引言

2020年，自然語言處理領(lǐng)域頂級的國際學(xué)術(shù)會議EMNLP（Conference on Empirical Methods in Natural Language Processing）共錄取論文751篇

開放域信息抽取是信息抽取任務(wù)的另一個(gè)分支任務(wù)，其中抽取的謂語和實(shí)體并不是特定的領(lǐng)域，也并沒有提前定義好實(shí)體類別。更一般的，開放域信息抽取的目的是抽取出所有輸入的文本中的形如 《主語，謂語，賓語》 的三元組。開放域信息抽取對于知識的構(gòu)建至關(guān)重要，可以減少人工標(biāo)注的成本和時(shí)間。

本次Fudan DISC實(shí)驗(yàn)室將分享EMNLP2020中關(guān)于開放域信息抽取和文本知識結(jié)構(gòu)化的3篇論文，介紹最新的開放域信息抽取的研究。

文章概覽

關(guān)于開放域信息抽取神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練方式的系統(tǒng)比較 （Systematic Comparison of Neural Architectures and Training Approaches for Open Information Extraction）

該文將神經(jīng)網(wǎng)絡(luò)基礎(chǔ)的OpenIE框架系統(tǒng)分解為三個(gè)基本模塊：嵌入塊、編碼塊和預(yù)測模塊。在探究各種組合時(shí)，他們發(fā)現(xiàn)：pre-training的語言模型+Transformer編碼器+LSTM預(yù)測層在OpenIE2016基準(zhǔn)上有了巨大的改進(jìn)（提升200%）。此外，他們還提到，NLL損失函數(shù)可能更偏向淺層預(yù)測。

OpenIE6：開放域信息的迭代網(wǎng)格標(biāo)記抽取以及并列短語分析 （OpenIE6： Iterative Grid Labeling and Coordination Analysis for Open Information Extraction）

該文將OpenIE任務(wù)的三元組抽取構(gòu)建為2-D（#extraction #words）網(wǎng)格標(biāo)記任務(wù)，使得通過迭代抽取可以將一個(gè)句子中的所有三元組都有概率被模型識別出來。該文將他們的抽取方式稱為IGL（Iterative Grid Labeling），并在計(jì)算損失函數(shù)的時(shí)候加4種入關(guān)于詞性的軟約束，并在最終的loss計(jì)算時(shí)加起來作為約束懲罰項(xiàng)。實(shí)驗(yàn)結(jié)果表明了他們模型的有效。

DualTKB： 在文本和知識庫之間進(jìn)行雙重學(xué)習(xí) （DualTKB： A Dual Learning Bridge between Text and Knowledge Base）論文地址：https://www.aclweb.org/anthology/2020.emnlp-main.694.pdf

該文建立了多個(gè)任務(wù)將某些文本（選項(xiàng)A）或KB中的路徑三元組（選項(xiàng)B）作為輸入，然后兩個(gè)解碼器分別生成文本（A）或另一個(gè)三元組（B）。也就是說，你可以有多種路線，例如A-B（從文本中提取三元組）或B-B（知識圖譜補(bǔ)全）等。重復(fù)這個(gè)過程，你可以從文本中迭代提取更多三元組，或者對知識圖譜反向解碼為文本。

論文細(xì)節(jié)

1

任務(wù)定義

現(xiàn)有的OpenIE的任務(wù)定義主要分為兩種：1）序列標(biāo)注、2）子序列提取

其中序列標(biāo)注框架最為常見，下圖為用序列標(biāo)注任務(wù)設(shè)定的開放域信息抽取。例子中一共有7類標(biāo)簽

子序列通過模型生成大量的可能的子序列三元組組合，模型負(fù)責(zé)給這些候選組合進(jìn)行打分，并選出概率最高的幾個(gè)三元組作為抽取結(jié)果。

