關(guān)系抽取到底在乎什么?這是來自EMNLP20上清華大學(xué)劉知遠團隊的“靈魂發(fā)問”~ 關(guān)系抽取是每一位NLPer都很熟知的任務(wù),特別是基于BERT的神經(jīng)關(guān)系抽取模型已經(jīng)登頂各大榜單SOTA,某些甚至直逼人類表現(xiàn)。但也許你和JayJay一樣,可能只是調(diào)個包、從不過問關(guān)系抽取的核心要素是啥吧~ 在劉知遠老師的EMNLP20論文《Learning from Context or Names? An Empirical Study on Neural Relation Extraction》中,就「關(guān)系抽取到底在乎什么」這一問題進行深入全面的探究,是難得的好文!
注意:本文所稱的關(guān)系抽取也稱關(guān)系分類,即判斷兩個實體
論文下載:https://arxiv.org/pdf/2010.01923.pdfgithub開源:https://github.com/thunlp/RE-Context-or-Names 為具備更好的閱讀體驗,本文以QA形式進行組織:
我們廢話不說,先po結(jié)論(劃重點): 1、對關(guān)系抽取的兩個主要特征(上下文信息和實體信息),進行了對比分析發(fā)現(xiàn):
上下文信息 和 實體信息 對于關(guān)系模型都很關(guān)鍵;
上下文信息是關(guān)系模型的主要信息來源;
實體信息中最重要的實體類型信息,但模型會存在對實體信息的過度依賴問題;
現(xiàn)有的數(shù)據(jù)集可能會通過實體泄漏淺層的啟發(fā)式信息,導(dǎo)致當(dāng)前關(guān)系任務(wù)的指標(biāo)虛高!
2、構(gòu)建了關(guān)系預(yù)訓(xùn)練模型,基于關(guān)系抽取的實體遮蔽的對比學(xué)習(xí)框架:
能幫助模型更好地的借助上下文信息和實體類型信息,避免“死記硬背”實體表面表述;
提高了多個場景下神經(jīng)關(guān)系抽取模型的有效性和魯棒性,特別是在低資源場景下;
Q1: 關(guān)系抽取為什么主要利用「上下文信息」和「實體信息」?
為什么本篇論文會選取上下文和實體信息進行對比研究呢?作者認(rèn)為:
上下文信息:從人的直覺來看,文本上下文是主要的信息來源;最為簡單的一種方式,就是可以用關(guān)系模板進行歸納。如上圖所示,「... be founded ... by ...」模板就可以很好地映射到某一類關(guān)系上。因此,上下文關(guān)系肯定會對關(guān)系預(yù)測結(jié)構(gòu)起著某種作用。
實體信息:實體信息主要包括實體類型、實體ID、實體屬性信息等,如果實體可以被鏈接到知識圖譜上,那么相關(guān)信息也可以被模型所利用。既然關(guān)系抽取基于實體pair進行的分類預(yù)測,那么實體信息就必不可少了。
Q2: 關(guān)系抽取的baseline模型選擇哪些?
為了更好地進行分析驗證,本文主要主要采取CNN、BERT、MTB三種模型進行實驗(如上圖所示):采取BERT時主要是提取實體pair的相關(guān)標(biāo)識符對應(yīng)的表示進行關(guān)系分類。 MTB是由Google在2019年提出預(yù)訓(xùn)練關(guān)系模型 ,其只在獲得更好的適配于關(guān)系抽取的特征表示,其具體的預(yù)訓(xùn)練方式為:認(rèn)為包含相同實體pair的句子表示相同的關(guān)系,將相似度得分作為預(yù)訓(xùn)練目標(biāo),如下圖示意。
Q3: 「上下文信息」和「實體信息」到底哪家強?
