美文网首页
论文阅读笔记--UNIRE: A Unified Label S

论文阅读笔记--UNIRE: A Unified Label S

作者: WritingHere | 来源:发表于2021-07-18 18:40 被阅读0次

Date
2021年7月18日

作者 & 机构:
Yijun Wang^{1,2}, Changzhi Sun^4, Yuanbin Wu^3, Hao Zhou^3, Lei Li^4, and Junchi Yan^{1, 2}
上海交大计算机^1
上海交大AI研究院^2
华东师大计算机^3
字节跳动AI Lab^4

链接 : [https://arxiv.org/pdf/2107.04292.pdf]

说明:
Published at ACL 2021 main conference

研究主题

  • 大类(General) : 信息抽取
  • 小类(Specific) : 实体关系联合抽取

简介What)

本文针对实体关系抽取任务提出了一种联合标签框架,可以在一个矩阵中同时表示实体标签和关系标签,强化了实体标签和关系标签的交互,在多个数据集上实现了最优或者有竞争力的结果

解决的问题(Why)

  1. 以往的模型(Zhong and Chen,2020)使用pipeline的方式实现了实体关系的SOTA,他们对实体和关系采用独立的编码器和解码器,并且标签空间也不共享,作者为了促进两个子任务的交互,让这两个任务使用共享的编码器和解码器,并且共享标签空间
  2. 作者提出了填表的方式来实现将实体关系纳入到统一的标签体系中,其中实体在表格中是一个正方形,即每一个实体内部所有字符之间都是同样的标签;而关系在表格中是一个矩形,即有关系的一对实体的所有字符对之间都有同样的标签。
  3. 作者的模型不仅实现了最好的效果,而且在速度和参数量上都优于其他模型。

详细信息(How)

实体关系统一的标签体系.png

Methodology

问题定义

作者把实体关系联合抽取建模成一个填表问题,对于一个句子s=x_1,x_2,\cdots,x_n,维护一个表格T^{|s|\times |s|},其中|s|是句子的长度,对于表格中的任一元素cell(i, j),给它赋予一个标签y_{i, j}\in \mathcal{Y},其中\mathcal{Y}\in \mathcal{Y}_e\cup\mathcal{Y}_r\cup\{\perp\}(\{\perp\}代表token之间没有关系)
对于一个实体e,对应的标签y_{i, j}(x_i\in e.span, x_j\in e.span)应该被填成e.type.
对于一个关系r=(e_1,e_2,l),对应的标签y_{i,j}(x_i\in e_1.span, x_j\in e_2.span)应该被填成l
其余标签都是\perp

模型方法

  1. BERT编码句子
    \{h_1,h_2,\cdots, h_n\} = \rm{PLM}(\{x_1,x_2,\cdots,x_n\})
  2. Biaffine计算token两两之间的关系
    g_{i,j} = \rm{Biaff}(h^{head}_i, h^{tail}_j)
  3. 填表,使用交叉熵计算损失
    P(y_{i, j}|s)=\rm{Softmax}(\rm{Dropout}(g_{i, j}))
    \mathcal{L}_{entry}=-\dfrac{1}{|s|^2}\sum\limits_{i=1}^{|s|}\sum_{j=1}\limits^{|s|}log P(\textbf{y}_{i,j}=y_{i,j}|s)

其他限制条件

这部分感觉是凑篇幅用的

  1. 对称性
    如果关系是对称的话,表格也是对称的,因此,对于对称的关系对,其对应位置的标签应该一致,例如表格中的David Perkins和wife之间是PER-SOC的关系,反过来也成立。因此,我们可以添加这个约束条件,让对称关系的对应位置的标签差异最小化。
    \mathcal{L}_{sym}=-\dfrac{1}{|s|^2}\sum\limits_{i=1}^{|s|}\sum\limits_{j=1}^{|s|}\sum\limits_{t\in \mathcal{Y}_{sym}}|\mathcal{P}_{i,j,t}-\mathcal{P}_{j,i,t}|
  2. 隐含性
    如果一个关系存在,那么它对应的两个实体也存在。因此,一个关系标签的得分一定不高于其对应的实体的标签的得分。
    \mathcal{L}_{imp} = \frac{1}{|s|}\sum\limits_{i=1}^{|s|}[\mathop{max}\limits_{l\in\mathcal{Y}_r}\{\mathcal{P}_{i,:,l},\mathcal{P}_{:,i,l}\} - \mathop{max}\limits_{t\in \mathcal{Y}_e}\{\mathcal{P}_{i, i, t}\}]
    其中[u]_*=max(u, 0)使用hinge loss计算。
    最终损失为三者之和
    \mathcal{L} = \mathcal{L}_{en} + \mathcal{L}_{sy} + \mathcal{L}_{im}
    这里为了减少参数量,没有加入其它参数调节权重。

解码方式

本文的解码分为三步,

  • 首先解码span的边界,对于任意两个相邻的行或者边,如果其标签不一致,那么我们就认为他们属于不同的span
  • 其次解码span的类型,对于同一个span,将方块中概率最大的那个字符对应的实体类型作为span的类型
  • 最后解码关系,同样的,将一个矩形中概率最大的那个位置对应的关系的标签作为完整的关系标签

疑惑点

总结

本文提出了一个统一的标签体系来进行实体关系抽取,以此实现对这个量任务交互信息的深入挖掘。
这个标签体系分别将实体和关系表示为矩形和正方形。
通过biaffine填表,然后通过三步解码还原出实体和关系。
作者的模型不仅效果好,而且效率高。

启发

  • 统一的标签体系建模,可以考虑用在事件抽取、指代消解中;

参考链接

相关文章

网友评论

      本文标题:论文阅读笔记--UNIRE: A Unified Label S

      本文链接:https://www.haomeiwen.com/subject/zlpapltx.html