作者通過比較這兩種任務(wù)設(shè)定，總結(jié)出統(tǒng)一的OpenIE的任務(wù)設(shè)定：OpenIE任務(wù)將每一個(gè)問題定義為一個(gè)元組《X，Y》，其中將一個(gè)句子表示成有很多個(gè)詞語的序列，定義了一個(gè)合法的抽取結(jié)果集合。如果是建模為序列標(biāo)注問題，則是BIO標(biāo)簽；如果看作子序列提取問題，則是子序列集合。

方法

模型結(jié)構(gòu)：文中對神經(jīng)網(wǎng)絡(luò)OpenIE的方法進(jìn)行全方位的總結(jié)，作者將目前的框架分為了三個(gè)模塊：1）Embedding Module；2）Encoding Module；3）Prediction Module；各模塊的種類如下圖。

作者針對以上三個(gè)模塊進(jìn)行了不同組合，做了很多實(shí)驗(yàn)進(jìn)行比較哪種組合方式是最好的。

訓(xùn)練方法：在進(jìn)行訓(xùn)練的時(shí)候會遇到標(biāo)簽分類負(fù)樣本標(biāo)簽的數(shù)量遠(yuǎn)遠(yuǎn)大于其他標(biāo)簽數(shù)量的情況，作者對這個(gè)問題提出了三種解決方案。如下圖所示，第一種解決方案是在計(jì)算損失函數(shù)時(shí)不計(jì)算預(yù)測出標(biāo)簽的數(shù)據(jù)；第二種是計(jì)算預(yù)測出標(biāo)簽和非標(biāo)簽的邊緣部分的損失函數(shù)；第三種是只計(jì)算邊緣部分的非部分的損失函數(shù)值。

數(shù)據(jù)集和評價(jià)指標(biāo)數(shù)據(jù)集來自于OIE16的benchmark 數(shù)據(jù)集，評價(jià)指標(biāo)采用F1值和AUC-PR。

實(shí)驗(yàn)結(jié)果

從主實(shí)驗(yàn)可以看出最優(yōu)的組合是 ALBERT+Transformer+LSTM，并且用最后一種訓(xùn)練方式訓(xùn)練的模型。

作者對每個(gè)模塊和訓(xùn)練方式還進(jìn)行了消融實(shí)驗(yàn)如下。

該實(shí)驗(yàn)說明，embedding層使用Transformer效果最好。

該實(shí)驗(yàn)說明，預(yù)測層使用LSTM效果最好。

該實(shí)驗(yàn)說明，使用最后一種訓(xùn)練方式的效果是最好的。

2

論文動(dòng)機(jī)

文中介紹了目前OpenIE最主流的兩種框架：1）生成類的系統(tǒng)（通過迭代多次編碼輸入的文本，以進(jìn)行多次抽?。?；2）序列標(biāo)注系統(tǒng)。這兩種框架都存在弊端：1）生成系統(tǒng)多次重復(fù)encoding輸入的文本，會造成抽取速度慢，并不能很好的適應(yīng)大數(shù)據(jù)時(shí)代的大量網(wǎng)頁抽取場景；2）而序列標(biāo)注系統(tǒng)，對于每個(gè)抽取都是獨(dú)立的，并不能獲取其他抽取內(nèi)容的信息。

任務(wù)定義

給定一句話作為輸入，然后抽取出一個(gè)集合作為抽取的結(jié)果，其中每個(gè)是一個(gè)的三元組。由于一句話中可能含有多個(gè)可抽取的三元組，如下圖。

作者將這個(gè)任務(wù)建模為一個(gè)在2-D網(wǎng)格上進(jìn)行迭代抽取的任務(wù)，網(wǎng)格的大小為，橫坐標(biāo)為句子分詞，縱坐標(biāo)為抽取出的結(jié)果。例如，坐標(biāo)為的網(wǎng)格代表第n個(gè)詞的第m次的預(yù)測標(biāo)簽，如下圖。

方法

模型（Iterative Grid Labeling）

作者提出了一個(gè)迭代網(wǎng)格抽取方法，去完成這個(gè)網(wǎng)格抽取任務(wù)，其實(shí)就是利用迭代抽取，然后將上一節(jié)定義的的網(wǎng)格填滿預(yù)測標(biāo)簽，模型圖如下：

