修改了CNXNLI的_load()，可以处理特殊的instance格式如下：

“XXX\t"XXX\tXXX

fastNLP/io/loader/matching.py

@@ -340,7 +340,7 @@ class QuoraLoader(Loader):
 class CNXNLILoader(Loader):
     """
     别名：
-    数据集简介：中文句对NLI（本为multi-lingual的数据集，但是这里只取了中文的数据集）。原句子已被MOSES tokenizer处理
+    数据集简介：中文句对NLI（本为multi-lingual的数据集，但是这里只取了中文的数据集）。原句子已被MOSES tokenizer处理，这里我们将其还原并重新按字tokenize
     原始数据为：
     train中的数据包括premise，hypo和label三个field
     dev和test中的数据为csv或json格式，包括十多个field，这里只取与以上三个field中的数据
@@ -358,8 +358,6 @@ class CNXNLILoader(Loader):
         super(CNXNLILoader, self).__init__()
 
     def _load(self, path: str = None):
-        #csv_loader = CSVLoader(sep='\t')
-        #ds_all = csv_loader._load(path)
         ds_all = DataSet()
         with open(path, 'r', encoding='utf-8') as f:
             head_name_list = f.readline().strip().split('\t')
@@ -386,17 +384,15 @@ class CNXNLILoader(Loader):
         return ds_zh
 
     def _load_train(self, path: str = None):
-        #csv_loader = CSVLoader(sep='\t')
-        #ds = csv_loader._load(path)
         ds = DataSet()
 
         with open(path, 'r', encoding='utf-8') as f:
             next(f)
             for line in f:
                 raw_instance = line.strip().split('\t')
-                premise = raw_instance[0]
-                hypo = raw_instance[1]
-                label = raw_instance[-1]
+                premise = "".join(raw_instance[0].split())# 把已经分好词的premise和hypo强制还原为character segmentation
+                hypo = "".join(raw_instance[1].split())
+                label = "".join(raw_instance[-1].split())
                 if premise:
                     ds.append(Instance(premise=premise, hypo=hypo, label=label))
 

fastNLP/io/pipe/matching.py

@@ -466,6 +466,7 @@ class LCQMCBertPipe(MatchingBertPipe):
         data_bundle = LCQMCLoader().load(paths)
         data_bundle = RenamePipe(task='cn-nli-bert').process(data_bundle)
         data_bundle = self.process(data_bundle)
+        data_bundle = TruncateBertPipe(task='cn').process(data_bundle)
         data_bundle = RenamePipe(task='cn-nli-bert').process(data_bundle)
         return data_bundle
 
@@ -475,6 +476,7 @@ class BQCorpusBertPipe(MatchingBertPipe):
         data_bundle = BQCorpusLoader().load(paths)
         data_bundle = RenamePipe(task='cn-nli-bert').process(data_bundle)
         data_bundle = self.process(data_bundle)
+        data_bundle = TruncateBertPipe(task='cn').process(data_bundle)
         data_bundle = RenamePipe(task='cn-nli-bert').process(data_bundle)
         return data_bundle
 
@@ -485,5 +487,41 @@ class CNXNLIBertPipe(MatchingBertPipe):
         data_bundle = GranularizePipe(task='XNLI').process(data_bundle)
         data_bundle = RenamePipe(task='cn-nli-bert').process(data_bundle)
         data_bundle = self.process(data_bundle)
+        data_bundle = TruncateBertPipe(task='cn').process(data_bundle)
         data_bundle = RenamePipe(task='cn-nli-bert').process(data_bundle)
         return data_bundle
+
+
+class TruncateBertPipe(Pipe):
+    def __init__(self, task='cn'):
+        super().__init__()
+        self.task = task
+
+    def _truncate(self, sentence_index:list, sep_index_vocab):
+        # 根据[SEP]在vocab中的index，找到[SEP]在dataset的field['words']中的index
+        sep_index_words = sentence_index.index(sep_index_vocab)
+        words_before_sep = sentence_index[:sep_index_words]
+        words_after_sep = sentence_index[sep_index_words:]  # 注意此部分包括了[SEP]
+        if self.task == 'cn':
+            # 中文任务将Instance['words']中在[SEP]前后的文本分别截至长度不超过250
+            words_before_sep = words_before_sep[:250]
+            words_after_sep = words_after_sep[:250]
+        elif self.task == 'en':
+            # 英文任务将Instance['words']中在[SEP]前后的文本分别截至长度不超过215
+            words_before_sep = words_before_sep[:215]
+            words_after_sep = words_after_sep[:215]
+        else:
+            raise RuntimeError("Only support 'cn' or 'en' task.")
+
+        return words_before_sep + words_after_sep
+
+    def process(self, data_bundle: DataBundle) -> DataBundle:
+        for name in data_bundle.datasets.keys():
+            dataset = data_bundle.get_dataset(name)
+            sep_index_vocab = data_bundle.get_vocab('words').to_index('[SEP]')
+            dataset.apply_field(lambda sent_index: self._truncate(sentence_index=sent_index, sep_index_vocab=sep_index_vocab), field_name='words', new_field_name='words')
+
+            # truncate之后需要更新seq_len
+            dataset.add_seq_len(field_name='words')
+        return data_bundle
+

