基于深度學(xué)習(xí)的實(shí)體和關(guān)系的聯(lián)合抽取研究

艾鑫

（四川大學(xué)計(jì)算機(jī)學(xué)院，成都610065）

0 引言

隨著互聯(lián)網(wǎng)的快速發(fā)展，在信息爆炸式增長的今天，如何高效獲取所需信息是一個(gè)熱門研究問題，信息抽取技術(shù)應(yīng)運(yùn)而生[1]。實(shí)體識(shí)別和關(guān)系抽取是信息抽取中的兩個(gè)子任務(wù)，實(shí)體識(shí)別是指從文本中識(shí)別出專有名稱和有意義的數(shù)量短語并加以歸類[2]，而關(guān)系抽取在此基礎(chǔ)上進(jìn)行，目的是識(shí)別實(shí)體對(duì)之間存在的語義關(guān)系。例如：“中國的首都是北京”，首先識(shí)別文本中的實(shí)體：“北京”、“中國”，然后識(shí)別實(shí)體間關(guān)系，通常使用＜主體，關(guān)系，客體＞三元組表示，如＜中國，首都，北京＞。為了便于敘述，本文統(tǒng)稱三元組中的客體和主體為關(guān)系的論元。實(shí)體關(guān)系抽取是構(gòu)建知識(shí)庫和知識(shí)圖譜的基礎(chǔ)，并且為問答系統(tǒng)、智能檢索等下游應(yīng)用提供支持，其意義不言而喻。

為了從文本中抽取關(guān)系三元組，Zelenko等[3]采用了一種流水線方法，即先進(jìn)行實(shí)體識(shí)別，然后對(duì)已經(jīng)抽取出的實(shí)體進(jìn)行關(guān)系預(yù)測。但是，這種方法存在兩個(gè)缺點(diǎn)：1）錯(cuò)誤傳播；2）忽略了實(shí)體識(shí)別和關(guān)系抽取的內(nèi)在聯(lián)系。因此，研究者提出了聯(lián)合抽取方法。初期的聯(lián)合抽取工作多數(shù)基于人工構(gòu)造特征[4-5]，特征提取耗時(shí)耗力。隨著深度學(xué)習(xí)的發(fā)展，基于神經(jīng)網(wǎng)絡(luò)的聯(lián)合抽取工作占據(jù)主流。如：Miwa等[6]、Gupta等[7]把使用神經(jīng)網(wǎng)絡(luò)進(jìn)行端到端的聯(lián)合抽取、Zheng等[8]提出了一個(gè)新標(biāo)注模式并使用神經(jīng)網(wǎng)絡(luò)進(jìn)行序列標(biāo)注。

1 相關(guān)工作

目前基于深度學(xué)習(xí)的聯(lián)合抽取方法大致可以分為兩類：一是通過聯(lián)合訓(xùn)練的方式，讓兩個(gè)子任務(wù)共享部分參數(shù)，如：Miwa等[6]首次提出端到端抽取的神經(jīng)網(wǎng)絡(luò)模型；二是采用聯(lián)合建模的方式，直接對(duì)關(guān)系三元組進(jìn)行建模，如：Zheng等[8]新標(biāo)注模式（NovelTaging）、Zeng等[9]拷貝生成模型（CopyRE）。以下對(duì)這兩類模型中幾個(gè)具有代表性的工作進(jìn)行詳細(xì)闡述。

