寫在前面

今天來跟大家分享一篇發(fā)表在2020ACL上的實體關(guān)系抽取論文CasRel。

論文名稱：《A Novel Cascade Binary Tagging Framework forRelational Triple Extraction》

論文鏈接：https://aclanthology.org/2020.acl-main.136.pdf

代碼地址：https://github.com/weizhepei/CasRel

1. 關(guān)系抽取任務(wù)定義

實體關(guān)系抽取（關(guān)系抽取）是構(gòu)建知識圖譜非常重要的一環(huán)，其旨在識別實體之間的語義關(guān)系。換句話說，關(guān)系抽取就是從非結(jié)構(gòu)化文本即純文本中抽取實體關(guān)系三元組（SRO）。這里 代表頭實體， 代表關(guān)系， 代表尾實體。

上圖展示了3個例子：

第一句文本中，“劉翔”和“上海”兩個實體之間的語義關(guān)系是“出生地”。

第二句文本中，“張藝謀”與“菊豆”兩個實體之間的語義關(guān)系是“導演”。

第三句文本中，“史蒂夫.喬布斯”與“蘋果”之間的語義關(guān)系是“創(chuàng)始人”。

2. 關(guān)系抽取方法

關(guān)系抽取方法主要可分為兩類：

管道學習方法（pipeline）：管道學習方法通常先抽取句子中的實體，然后再對實體對進行關(guān)系分類，從而找出SRO三元組。

聯(lián)合學習方法（Joint）：聯(lián)合學習方法同時進行實體識別和實體對的關(guān)系分類兩個子任務(wù)。

許多實驗證明聯(lián)合學習方法由于考慮了兩個子任務(wù)之間的信息交互，大大提升了實體關(guān)系抽取的效果，所以目前針對實體關(guān)系抽取任務(wù)的研究大多采用聯(lián)合學習方法。

進一步地，聯(lián)合學習方法又可以細分為以下兩種：基于參數(shù)共享的聯(lián)合模型；基于聯(lián)合解碼的聯(lián)合模型。另一方面，解碼方式對實體關(guān)系抽取性能的影響也很大，主要的解碼方式有三種：基于序列標注；基于指針網(wǎng)絡(luò)；基于片段分類。

《Joint Extraction of Entities and Relations Based on a Novel Tagging Scheme》[1]是采用序列標注的聯(lián)合解碼的典型方法。簡單地說，它將實體關(guān)系抽取當作了序列標注問題，設(shè)計了比較特別的標注標簽可以實現(xiàn)實體、關(guān)系的聯(lián)合抽取(如上圖所示)。

3. 關(guān)系抽取難點

如上圖所示，和大多數(shù)的自然語言處理任務(wù)一樣，關(guān)系抽取同樣有許多難點。我們今天所分享的CasRel關(guān)注的難點主要是三元組的重疊問題（實體關(guān)系重疊），即：輸入文本中有多個實體關(guān)系三元組，彼此之間可能共享了某些實體。

上圖給出了部分示例：

（劉翔, 出生地, 上海）與（劉翔, 出生時間, 1983年7月13日）都有“劉翔”；

（《少林足球》, 導演, 周星馳）、（《少林足球》, 編劇, 周星馳）、（周星馳, 參演, 《少林足球》）都有“《少林足球》”和“周星馳”；

（阿爾弗雷德.阿德勒, 出生地, 奧地利）與（阿爾弗雷德.阿德勒, 出生地, 維也納）都有“阿爾弗雷德.阿德勒”..

前面我們所提的聯(lián)合解碼模型由于其標簽設(shè)計或CRF層限定了每個token只能有一個tag，所以無法適用于實體關(guān)系重疊情況。此外，基于參數(shù)共享的關(guān)系抽取方法最后通常是一個多分類層，也就是一對實體只能有一個標簽。簡單地將其改成多標簽分類就能一定程度上解決實體關(guān)系重疊問題，但是這種改進并不具備什么創(chuàng)新性。

那接下來我們就來看看CasRel是如何另辟蹊徑來解決實體關(guān)系重疊問題的。

4. CasRel核心思想

CasRel本質(zhì)上也是基于參數(shù)共享的聯(lián)合實體關(guān)系抽取方法，它通常被大家稱作層疊指針網(wǎng)絡(luò)。實際上，CasRel的核心思想或者說作者改進現(xiàn)有模型的重點在于子層的設(shè)計。

因為CasRel對于關(guān)系抽取這個任務(wù)的拆分不同，所以子任務(wù)及子任務(wù)求解順序也不同。具體地：首先CasRel 會識別所有可能的主語（頭實體）；然后在給定類別關(guān)系 下，再去識別與主語相關(guān)的賓語（尾實體）。