test/data_for_tests/io/XNLI/train.txt

@@ -6,3 +6,4 @@ premise	hypo	label
 一 段 时间 来 看 , 这 一 运动 似乎 要 取得 成功 , 但 政治 事件 , 加 上 帕内尔 在 一个 令 人 愤慨 的 离婚案 中 被 称为 共同 答辩人 , 导致 许多 人 撤回 他们 的 支持 .	帕内尔 在 一个 令 人 愤慨 的 离婚 问题 上 的 法律 问题 使 这 场 运动 受到 了 影响 .	entailment
 看 在 这里 , 他 说 我们 不 希望 任何 律师 混在 这 一 点 .	他 说 看看 那 张 纸	neutral
 Soderstrom 在 创伤 中心 进行 了 多次 筛选 测试 .	测试 必须 在 创伤 中心 进行 比较 , 否则 就 会 无效 .	neutral
+嗯 , 这 是 一 种 明显 的 我 的 意思 是 , 他们 甚至 把 它 带 到 现在 呢 , 他们 在 电视 上 做 广告 , 你 知道 如果 你 知道 , 如果 你 知道 这样 做 , 或者 如果 你 需要 这 个呃 , 我们 会 告 你 和 你 你 不用 给 我们 钱 , 但 他们 不 告诉 你 的 是 如果 他们 赢 了 你 给 他们 至少 三分之一 他们 赢 的 东西 , 所以 我 不 知道 它 是呃 , 它 得到 了 现在 做 更 多 的 生意 , 而 不 是呃 实际上 是 在 处理 犯罪 而 不 是 与 呃嗯 他们 的 律师 只 是 为了 钱 , 我 相信 , 我 知道 我 同意 你 , 我 认为 你 是 真实 的 你. 非常 正确 的 是 , 我 认为 他们 应该 有 同等 数量 的 你 知道 也许 他们 可以 有 几 个 , 但 我 认为 大多数 他们 应该 不 是 律师 在 事实 , 这 是 方式 他们 已经 进入 政治 , 这 是 因为 在 法律 上 , 你 知道 的 循环 和 一切 , 但 我 不 知道 我们 是 在 马里兰州 和呃 , 我们 有 同样 的 东西 人满为患 , 和呃 他们 让 他们 出来 我 的 意思 是 只 是 普通 的 监狱 判决 的 事情 , 他们 让. 他们 是 因为 他们 没有 任何 地方 可以 留住 他们 所以 你 可以 知道呃 , 除非 是 一个 重大 的 罪行 , 但呃 , 即使 是 小小的 东西 , 我 的 意思 是 那些 在 美国 失去 的 人 是 受害者 和 谁 可能 是 抢劫 或 毒品 , 或者 其他 什么 , 他们 是 谁 要 支付 , 他们 是 一个 会 受苦 , 另 一个 你 知道 的 人 , 如果 他们 被 逮捕 , 如果 他们 逮捕 他们嗯 , 然后 呢 , 你 知道 的 时间 法律 接管 了 一 半 时间 呃 他们 要么 让 他们 走 , 或者 他们 下 了 一个 句子 , 因为 他们 有 一个 律师 , 你 知道 的 感觉 他们 是 不 是 所有 在 一起 当 他们 做到 了 .它	我 不 知道 我们 怎么 到 这 一 点 , 虽然 .	neutral