該結(jié)構(gòu)一共迭代M次，每一次詞向量都需要經(jīng)過一個(gè)相同結(jié)構(gòu)的模塊如上圖，模塊中包含一個(gè)transformer 編碼器的self-att層、一個(gè)又多層感知機(jī)組成的標(biāo)簽分類器和一個(gè)標(biāo)簽嵌入層。每次迭代后詞向量編碼器的輸出會加入下一次的輸入中去，以達(dá)到迭代信息傳遞的作用。文中作者將該方法稱做IGL-OIE，訓(xùn)練得到的損失函數(shù)為。

網(wǎng)格約束

在進(jìn)行抽取的時(shí)候，作者提出了四種軟約束來限制抽取的結(jié)果，一共有四種：1）POS Coverage（POSC）；2）Head Verb Coverage（HVC）；3）Head Verb Exclusivitu（HVE）；4）Extraction Count（EC）。POSC約束了句子中的每個(gè)名詞、動(dòng)詞、形容詞和副詞至少有一個(gè)要出現(xiàn)在抽取結(jié)果中；HVC約束了句中每一個(gè)頭動(dòng)詞（有意義的動(dòng)詞）至少出現(xiàn)在其中一個(gè)抽取結(jié)果的關(guān)系中；HVE約束了每個(gè)抽取結(jié)果的關(guān)系只能有一個(gè)動(dòng)詞；EC約束了所有抽取結(jié)果的數(shù)量要少于句中所有頭動(dòng)詞的數(shù)量。作者根據(jù)以上定義的約束，制定了以下四種損失函數(shù)懲罰項(xiàng)：

，

，

，

，

，

。

將以上約束和抽取訓(xùn)練的loss加起來得到總的損失：

并列連詞檢測

作者利用網(wǎng)格抽取和前人的并列連詞抽取工具，設(shè)計(jì)了并列連詞檢測的方法稱做IGL-CA，如下圖

真正訓(xùn)練的時(shí)候先用IGL-CA將長句根據(jù)并列連詞位置拆成簡單句，再進(jìn)行IGL-OIE進(jìn)行抽取。

數(shù)據(jù)集和實(shí)驗(yàn)準(zhǔn)備

訓(xùn)練數(shù)據(jù)集來自于Open-IE4，同時(shí)也是用來訓(xùn)練IMoJIE的數(shù)據(jù)集。用于比較的模型有IMoJIE、RnnOIE、SenceOIE、SpanOIE、MinIE、ClasusIE、OpenIE4和OpenIE5。實(shí)驗(yàn)評價(jià)在CaRB、CaRB（1-1）、OIE6-C和Wire57-C上，并以F1和AUC作為評價(jià)指標(biāo)。

實(shí)驗(yàn)結(jié)果

從實(shí)驗(yàn)結(jié)果看出本文提出的OpenIE6在三個(gè)評價(jià)數(shù)據(jù)集上都取得了最好的成績，而且當(dāng)加入了軟約束后速度加快了5倍，該模型在準(zhǔn)確率不降的基礎(chǔ)上，加快了推理速度。

作者還分析了各約束間的關(guān)系，發(fā)現(xiàn)最有用的是POSC約束。

3

動(dòng)機(jī)和貢獻(xiàn)

構(gòu)建知識圖譜是一項(xiàng)很費(fèi)人力的事情，這項(xiàng)工作提出了一種知識的轉(zhuǎn)換器，用于轉(zhuǎn)換純文本和知識圖。換句話說，如果給模型很多句子，模型就可以把這些句子變成一個(gè)圖存儲成知識圖譜。反過來，給模型一個(gè)圖，可以利用圖中節(jié)點(diǎn)和邊的關(guān)系，將圖還原成帶有知識的句子。

