 家族:根据数据的性质和相似性度量选择合适的 LSH 函数。
-
定义哈希表和哈希函数:创建多个哈希表,并为每个哈希表定义一个或多个 LSH 函数。
-
哈希和存储数据点:使用定义的哈希函数将数据点映射到各自的桶中。
-
查询过程:在查询最近邻时,首先计算查询点的哈希值,然后只在对应桶中的点集合中进行搜索,这样可以快速缩小搜寻范围。
LSH 的效率和精度受到哈希函数个数、哈希表数量和桶的大小等参数的影响。
在应用中,这些参数需要根据具体应用进行调整以达到最佳效果。
由于 LSH 是一种概率算法,允许少量的误报(false positives)和漏报(false negatives),但在实际应用中,这通常是可接受的,特别是在处理大规模数据集时,ta提供了显著的速度优势。
- 解法:LSH(局部敏感哈希)
- 问题特征:当数据量很大,使得对所有可能的数据对进行比较变得不可行时,需要一种方法能够高效地查找和查询近似最近邻
- 应用场景:大规模图像或视频检索系统,寻找视觉上相似的内容;文本或文章数据库中寻找相似文档;音频或声音样本匹配;大型数据库中的快速相似项查找
MinHash-LSH 多个开源数据集去重
配置环境包:
pip install jieba datasketch
MinHash-LSH 代码:文章来源:https://www.toymoban.com/news/detail-803427.html
import jieba
import re # 假设这里应该导入 re 而不是 ro
from datasketch import MinHash, MinHashLSH
query = "想人想得厉害的时候,也是淡淡的。像饿了很多日的旅人闻到炊烟,但知道不是自家的。"
sentences = ["想人想得厉害的时候,也是轻轻的。像漂泊很多日的旅人闻到炊烟,但知道不是返乡的。",
"梦中梦见心上人,也是轻轻的。像漂泊良久的游子见到归帆,却明白并非返乡的。"]
regex = re.compile(",|。")
def split_word(sentence):
global regex
return [word for word in jieba.lcut(re.sub(regex, '', sentence)) if word.strip()]
query_lcut = split_word(query)
sentences_lcut = [split_word(sentence) for sentence in sentences]
print(query_lcut)
print(sentences_lcut)
'''
print(query_lcut):
['想人', '想', '得', '厉害', '的', '时候', '也', '是', '淡淡的', '像', '饿', '了', '很多', '日', '的', '旅人', '闻到', '炊烟', '但', '知道', '不是', '自家', '的']
[]
print(sentences_lcut):[
['想人', '想', '得', '厉害', '的', '时候', '也', '是', '轻轻', '的', '像', '漂泊', '很多', '日', '的', '旅人', '闻到', '炊烟', '但', '知道', '不是', '返乡', '的']
['梦中', '梦见', '心上人', ',', '也', '是', '轻轻', '的', '像', '漂泊', '良久', '的', '游子', '见到', '归帆', '却', '明白', '并非', '返乡', '的']
'''
threshold = 0.5 # 相似度 > 0.5
num_perm = 128
lsh = MinHashLSH(threshold=threshold, num_perm=num_perm)
for idx, sentence_lcut in enumerate(sentences_lcut):
minhash = MinHash(num_perm=num_perm)
minhash.update_batch([word.encode('utf-8') for word in sentence_lcut])
lsh.insert("minhash_sentence_{}".format(idx+1), minhash)
print(list(lsh.keys))
# 输出:['minhash_sentence_1', 'minhash_sentence_2']
minhash_query = MinHash(num_perm=num_perm)
minhash_query.update_batch([word.encode('utf-8') for word in query_lcut])
simi_result = lsh.query(minhash_query)
print("Jaccard相似度 > {} 的句子有:{}".format(threshold, simi_result))
# 输出:Jaccard相似度 > 0.5 的句子有:['minhash_sentence_1']
# 删除 minhash_sentence_1,从 LSH 中移除查询到的结果,需要对 simi_result 进行遍历
for key in simi_result:
lsh.remove(key)
print(list(lsh.keys))
# 输出:['minhash_sentence_2']
去重多个开源文件所有数据:文章来源地址https://www.toymoban.com/news/detail-803427.html
import jieba
import re
from datasketch import MinHash, MinHashLSH
# 此函数用于分词
def split_word(sentence):
regex = re.compile(",|。|?|!")
return [word for word in jieba.lcut(re.sub(regex, '', sentence)) if word.strip()]
# 配置参数
threshold = 0.5 # 相似度阈值
num_perm = 128 # MinHash的排列次数
# 初始化LSH对象
lsh = MinHashLSH(threshold=threshold, num_perm=num_perm)
# 假设你有一个函数来获取多个开源文件下所有问答对
# def get_qa_pairs():
# # 这里应该包含读取文件并返回所有问答回答的代码
# return qa_pairs
# 读取所有问答回答对
qa_pairs = get_qa_pairs()
# 为每个问答回答创建MinHash并加入LSH
for idx, qa_pair in enumerate(qa_pairs):
q, a = qa_pair # 假设qa_pair是一个包含问题和答案的元组
combined_text = q + " " + a # 可以根据需要将问题和答案合并或分别处理
words = split_word(combined_text)
minhash = MinHash(num_perm=num_perm)
for word in words:
minhash.update(word.encode('utf-8'))
lsh.insert("qa_pair_{}".format(idx), minhash)
# 查询并去重
unique_qa_pairs = []
for idx, qa_pair in enumerate(qa_pairs):
q, a = qa_pair
combined_text = q + " " + a
words = split_word(combined_text)
minhash = MinHash(num_perm=num_perm)
for word in words:
minhash.update(word.encode('utf-8'))
# 查询相似问答回答
result = lsh.query(minhash)
# 如果只有自己或没有其他相似项,则视为唯一
if len(result) <= 1 or (len(result) == 2 and "qa_pair_{}".format(idx) in result):
unique_qa_pairs.append(qa_pair)
# 将此问答回答标记为唯一,可选步骤
lsh.remove("qa_pair_{}".format(idx))
# 输出去重后的问答对
print(unique_qa_pairs)
到了这里,关于MinHash-LSH 哈希模糊去重:如何解决医学大模型的大规模数据去重?的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!