1.1 聯(lián)合訓(xùn)練

Miwa等[4]在2016年首次將神經(jīng)網(wǎng)絡(luò)的應(yīng)用于實(shí)體和關(guān)系的聯(lián)合抽取，如圖1所示。模型大致可分為三部分：編碼層、實(shí)體識(shí)別層、關(guān)系抽取層。編碼層使用的是一個(gè)雙向的循環(huán)神經(jīng)網(wǎng)絡(luò)，可以讓每個(gè)時(shí)刻的隱藏表達(dá)同時(shí)編碼前后文的信息。另外，模型還將每個(gè)詞的詞性信息也編碼到隱藏狀態(tài)中。對(duì)文本編碼完成后，即可進(jìn)行實(shí)體識(shí)別。該模型把實(shí)體識(shí)別看作是一個(gè)序列標(biāo)注任務(wù)，使用編碼層的輸出生成實(shí)體標(biāo)簽序列。最后，在實(shí)體識(shí)別的基礎(chǔ)上，模型將實(shí)體進(jìn)行兩兩配對(duì)，輸出最終的關(guān)系抽取結(jié)果。為了提高關(guān)系抽取的準(zhǔn)確度，該模型引入了依存語法信息，并使用一個(gè)雙向的樹神經(jīng)網(wǎng)絡(luò)（Bi-Tree LSTM）編碼兩個(gè)實(shí)體間的最短依存路徑。從嚴(yán)格意義上講，這并不是一個(gè)聯(lián)合抽取模型，兩個(gè)子任務(wù)依然是分開決策的，只是通過共享底層編碼信息來捕捉任務(wù)間的關(guān)聯(lián)。但是該模型最早把深度學(xué)習(xí)應(yīng)用于聯(lián)合抽取，為之后的聯(lián)合建模等工作奠定基礎(chǔ)。基于該模型這種架構(gòu)的工作還有許多，特點(diǎn)是共享參數(shù)，但是兩個(gè)子任務(wù)分開決策，如：Li等[10]、Katiyar等[11]、Giannis等[12]。

圖1 聯(lián)合訓(xùn)練模型圖

1.2 聯(lián)合建模

Zheng等[5]直接對(duì)三元組建模，提出了NovelTag?ging方法，這是第一個(gè)真正意義上的聯(lián)合建模（抽取）工作。Zheng等把實(shí)體和關(guān)系的聯(lián)合抽取轉(zhuǎn)換為序列標(biāo)注問題，通過一套精心設(shè)計(jì)的標(biāo)簽體系，同時(shí)表達(dá)實(shí)體信息和語義關(guān)系，其模型如圖2所示。模型架構(gòu)和普通的序列標(biāo)注模型基本一致，主要分為：編碼層、解碼層。編碼層是一個(gè)Bi-LSTM，解碼層是一個(gè)LSTM，輸出的是一個(gè)實(shí)體關(guān)系標(biāo)簽序列。關(guān)系標(biāo)簽可以分為三部分：實(shí)體邊界、語義關(guān)系、主體客體（實(shí)體一或?qū)嶓w二），非關(guān)系標(biāo)簽“O”表示不存在語義關(guān)系。該模型輸出的不是完整的關(guān)系三元組，最終還需要將同一個(gè)關(guān)系對(duì)應(yīng)的實(shí)體一和實(shí)體二組合起來才完整。但是這一過程卻存在一個(gè)問題，如果文本中同一個(gè)關(guān)系出現(xiàn)兩次，此時(shí)無法對(duì)關(guān)系標(biāo)簽進(jìn)行準(zhǔn)確配對(duì)。雖然作者提出一個(gè)就近原則，但這無疑是不準(zhǔn)確的。另外，該模型對(duì)每個(gè)詞只打一個(gè)標(biāo)簽，而現(xiàn)實(shí)情況是實(shí)體可能會(huì)參與多種關(guān)系。NovelTagging是第一個(gè)聯(lián)合建模工作，但是存在關(guān)系標(biāo)簽配對(duì)、實(shí)體無法參與多關(guān)系的問題。