任務(wù)定義

任務(wù)1（文本路徑）：

給定一句話，然后生成一個(gè)具有格式正確的實(shí)體和關(guān)系的路徑，該路徑和實(shí)體可以屬于已經(jīng)構(gòu)造的KB，也可以以一種實(shí)際有意義的方式對其進(jìn)行擴(kuò)展。此條件生成被構(gòu)造為稱為的翻譯任務(wù)，其中。

任務(wù)2（路徑文本）：

給定KB路徑，則生成描述性句子，將路徑中的實(shí)體和關(guān)系連貫地合并。此條件生成是稱為的翻譯任務(wù)，其中。

下圖給定了一些標(biāo)記符號：

方法

由于缺少KB和文本對應(yīng)的數(shù)據(jù)集，所以作者首先想到了采用自編嗎器的方式設(shè)計(jì)了四個(gè)無監(jiān)督的任務(wù)：（1）文本到文本（AA）（2）圖到圖（BB）（3）文本到圖到文本（ABA）（4）圖到文本到圖（BAB）。這四個(gè)任務(wù)分別對應(yīng)上圖的、、和。計(jì)算公式如下：

由于作者采用的數(shù)據(jù)集是ConceptNet，然后作者找到了構(gòu)建ConceptNet的語料集合，然后作者采用實(shí)體和關(guān)系在文本中進(jìn)行模糊匹配的方式對齊了一些圖路徑和文本的訓(xùn)練對，由于這個(gè)轉(zhuǎn)換是不準(zhǔn)確的所以只能是弱監(jiān)督學(xué)習(xí)，在模型圖中對應(yīng)的任務(wù)是（1）圖到文本（BA）和（2）文本到圖（AB），損失函數(shù)如下：

實(shí)驗(yàn)設(shè)計(jì)

本文的實(shí)驗(yàn)選取了常識領(lǐng)域的文本數(shù)據(jù)OMCS，和常識知識圖譜ConceptNet（CN600K）。因?yàn)镃N600K中的部分三元組是從OMCS中抽取得來，所以部分文本和路徑所表達(dá)的知識是相同的。對于弱監(jiān)督數(shù)據(jù)，文中使用Fuzzy Matching的方式對齊文本和路徑。需要注意的是，因?yàn)閷R的數(shù)據(jù)是基于路徑和文本之間的相似度進(jìn)行選擇的，所以對齊的數(shù)據(jù)是有噪聲的。

文中涉及文本生成任務(wù)和知識圖譜補(bǔ)全任務(wù)，所以評價(jià)指標(biāo)根據(jù)任務(wù)的不同有著變化?？傮w來說，生成任務(wù)包括BLEU2、BLEU3、Rougel和F1；知識圖譜補(bǔ)全任務(wù)采用了常用的MRR和HITS@N指標(biāo)。由于作者還設(shè)計(jì)了一個(gè)通過一堆句子生成新圖的任務(wù)，所以需要一個(gè)指標(biāo)來評價(jià)新圖和原來的圖有多少不同，因此引入了圖編輯距離（GED）來評價(jià)這個(gè)任務(wù)。

實(shí)驗(yàn)結(jié)果

文本路徑互轉(zhuǎn)的性能

從文本到文本的效果很好，但是如果通過中間圖轉(zhuǎn)化的話效果就會差很多，說明跨模態(tài)的知識遷移能力需要提高。

如果直接用路徑生成文本，效果就更差了，但是本文提出了一種新穎的思想。

知識圖譜補(bǔ)全任務(wù)

在知識圖譜補(bǔ)全任務(wù)上，本文提出的模型優(yōu)于前人的baseline，值得注意的是，代表了弱監(jiān)督的比例，從實(shí)驗(yàn)結(jié)果來看，并不是弱監(jiān)督越多越好，因?yàn)閹в泻芏嘣胍簟Ｒ虼俗髡哌€對應(yīng)該加入多少弱監(jiān)督進(jìn)行了探索，實(shí)驗(yàn)結(jié)果如下：

發(fā)現(xiàn)大致是加入0.5比例的監(jiān)督效果是在最好的模型上表現(xiàn)提升較多。
編輯：lyn