為了分析「上下文信息」和「實體信息」對于關(guān)系模型的內(nèi)在影響,論文設(shè)置眾多輸入格式(如上圖所示):
Context+Mention (C+M) :即最為廣泛的使用方式,在原句子輸入的同時,強調(diào)實體mention:對于BERT模型,采用位置向量和特殊的實體標(biāo)識符來強化metion。
Context+Type (C+T) :將實體mention用其實體類型Type代替,如上圖,「SpaceX」用「organization」代替,「Elon Musk」用「person」代替。
Only Context (OnlyC) :即只利用上下文信息,將實體mention用「subject」或「object」代替,通過這種方式可以將實體信息源完全阻擋。
Only Mention (OnlyM) :即只利用實體提及,忽略其他文本上下文的輸入。
Only Type (OnlyT) :即只利用實體類型信息,如「organization」「SEP」「person」。
論文通過上述設(shè)置在最大的有監(jiān)督關(guān)系數(shù)據(jù)集TACRED上(共42種關(guān)系,10w+實例)進行了相關(guān)實驗,結(jié)果如下(指標(biāo)為micro F1值):
由上圖的紅框(OnlyC、OnlyM、OnlyT)可以看出,只利用上下文信息或?qū)嶓w信息指標(biāo)都大幅下降,這表明:上下文信息 和 實體信息 對于關(guān)系模型都很關(guān)鍵;
由上圖的紅框可以看出,C+M和C+T表現(xiàn)一致,這表明:實體提及中的類型Type信息很重要!這與之前女神的SOTA《反直覺!陳丹琦用pipeline方式刷新關(guān)系抽取SOTA》中關(guān)于「類型信息」的重要性相互佐證~
由上圖的紅框可以看出:
OnlyC總體高于OnlyM,可以看出:上下文信息比實體信息更重要~(PS:CNN中OnlyC沒有明顯高于OnlyM,也說明其上下文的捕捉能力不如BERT吧)
OnlyM也有較高指標(biāo),這表明:現(xiàn)有的數(shù)據(jù)集可能會通過實體泄漏淺層的啟發(fā)式信息,導(dǎo)致當(dāng)前關(guān)系任務(wù)的指標(biāo)虛高!
此外,本篇論文也通過Case Study進一步證明了上述結(jié)果、并有了新的發(fā)現(xiàn):
C+M與C+T類似,共享95.7%的正確預(yù)測和68.1%的錯誤預(yù)測,充分說明了實體提及的主要的信息來源是其類型Type信息。
C+M容易對實體提及產(chǎn)生過高的偏置依賴,特別是容易對訓(xùn)練集中的實體提及進行“死記硬背”,如下圖:模型容易死記住訓(xùn)練集中「Washington」的實體提及只存在于「stateorprovinceofresidence 」關(guān)系中,從而導(dǎo)致關(guān)系預(yù)測錯誤。
C+T不容易捕捉共指信息和語義信息,如下圖所示,「Natalie」和「she」兩個實體如果被實體Type替代后,不容易捕捉到原有的共指關(guān)系:
再通過對OnlyC的case分析中發(fā)現(xiàn):人類可以本能地從上下文中判斷關(guān)系,但模型似乎在捕捉上下文信息的能力上還有很大缺失。如下圖所示,具體體現(xiàn)在3個方面:
Wrong:對于那些很清晰的關(guān)系模式仍然會預(yù)測錯誤。
No pattern:對于那些不具備pattern的關(guān)系會預(yù)測錯誤。
Confusing:對于困惑的關(guān)系類型缺乏魯棒能力。
Q4: 如何提升關(guān)系模型的預(yù)測性能? 從上文的分析中,我們可以發(fā)現(xiàn):上下文信息和實體信息對于關(guān)系模型都很重要,但在一些情況下,關(guān)系模型并不能很好地理解關(guān)系模式、會過度依賴于實體mention的淺層提示信息。 為了更好地捕捉上下文信息和實體類型Type信息,論文提出了一種基于實體遮蔽的對比學(xué)習(xí)框架,來進行關(guān)系預(yù)訓(xùn)練。 1、對比學(xué)習(xí)數(shù)據(jù)生成方法
對比學(xué)習(xí)預(yù)訓(xùn)練框架如上圖所示,論文借鑒了「對比學(xué)習(xí)」的思想,通過聚合“neighbors”、分離“non-neighbors”來學(xué)習(xí)特征表示;通過這種模式,“neighbors”具備相似的表示。因此,定義“neighbors”對于對比學(xué)習(xí)至關(guān)重要。
本文定義:實體pair共享同種關(guān)系的句子是“neighbors”。