圖2 NovelTagging模型圖

通常實(shí)體可能會(huì)參與多種關(guān)系，即存在三元組重疊現(xiàn)象，如：A、B、C三個(gè)實(shí)體，可能AB、AC都存在某種語義關(guān)系。Zheng的標(biāo)注模式無法處理三元組重疊，因此Zeng等[9]于2018年提出拷貝生成模型。Zeng等將三元組抽取任務(wù)規(guī)約為序列生成問題，即輸入一段文本，然后輸出完整的關(guān)系三元組序列。模型架構(gòu)和一般的序列框架類似，主要由編碼器和解碼器組成。編碼器使用的是Bi-LSTM，每個(gè)時(shí)刻的輸出代表每個(gè)詞的隱藏狀態(tài)。解碼器使用的是一個(gè)單向的LSTM，每個(gè)時(shí)刻的輸出代表關(guān)系三元組的一個(gè)部分（關(guān)系或?qū)嶓w）。這個(gè)生成過程和普通的生成過程有些不同，三元組中的關(guān)系采用生成的方式，而兩個(gè)實(shí)體則采用拷貝的方式（實(shí)體必定存在于原文本中）。模型的解碼過程以三為周期循環(huán)執(zhí)行，先解碼生成關(guān)系，然后根據(jù)關(guān)系分別拷貝實(shí)體一、實(shí)體二，直到生成表示結(jié)束的關(guān)系三元組＜NA,NA,NA＞。Zeng的模型基本解決了標(biāo)注模式所存在的不足，應(yīng)該算是比較完整的聯(lián)合抽取工作，但是卻存在一個(gè)明顯缺陷，不能識(shí)別實(shí)體的邊界。在這個(gè)工作中，實(shí)體是用單個(gè)詞表示的，由多個(gè)詞組成的實(shí)體取最后一個(gè)詞。

隨后又有不少工作針對(duì)拷貝生成模型進(jìn)行改進(jìn)，Takanobu等[13]于2019年提出了一個(gè)基于強(qiáng)化學(xué)習(xí)的層級(jí)網(wǎng)絡(luò)模型（Hierarchical Framework with Reinforce?ment Learning，HRL）。HRL模型分為上下兩層，上層為關(guān)系識(shí)別層，下層為實(shí)體標(biāo)注層。對(duì)于關(guān)系識(shí)別，Takanobu提出了一個(gè)關(guān)系指示器概念（Relation Indica?tor），即文本中某個(gè)可指示語義關(guān)系的位置，關(guān)系指示器可能是詞或者標(biāo)點(diǎn)符號(hào)等，與關(guān)系觸發(fā)詞有所不同。但是，關(guān)系數(shù)據(jù)集不存在這樣的標(biāo)注，而如果采用人工標(biāo)注，費(fèi)時(shí)費(fèi)力。因此，作者采用了強(qiáng)化學(xué)習(xí)的方式。在關(guān)系識(shí)別過程中，代理（Agent）根據(jù)歷史狀態(tài)信息判斷每個(gè)位置是否產(chǎn)生關(guān)系，動(dòng)作空間為{NR}∪R，NR表示沒有關(guān)系，R表示關(guān)系類型集合，如果存在某種關(guān)系則帶著當(dāng)前狀態(tài)轉(zhuǎn)到實(shí)體識(shí)別層。實(shí)體識(shí)別層也是采用強(qiáng)化學(xué)習(xí)的方式，動(dòng)作空間為({S，T，O}×{B，I})∪{N}，S、T分別表示參與關(guān)系的主體、客體，O表示普通實(shí)體（沒有參與當(dāng)前關(guān)系），B、I表示實(shí)體邊界，N表示普通詞。當(dāng)實(shí)體識(shí)別完畢后，下層會(huì)把狀態(tài)傳回上層，繼續(xù)進(jìn)行關(guān)系識(shí)別。這個(gè)工作較好地解決了實(shí)體邊界問題，但是強(qiáng)化學(xué)習(xí)并不穩(wěn)定，實(shí)驗(yàn)結(jié)果難以重現(xiàn)。

2 數(shù)據(jù)集

關(guān)系抽取的數(shù)據(jù)集根據(jù)標(biāo)注方式，可分為兩類。一類是Miwa等[6]使用的人工標(biāo)注的數(shù)據(jù)集，如：ACE（Automatic Content Extraction)[14]數(shù)據(jù)集。另一類則是Zheng等[8]使用的遠(yuǎn)監(jiān)督[15]產(chǎn)生的數(shù)據(jù)集，如：紐約時(shí)代（New York Times，NYT）數(shù)據(jù)集。