更形式化的表達：如果說以前關(guān)系抽取/關(guān)系分類是這樣一個映射函數(shù) ，；那么現(xiàn)在在CasRel中關(guān)系抽取對應(yīng)的映射函數(shù)則是 。

與之相似的思想很早之前就有出現(xiàn)在知識圖譜表示學習方法當中，比如在下圖的 TransE[2]模型中就有 （這里 為頭實體， 為尾實體）。

5. 模型細節(jié)

現(xiàn)在我們再來看CasRel的模型細節(jié)。CasRel是一個基于聯(lián)合解碼的實體關(guān)系抽取模型，其思想和模型都很簡單，主要包括三層：

編碼端：基于BERT的編碼層用于獲取上下文語義信息對字/詞進行表征；

解碼端：解碼端主要包括了頭實體識別層、關(guān)系與尾實體聯(lián)合識別層。

在這里，基于BERT的編碼層我們就不做過多的介紹了，感興趣的讀者可以下載論文《Pre-trained Models for Natural Language Processing》進行閱讀學習。接下來，我們將著重介紹CasRel的解碼端。

5.1 頭實體識別層

CasRel的頭實體識別層直接對編碼層的結(jié)果進行解碼，去識別所有可能的頭實體。這里CasRel是識別頭實體span，也就是start和end位置，所以它采用的是二分類。這點和我們在實體識別BERT-MRC論文閱讀筆記、實體識別LEAR論文閱讀筆記中類似。

因此，模型本身很簡單：

首先，利用一個線性層一個sigmoid激活函數(shù)判斷每個token是不是頭實體的開始token或結(jié)束token；

然后，利用最近匹配原則將識別到的start和end配對獲得候選頭實體集合。

5.2 關(guān)系、尾實體聯(lián)合識別層

識別頭實體后就要進行關(guān)系和尾實體的聯(lián)合識別了。這里，CasRel是通過一組關(guān)系相關(guān)的尾實體識別層來實現(xiàn)的。每一層尾實體識別層的結(jié)構(gòu)其實與頭實體識別層是一樣的，不同主要在于輸入：

頭實體識別層的輸入直接就是編碼層的輸出；

而尾實體識別層的輸入還考慮了頭實體的特征:

這里 是第 個候選頭實體所包含的所有token的向量的平均。

5.3 概率解釋

最后，我們從概率角度來看CasRel模型。

既然實體關(guān)系抽取任務(wù)就是識別文本中潛在的實體關(guān)系三元組，那么模型的優(yōu)化目標可以直接建立在三元組這個層面上。

(1) 優(yōu)化目標

假設(shè) 為訓練集， 是第 個輸入樣本， 是文本 中含有的所有三元組，CasRel的訓練目標自然是如下似然函數(shù)值最大:

(2) 概率公式變換

根據(jù)聯(lián)合概率=邊緣概率*條件概率，我們有：

這里 表示出現(xiàn)在 中的一個頭實體， 表示出現(xiàn)在 中且其頭實體為 的一組關(guān)系-尾實體對。 為先驗概率， 為條件概率。

(3) 關(guān)系作為先驗知識

然后，把關(guān)系作為先驗知識，我們可以進一步把上式右端第二項拆成兩部分，即出現(xiàn)在 中且頭實體為 的關(guān)系、其他關(guān)系：

這里， 是所有關(guān)系的集合， 表示出現(xiàn)在 中且頭實體為 的一組關(guān)系， 是 與 的差集，也就是沒有出現(xiàn)在 中的其他關(guān)系。

表示對于文本 與頭實體 以及沒有出現(xiàn)在 中的關(guān)系 來說，尾實體識別結(jié)果應(yīng)當為空。所以最終我們有：

(4) 結(jié)論

可以發(fā)現(xiàn)最終這個式子與CasRel抽取實體關(guān)系三元組的子任務(wù)順序一致：

首先識別文本中所有可能的頭實體；

然后在每個關(guān)系類別下，去抽取與識別到的頭實體存在該關(guān)系的所有可能的尾實體。

另一方面，這個任務(wù)拆解方式也很自然解決了重疊實體關(guān)系三元組的提取問題。

5.4 實驗

實驗主要在兩個公開的數(shù)據(jù)集NYT和WebNLG上進行。此外，需要注意的是CasRel模型本身還有兩個變體：

：表示編碼端的BERT參數(shù)是隨機初始化的；

：表示編碼端使用的是LSTM而不是BERT。

當然CasRel則表示采用預(yù)訓練好的BERT作為編碼端。

(1) 整體實驗效果對比

上圖中展示了CasRel及其變體模型與其他基準方法在兩個數(shù)據(jù)集上的效果。可以看到CasRel及其變體的效果都高于其他方法；尤其在WebNLG數(shù)據(jù)上，相對提升得更多。仔細看NYT、WebNLG兩個數(shù)據(jù)分布差異還是蠻大的：