為了防止模型在預(yù)訓(xùn)練過程中對實體mention死記硬背、或者抽取比較淺層的表面特征,作者采取了隨機mask實體的辦法,將實體mention替換為「BLANK」,替換率為0.7. 事實上,生成預(yù)訓(xùn)練數(shù)據(jù)是通過遠程監(jiān)督的方法進行,這雖然會造成噪聲;但作者認(rèn)為噪聲問題對于預(yù)訓(xùn)練框架不是關(guān)鍵的,因為:預(yù)訓(xùn)練目標(biāo)是相對于像BERT這樣的原始預(yù)訓(xùn)練模型,獲得相對更好的關(guān)系表示,而不是直接訓(xùn)練關(guān)系模型對于下游任務(wù),因此數(shù)據(jù)中的噪聲是可以接受的。 通過上述的對比學(xué)習(xí)生成方法,預(yù)訓(xùn)練模型可以學(xué)習(xí)更好地從實體metion中掌握類型Type信息,并從文本上下文中提取關(guān)系語義:
成對的兩個句子雖然包含不同的實體pair,但共享相同的關(guān)系,提示模型發(fā)現(xiàn)這些實體mention之間的聯(lián)系。此外,實體mask策略可以有效地避免簡單的記憶實體mention。這最終鼓勵模型利用實體類型Type信息。
生成策略提供了相同關(guān)系類型下的多種上下文集合,這有利于模型學(xué)習(xí)從多種表達方式中提取關(guān)系pattern。
2、對比學(xué)習(xí)訓(xùn)練目標(biāo) 上述預(yù)訓(xùn)練的目標(biāo)函數(shù)共包含兩部分:對比學(xué)習(xí)目標(biāo)( Contrastive Pre-training,CP)和遮蔽語言模型(MLM):
對比損失CP采取隨機負(fù)樣本采樣,加速訓(xùn)練過程。 3、對比學(xué)習(xí)實驗結(jié)果
基于對比學(xué)習(xí)的預(yù)訓(xùn)練框架的關(guān)系模型最終表現(xiàn)如何?作者在不同的數(shù)據(jù)集上設(shè)置不同數(shù)據(jù)使用量(1%、10%、100%)進行了對比分析,發(fā)現(xiàn):對比學(xué)習(xí)模型CP在不同數(shù)據(jù)集上均超過了BERT和MTB,特別是在低資源(1%數(shù)據(jù)量)條件下也能呈現(xiàn)較高指標(biāo),如上圖紅框所示。 可見,對比學(xué)習(xí)機制相比于Google的MTB模型更具備多樣性的數(shù)據(jù)特征、能更充分的學(xué)習(xí)實體類型Type信息。
總結(jié) 本文主要基于「關(guān)系抽取到底在乎什么」、「上下文和實體mention如何影響關(guān)系模型」進行了討論,發(fā)現(xiàn):
文本上下文和實體mention都給關(guān)系模型提供了關(guān)鍵信息;
關(guān)系抽取數(shù)據(jù)集可能會通過實體泄漏淺層的啟發(fā)式信息,導(dǎo)致當(dāng)前關(guān)系任務(wù)的指標(biāo)虛高!
關(guān)系模型并不能很好地理解關(guān)系模式、會過度依賴于實體mention的淺層提示信息
基于上述幾點,論文提出了一種基于實體遮蔽的對比學(xué)習(xí)框架來改進關(guān)系模型的表現(xiàn),最終提高了多個場景下神經(jīng)關(guān)系抽取模型的有效性和魯棒性(特別是在低資源條件下)。 有了本文全面的實驗分析,或許未來我們可以進一步研究開放關(guān)系抽取和關(guān)系發(fā)現(xiàn)問題,這些需要我們考慮zero-shot問題,但可以確信:預(yù)訓(xùn)練關(guān)系模型將對這些領(lǐng)域產(chǎn)生積極影響。
責(zé)任編輯:xj
原文標(biāo)題:劉知遠老師的“靈魂發(fā)問”:關(guān)系抽取到底在乎什么?
文章出處:【微信公眾號:深度學(xué)習(xí)自然語言處理】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。
-
自然語言
+關(guān)注
關(guān)注
1文章
279瀏覽量
13295 -
nlp
+關(guān)注
關(guān)注
1文章
481瀏覽量
21935 -
知識圖譜
+關(guān)注
關(guān)注
2文章
132瀏覽量
7663
原文標(biāo)題:劉知遠老師的“靈魂發(fā)問”:關(guān)系抽取到底在乎什么?
文章出處:【微信號:zenRRan,微信公眾號:深度學(xué)習(xí)自然語言處理】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。
發(fā)布評論請先 登錄
相關(guān)推薦
評論