關(guān)系抽取任務(wù)最初是由美國國防高級(jí)研究計(jì)劃委員會(huì)（Defense Advanced Research Projects Agency,DAR?PA)資助的MUC（Message Understanding Conference）[16]會(huì)議于1988年首次正式提出的，其發(fā)展最初由MUC[16]評(píng)測會(huì)議所推動(dòng)，后來NIST舉辦的ACE替代了該會(huì)議。ACE會(huì)議每年都會(huì)發(fā)布與信息抽取相關(guān)的任務(wù)，主要包括命名實(shí)體識(shí)別、關(guān)系抽取等。ACE數(shù)據(jù)集便來源于此，該數(shù)據(jù)集是由人手工標(biāo)注的，其中包含了會(huì)議定義的3大類和6子類實(shí)體關(guān)系。

NYT數(shù)據(jù)集是通過遠(yuǎn)程標(biāo)注產(chǎn)生的。該數(shù)據(jù)集使用1987-2007年紐約時(shí)代新聞文章作為語料，并從中采樣出118萬個(gè)句子作為樣例進(jìn)行標(biāo)注。目前該數(shù)據(jù)集有兩個(gè)版本，一個(gè)是由Riedel等[17]發(fā)布，包含了29種有效關(guān)系以及74345個(gè)句子，而另一個(gè)相對(duì)較小的NYT11則由Ren等[18]發(fā)布，包含了24種有效關(guān)系。遠(yuǎn)監(jiān)督產(chǎn)生的數(shù)據(jù)集包含大量噪聲，但是在實(shí)驗(yàn)過程中，多數(shù)工作把該數(shù)據(jù)集直接作為有監(jiān)督標(biāo)注數(shù)據(jù)，不考慮噪聲影響，而目前也有些工作在研究如何對(duì)數(shù)據(jù)集進(jìn)行去噪或者容噪處理。Zeng等[9]還在實(shí)驗(yàn)中使用了網(wǎng)絡(luò)自然文本生成（Web Natural Language Generation，WebNLG）數(shù)據(jù)集[19]，這個(gè)數(shù)據(jù)集是用來測試模型的生成能力的，在關(guān)系抽取中的任務(wù)中并不常用。

3 結(jié)語

實(shí)體和關(guān)系的聯(lián)合抽取是近年來一個(gè)熱門研究問題，自Miwa等[6]首次將神經(jīng)網(wǎng)絡(luò)引入聯(lián)合抽取后，該任務(wù)在后續(xù)幾年里有了較大提高，但是目前這塊的研究依然存在一些問題。一個(gè)是聯(lián)合建模(或者聯(lián)合解碼)，一些工作雖然自稱為”聯(lián)合建模“，其實(shí)不然，兩個(gè)子任務(wù)是分開決策的，無法避免錯(cuò)誤傳播問題，Zheng等[8]是較早采用聯(lián)合建模的工作，隨后的一些工作在聯(lián)合建模方面仍存在爭議。另一個(gè)問題是數(shù)據(jù)問題，深度學(xué)習(xí)，特別是有監(jiān)督學(xué)習(xí)，依賴于大量且高質(zhì)量的標(biāo)注數(shù)據(jù)，但是目前并沒有這樣一個(gè)大型數(shù)據(jù)集。而且，Zeng等[9]研究提出的三元組重疊問題，在傳統(tǒng)的關(guān)系數(shù)據(jù)集（ACE）中出現(xiàn)較少，因而只能采用遠(yuǎn)監(jiān)督標(biāo)注的數(shù)據(jù)集（利用知識(shí)庫可以對(duì)句子進(jìn)行更全面的標(biāo)注），但該數(shù)據(jù)集噪聲較大。

因此，未來的工作一方面應(yīng)該是繼續(xù)探索聯(lián)合建模的方式以及優(yōu)化模型結(jié)構(gòu)，聯(lián)合決策應(yīng)該是未來工作的重點(diǎn)。另一方面則是對(duì)遠(yuǎn)監(jiān)督關(guān)系數(shù)據(jù)集的去噪研究，畢竟遠(yuǎn)監(jiān)督能利用已有的知識(shí)庫進(jìn)行大規(guī)模標(biāo)注，雖然該數(shù)據(jù)可能會(huì)包含大量噪聲數(shù)據(jù)，但是如果能將噪聲程度控制在較低水平，再依靠深度學(xué)習(xí)的容噪能力，聯(lián)合抽取工作將迎來進(jìn)一步的發(fā)展。