NYT、WebNLG兩個數(shù)據(jù)中都有Normal類型的三元組、SEO類型的三元組、EPO類型的三元組，且三者在兩個數(shù)據(jù)集中占比不同；

Normal、SEO、EPO分別代表常規(guī)實體關(guān)系三元組、單個實體重疊的實體關(guān)系三元組、實體對重疊的實體關(guān)系三元組；

NYT中的實體關(guān)系三元組類型多為Normal類型，即數(shù)據(jù)中常規(guī)實體關(guān)系三元組居多。

WebNLG中的實體關(guān)系三元組多為SEO類型，即單個實體重疊的實體關(guān)系三元組居多。

CasRel在兩個數(shù)據(jù)集上相對穩(wěn)定的表現(xiàn)說明了在實體關(guān)系重疊這種復(fù)雜場景下，其框架的有效性。

(2) 不同三元組重疊類型實驗對比

上圖展示了在不同三元組重疊類型的樣本上各個基準方法與CasRel的實驗結(jié)果。可以發(fā)現(xiàn)隨著場景逐漸復(fù)雜（Normal->EPO、SEO），基準方法的效果都逐漸下降，但CasRel則取得了相對穩(wěn)定且優(yōu)異的表現(xiàn)。這個對比實驗進一步說明了CasRel在重疊三元組場景下的有效性。

(3) 不同三元組個數(shù)實驗對比

隨著樣本中三元組個數(shù)的增多，每個方法的效果都或多多少地受到了影響。尤其在 即多于五個三元組的樣本上，基準方法效果基本都大幅度下降，而CasRel相對要好一些。同時，在 的樣本上CasRel的效果相對于基準方法提升的最多。

這個對比實驗反映了CasRel相比其他基準方法在處理多實體關(guān)系三元組下的能力更強。

6. 延伸思考

CasRel的思想可以很自然地遷移到上去信息抽取中的另一大任務(wù)事件抽取上，因為在事件抽取同樣存在一些類似的挑戰(zhàn)：

輸入文本里面存在多個事件；

事件論元可能重疊，同一個論元可能扮演不同的角色、同一個角色下也可能有多個論元：同一個事件論元可能重疊；不同事件之間論元可能重疊。

6.1 事件抽取任務(wù)描述

事件抽取任務(wù)可拆為兩個子任務(wù)：

事件檢測（event detection）：即觸發(fā)詞的抽取和事件類型判斷；

事件論元識別（argument extraction）：即識別事件論元并判斷論元所扮演的角色。

6.2 CasRel范式遷移到事件抽取

阿墨最初看到CasRel時就想到它的層疊指針范式可以遷移到事件抽取中：

建模思路和子任務(wù)順序：CasRel建模思路（TransE 中也是類似的）是“頭實體+關(guān)系=尾實體”，即CasRel先抽頭實體，再抽關(guān)系和尾實體；遷移到事件抽取中，可以是“觸發(fā)詞+角色=論元”即先抽觸發(fā)詞，再抽角色和論元。

模型適配：CasRel 模型中的頭實體識別子結(jié)構(gòu)適配到事件抽取中觸發(fā)詞檢測，CasRel模型中的關(guān)系尾實體識別子結(jié)構(gòu)適配到事件論元識別。這樣就完成了事件檢測任務(wù)中的觸發(fā)詞抽取、事件論元識別任務(wù)，那么事件類型判定呢？

事件類型判定：事件類型判定既可在觸發(fā)詞檢測完后做，即僅對觸發(fā)詞分類，也可以在最后結(jié)合觸發(fā)詞/論元/角色信息進行事件分類。

小改動完成完全適配：如果考慮“原文+事件類型=觸發(fā)詞”，那么實際上事件類型判定和觸發(fā)詞抽取可一并完成。只需要把用于抽取觸發(fā)詞子結(jié)構(gòu)換成和用于事件論元識別子結(jié)構(gòu)類似或者說一致即可。

實際上，在2020年阿墨進行事件抽取相關(guān)實驗過程中，陸陸續(xù)續(xù)就有這個系列的工作出來如：JMCEE[3]、PLMEE[4] 及CasEE[5]。CasEE代碼也開源了，阿墨去年也在上面進行了一些實驗。文末附上了相關(guān)論文鏈接，感興趣的讀者可下載閱讀。

總結(jié)

今天我們分享了實體關(guān)系抽取模型CasRel，并在最后聯(lián)系事件抽取做了一些延伸思考。

審核編輯 ：李倩