개요

디렉토리 구조

.
├── checkpoint
├── M3
     ├── agent.py
     ├── data_module.py
     ├── model.py
     └── upgrade_data_module.py
├── data
     ├── data_eval
     ├── test
          ├── labels.json
          └── logs.json
     └── knowledge.json
     ├── data_fit
          ├── train
                ├── labels.json
                └── logs.json
          ├── valid
                ├── labels.json
                └── logs.json
          └── knowledge.json
     ├── hotel_db.json
     ├── restaurant_db.json
     ├── taxi_db.json
     └── san_francisco_db.json
├── gener_eval.py
├── retr_eval.py
├── run.py
├── run_dstc9_00_ict.sh
├── run_dstc9_01_history.sh
└── run_dstc9_02_generate.sh

• checkpoint : 학습 중에 모델이 저장되는 폴더
• M3 : 학습 및 추론 코드가 존재하는 폴더
  • agent.py : 학습 및 추론 수행 코드
  • data_module.py : 데이터 셋 코드
  • model.py : 모델 코드
  • upgrade_data_module.py : 기존 데이터 셋에서 multiWOZ 2.1과 DSTC 9 eval 폴더에 존재하는 데이터베이스의 지역 정보를 활용하여 개체명을 추출을 개선한 코드
• data : 데이터가 저장되어 있는 폴더
  • data_eval : 평가 시 사용하는 데이터가 저장되어 있는 폴더
    • test : test 데이터가 저장되어 있는 폴더
      • labels.json : test 정답 데이터
      • logs.json : test 대화 내역 데이터
    • knowledge.json : 평가 시 사용하는 외부 지식 데이터
  • data_fit : 학습 시 사용하는 데이터가 저장되어 있는 폴더
    • train : train 데이터가 저장되어 있는 폴더
      • labels.json : train 정답 데이터
      • logs.json : train 대화 내역 데이터
    • valid : valid 데이터가 저장되어 있는 폴더
      • labels.json : valid 정답 데이터
      • logs.json : valid 대화 내역 데이터
    • knowledge.json : 학습 시 사용하는 외부 지식 데이터
  • hotel_db.json : MultiWOZ 2.1에 있는 hotel 엔티티의 정보가 담긴 데이터베이스
  • restaurant_db.json : MultiWOZ 2.1에 있는 restaurant 엔티티의 정보가 담긴 데이터베이스
  • taxi_db.json : MultiWOZ 2.1에 있는 taxi 엔티티의 정보가 담긴 데이터베이스
  • san_francisco_db.json : DSTC 9에 있는 샌프란시스코 엔티티의 정보가 담긴 데이터베이스
• gener_eval.py : Generator 결과를 평가하는 코드
• retr_eval.py : Retriever 결과를 평가하는 코드
• run.py : 실험 파라미터를 설정한 후 agent를 호출하여 실험을 진행시키는 코드
• run_dstc9_00_ict.sh : ict 사전 학습을 위한 baseline 쉘 파일
• run_dstc9_01_recent.sh : �최근 도메인 + 최근 개체명 + 시스템의 마지막 발화 + 사용자의 마지막 발화를 Retriever의 입력으로 사용하는 recent 학습을 위한 baseline 쉘 파일
• run_dstc9_02_generate.sh : Generator 학습을 위한 baseline 쉘 파일

주요 실험 파라미터

• version : 실험 version
• gpu_id : 학습 및 추론 시 사용할 GPU 지정
• model_type : 사용할 모델 종류(ict, retriever, generator 중 선택)
• mode : 실행 모드(train, predict 중 선택)
• refresh_frequency : 외부 지식 임베딩 업데이트 주기
• gradient_accumulation_steps : 기울기 누적 단계
• max_grad_norm : 그래디언트 클리핑에 사용되는 기울기 최대 norm 값
• model_all_save : 모든 중간 모델 저장 여부
• input_type : Retriever 입력 형식 종류(history, entire, recent 중 선택)
  • history : 일정 토큰 이내의 대화 내역을 입력
  • entire : 전처리 모듈이 추출한 모든 도메인과 모든 개체명 그리고 시스템의 마지막 발화와 사용자의 마지막 발화를 입력
  • recent : 전처리 모듈에서 추출된 도메인과 개체명 중 마지막으로 추출된 도메인과 개체명만을 시스템의 마지막 발화와 사용자의 마지막 발화와 함께 입력
• history_max_utterances : 입력으로 사용할 대화 내역의 발화 갯수
• history_max_tokens : 입력으로 사용할 대화 내역의 토큰 수
• retriever_prediction_result_path : generator 추론 시 사용되는 retriever 결과 값이 저장된 파일 경로
• per_gpu_batch_size : 학습 시에 gpu 당 batch 크기
• predict_batch_size : 추론 시에 batch 크기
• num_workers : dataloader를 위한 병렬 프로세스 수
• shuffle : 데이터 shuffle 여부
• num_candidates : 사용자의 질의와 유사한 후보 문서의 수
• vector_similarity : 벡터 유사도 계산 방법(cosine 유사도, 내적 중 선택)
• use_proj_layer : 프로젝션 레이어 사용 여부
• proj_size : 프로젝션 레이어의 크기
• use_passage_body : 외부 지식 문서 임베딩 생성 시 문서의 본문(body) 사용 여부
• pretrained_model_path : 사전 학습된 모델 경로
• predict_model_path : 추론 할 모델 경로
• max_new_tokens : 새로 생성할 수 있는 최대 토큰 수
• num_beams : 빔 search에서 사용되는 빔 수
• temperature : 샘플링 시 사용할 온도 값
• top_k : 상위 k개의 후보 단어 중에 sampling
• top_p : 누적 확률 p안의 후보 단어 중에 sampling
• learning_rate : 학습률

학습

1. 실험 파라미터 값들을 파라미터로 전달받아 run 파일을 실행하는 쉘 파일 생성
2. sh run_dstc9_{version}_ict.sh 명령어로 쉘 파일 실행

※ multi gpu로 학습할 시 쉘 파일에 python run.py 대신 torchrun --nproc_per_node={use_gpu_cnt} run.py를 사용

추론

• mode를 predict로 설정한 후 쉘 파일을 실행할 시 자동으로 valid loss가 가장 적은 모델을 추론 진행
• 추론할 모델을 직접 선택하고 싶을 경우 mode를 predict로 설정하고, predict_model_path를 모델이 저장된 디렉토리로 직접 지정 후 실행

※ 추론 시에는 multi gpu 사용 X

평가

• Retriever 실험 결과 파일 경로를 retr_eval.py에 설정하고 실행
• Generator 실험 결과 파일 경로를 gener_eval.py에 설정하고 실행

Acknowledgement

본 연구는 정부(과학기술정보통신부)의 재원으로 지원을 받아 수행된 연구입니다. (2022-0-00320, RS-2022-II220320)