關(guān)系抽取到底在乎什么？這是來自EMNLP20上清華大學劉知遠團隊的“靈魂發(fā)問”～ 關(guān)系抽取是每一位NLPer都很熟知的任務，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，導致當前關(guān)系任務的指標虛高！

2、構(gòu)建了關(guān)系預訓練模型，基于關(guān)系抽取的實體遮蔽的對比學習框架：

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)標識符對應的表示進行關(guān)系分類。 MTB是由Google在2019年提出預訓練關(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，其具體的預訓練方式為：認為包含相同實體pair的句子表示相同的關(guān)系，將相似度得分作為預訓練目標，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，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，導致當前關(guān)系任務的指標虛高！

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%的正確預測和68.1%的錯誤預測，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：模型容易死記住訓練集中「Washington」的實體提及只存在于「stateorprovinceofresidence 」關(guān)系中，從而導致關(guān)系預測錯誤。

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)系模式仍然會預測錯誤。

No pattern：對于那些不具備pattern的關(guān)系會預測錯誤。

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習框架，來進行關(guān)系預訓練。 1、對比學習數(shù)據(jù)生成方法

對比學習預訓練框架如上圖所示，論文借鑒了「對比學習」的思想，通過聚合“neighbors”、分離“non-neighbors”來學習特征表示；通過這種模式，“neighbors”具備相似的表示。因此，定義“neighbors”對于對比學習至關(guān)重要。

本文定義：實體pair共享同種關(guān)系的句子是“neighbors”。

為了防止模型在預訓練過程中對實體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，生成預訓練數(shù)據(jù)是通過遠程監(jiān)督的方法進行，這雖然會造成噪聲；但作者認為噪聲問題對于預訓練框架不是關(guān)鍵的，因為：預訓練目標是相對于像BERT這樣的原始預訓練模型，獲得相對更好的關(guān)系表示，而不是直接訓練關(guān)系模型對于下游任務，因此數(shù)據(jù)中的噪聲是可以接受的。 通過上述的對比學習生成方法，預訓練模型可以學習更好地從實體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，這有利于模型學習從多種表達方式中提取關(guān)系pattern。

2、對比學習訓練目標 上述預訓練的目標函數(shù)共包含兩部分：對比學習目標（ Contrastive Pre-training，CP）和遮蔽語言模型（MLM）：

對比損失CP采取隨機負樣本采樣，加速訓練過程。 3、對比學習實驗結(jié)果

基于對比學習的預訓練框架的關(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)：對比學習模型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，如上圖紅框所示。 可見，對比學習機制相比于Google的MTB模型更具備多樣性的數(shù)據(jù)特征、能更充分的學習實體類型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，導致當前關(guān)系任務的指標虛高！

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習框架來改進關(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：預訓練關(guān)系模型將對這些領(lǐng)域產(chǎn)生積極影響。

責任編輯：xj

原文標題：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：深度學習自然語言處理】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。