LM-BFF数据集准备：15个NLP任务数据下载与预处理完全指南

LM-BFF数据集准备：15个NLP任务数据下载与预处理完全指南

【免费下载链接】LM-BFF[ACL 2021] LM-BFF: Better Few-shot Fine-tuning of Language Models https://arxiv.org/abs/2012.15723项目地址: https://gitcode.com/gh_mirrors/lm/LM-BFF

LM-BFF（Better Few-shot Fine-tuning of Language Models）是ACL 2021年提出的少样本微调方法，能够高效处理各类NLP任务。本文将详细介绍如何为LM-BFF项目准备15个主流NLP任务的数据集，包括数据下载、预处理和格式转换的完整流程，帮助新手快速上手少样本学习实验。

1. 环境准备与项目克隆

在开始数据集准备前，需先完成基础环境配置和项目克隆：

# 克隆项目仓库 git clone https://gitcode.com/gh_mirrors/lm/LM-BFF cd LM-BFF # 安装依赖 pip install -r requirements.txt

项目核心数据集处理工具位于tools/目录，其中tools/generate_k_shot_data.py是少样本数据生成的关键脚本，支持自动划分训练集、验证集和测试集。

2. 支持的15个NLP任务清单

LM-BFF支持15个主流NLP任务，涵盖情感分析、自然语言推理、问答等多个领域：

• 情感分析：SST-2、sst-5、mr、cr、mpqa、subj
• 自然语言推理：MNLI、SNLI、RTE、WNLI
• 语义相似度：STS-B
• 问答与匹配：QNLI、QQP、MRPC
• 语法判断：CoLA

这些任务数据可通过tools/generate_k_shot_data.py自动处理，脚本中已预设各任务的数据格式解析逻辑（第10-36行）。

3. 数据集下载指南

3.1 GLUE基准数据集获取

GLUE任务（如MNLI、SST-2等）需从官方渠道下载：

# 创建数据目录 mkdir -p data/original # 下载GLUE数据（需手动同意许可协议） python tools/download_glue_data.py --data_dir data/original --tasks all

提示：部分GLUE任务（如WNLI）测试集未公开，脚本将自动使用开发集作为测试集（第124行）。

3.2 其他任务数据集准备

非GLUE任务（如mr、cr等）可通过以下方式获取：

1. 访问论文附录获取数据来源
2. 将下载的CSV文件按任务名称组织到data/original目录：

   data/original/ ├── mr/ │ ├── train.csv │ └── test.csv ├── cr/ │ ├── train.csv │ └── test.csv ...

4. 少样本数据集生成

使用tools/generate_k_shot_data.py脚本将原始数据转换为少样本格式：

4.1 基础用法

# 生成16-shot数据集（默认配置） python tools/generate_k_shot_data.py \ --data_dir data/original \ --output_dir data \ --k 16 \ --seed 42

4.2 关键参数说明

• --k：每个类别采样的训练样本数（默认16）
• --seed：随机种子（默认提供5个种子：100,13,21,42,87）
• --mode：输出模式，k-shot（标准划分）或k-shot-10x（10倍验证集）
• --task：指定任务（默认处理全部15个任务）

4.3 输出目录结构

生成的数据集将按以下结构组织：

data/k-shot/ ├── SST-2/ │ ├── 16-42/ # k=16, seed=42 │ │ ├── train.tsv │ │ ├── dev.tsv │ │ └── test.tsv ├── mr/ │ ├── 16-42/ │ │ ├── train.csv │ │ ├── dev.csv │ │ └── test.csv ...

5. 数据预处理核心逻辑

LM-BFF的数据预处理主要包含以下步骤（对应tools/generate_k_shot_data.py关键函数）：

5.1 数据加载（load_datasets函数）

• 支持TSV（GLUE任务）和CSV（其他任务）格式
• 自动识别任务类型并读取对应文件（第41-63行）
• 返回包含train/dev/test分割的数据集字典

5.2 标签处理（get_label函数）

• 针对不同任务提取标签（第9-36行）
• 特殊处理STS-B任务（将连续值转为二分类：第30行）
• 兼容GLUE风格和自定义任务的标签格式

5.3 平衡采样

• 按标签类别均衡采样k个样本（第137-144行）
• 支持生成验证集（默认k1个样本，10x模式为k10）
• 保持数据分布一致性，避免类别不平衡

图：LM-BFF的少样本微调框架，展示了从预训练到基于提示的微调过程（c部分为本文涉及的少样本数据使用场景）

6. 常见问题解决

6.1 数据格式错误

症状：运行脚本时出现"ValueError: Unknown GLUE task"

解决：

• 检查任务名称拼写（区分大小写，如"SST-2"而非"SST2"）
• 确认数据文件放置在正确的任务目录下
• 参考tools/generate_k_shot_data.py第10行支持的任务列表

6.2 样本数量不足

症状：某些类别样本数少于k

解决：

• 减少--k参数值（建议最小k=1）
• 使用--mode k-shot-10x减少验证集比例
• 检查原始数据是否完整

6.3 中文数据支持

LM-BFF默认支持英文任务，如需处理中文数据：

1. 修改tools/generate_k_shot_data.py的标签解析逻辑
2. 调整src/dataset.py中的数据加载器
3. 使用中文预训练模型（如bert-base-chinese）

7. 数据集使用示例

准备好数据集后，可通过以下命令启动少样本训练：

python run.py \ --task SST-2 \ --k 16 \ --seed 42 \ --data_dir data/k-shot/SST-2/16-42 \ --output_dir results/SST-2/16-42

总结

本文详细介绍了LM-BFF项目的15个NLP任务数据集准备流程，包括环境配置、数据下载、少样本生成和预处理逻辑。通过tools/generate_k_shot_data.py工具，用户可以快速构建标准化的少样本数据集，为后续的模型微调奠定基础。建议结合项目提供的示例代码和论文原文，深入理解少样本学习的实现细节。

【免费下载链接】LM-BFF[ACL 2021] LM-BFF: Better Few-shot Fine-tuning of Language Models https://arxiv.org/abs/2012.15723项目地址: https://gitcode.com/gh_mirrors/lm/LM-BFF