社区首页 >专栏 >绝了！关系抽取新SOTA

绝了！关系抽取新SOTA

NewBeeNLP

发布于 2022-06-06 02:02:27

2K0

文章被收录于专栏：NewBeeNLPNewBeeNLP

作者 | Nine 整理 | NewBeeNLP

关系抽取目前的算法大概可以分为以下几种：

pipeline approach：先抽实体，再判关系，比如陈丹琦的《A Frustratingly Easy Approach for Joint Entity and Relation Extraction 》（后面称为PURE）
Joint Entity and Realtion Extraction：联合模型，目前我看过的有这么几种方式：
- 将联合任务看做是一个填表问题，比如：table sequence[1]，TPlinker[2]
- 将联合任务看做是一个序列标注问题，比如：ETL Span[3]，PRGC[4]
- 将联合任务看做是一个seq2seq问题，比如：SPN4RE[5]

今天分享的论文是一篇pipeline方法，来自清华和微信ACL2022的工作，《Packed Levitated Marker for Entity and Relation Extraction》，是PURE的升级版，这里我们先简单介绍一下PURE。

PURE

PURE中 NER部分 是将文本送入PLM中获取每个token的上下文表征，然后将每个span的start token、end token的上下文表征以及span长度的embedding拼接在一起得到span的表征，然后送进两层前馈神经网络，最后预测entity type。

PURE中的 关系抽取部分 采用了往句子中的subject span和object span的前后插入 “typed marker” 的方式，这个typed marker就是一对标记，

object span的 typed marker 为 start marker [O: entity_type]和end marker [/O: entity_type]，
Subject span的[S: entity_type]和[/S: entity_type]

通过这种方式对句子改造以后，将改造后的句子送入PLM，然后将 subject span 和 Object 的start marker 的上下文表征拼接在一起作为span的表征，然后过线性变换和softmax预测这个span的relation type。（后面称为PURE-Full）

这种方式的问题就在于每一个训练和预测样本都只能插入一对subject span和object span，导致计算量很大。

他们提出了一种加速方法，这种加速方式也是本文的主要参考的模型：将typed marker全部放在句子末尾，然后通过让typed marker与相应的subject span或object span中的头/尾单词共享position embedding，并且利用attention mask矩阵来完成一些限定，typed marker进可以与文本以及当前span pair内的typed marker进行attention， text仅可以与text进行attention 。

这样的话就可以在一个句子中并行处理多对span pairs了，他们提出的这种加速方法提升了关系抽取的速度，但是效果会有一些折扣。（后面成为PURE-Approx.）

PL-Marker

论文：《Packed Levitated Marker for Entity and Relation Extraction》
发表方：清华大学+微信，ACL2022
论文链接：https://arxiv.org/abs/2109.06067v4
开源代码：https://github.com/thunlp/PL-Marker

接下来就是今天的重点，PL-Marker。主要对NER和RE中span的表征进行改进，在之前的工作中，有三种span表征方式：

T-Concat ：这种方式将span 的start 和end token的representation拼接起来作为span的representation，也就是PURE中NER用的方式，其实很多模型都用的这种方式；
Solid Marker（固定标记） ：显式的在句子中的span前后插入两个marker，如果是关系抽取，就在subject span和object span前后，但这种方式没法一次性处理多对span，因为在句子中要塞入多对marker的话，不但句子结构会很乱，而且对于有交叉的span也不好处理。PURE-Full就用的这种方式。
Levitated Marker（悬浮标记） ：就是PURE-Approx，这里不赘述了，目前仅有PURE-Approx中用了这种方式，效果相较于PURE-Full是有折扣的，论文中认为简单将悬浮标记放到句子后面的方式没有考虑多个span之间的关联。

本篇论文对span表征的建模采用的是后两种Marker的方式，针对单个span和多个span提出了两种标签打包的策略：

在做NER的时候提出了： Neighborhood-oriented Packing for span，就是将相邻的span的悬浮标记拼接在同一个样本里面 ；
在做RE的时候提出了： Subject-oriented Packing for span pair，就是将subject span用固定标记插入句子中，其对应的Object span们，用悬浮标记拼接在句子后面，放在一个样本里面 ；

PL-Marker的两种标签打包策略

模型结构

PL-Marker使用的模型就是PLM，与PURE-Approx类似：

拼接在句子后面的悬浮标记对中的start marker与其在句子中对应的span的start token共享position embedding，end marker与对应span的end token共享 position embedding；
通过attention mask矩阵进行限制，使得悬浮标记可以看到它的搭档标记和前面的文本，看不到其他悬浮标记对，文本仅可以看到文本

NER部分：Neighborhood-oriented Packing for span

这部分采用的悬浮标记，将所有的可能的实体span的悬浮标记对都放在句子最后面。但是这样就出现了一个问题，因为要遍历句子中所有可能的span，而PLM能处理的句子长度有限。

因此他们提出了Packing的策略，在Packing的时候，考虑到为了更好的分清楚span的边界（更重要的是区分同一个词为开头的span的差别），会将span相近的放在一起，就是将以开头相同的或者相近的放在一个样本中。

对于一个token数量为N的句子

$X = \left\{ x_{1}, x_{2}, ..., x_{N} \right\}$

，规定最大的span长度为L，具体步骤如下：

首先，对所有的悬浮标记对(一个开始标记，一个结束标记)进行排序，排序的方式是按照它们每一对悬浮标记所代表的的span的start token的位置，以及end token的位置，从小到大进行排序，得到排序后的候选span列表；
然后，将所有的悬浮标记拆分成K个组，这样的话相邻的span的悬浮标记就会被分在一个组里，然后每组拼接分别拼接在句子后面，作为K个样本；
最后，将样本送进PLM，对于每一对悬浮标记对

$s_{i} = \left( a, b \right)$

，分别将他们的开始标记的表征

$h_{a}^{(start)}$

和结束标记的表征

$h_{b}^{(end)}$

拼接在一起，作为其对应span的表征：

$\psi\left( s_{i} \right) = \left[ h_{a}^{(start)}; h_{b}^{(end)} \right]$

而在进行NER的时候，他们是通过上面的步骤获取到span表征（也就是PL-Marker抽取到的span特征），然后与T-Concat方法抽取的span表征合并起来去预测entity type。

RE部分：Subject-oriented Packing for span pair

这部分采用固定标记和悬浮标记混用的方式，原因是如果也采用PURE-Approx的那种subject span levitated marker与object span levitated marker都拼接在后面的情况的话，虽然可以用attention mask去把两对marker绑定在一起，但是这样的话，那么它就不太能识别出它同span的另一个marker。具体做法如下：

对于一个句子，以及其中的subject span和它对应的object spans，构成一条训练样本，其中subject span采用固定标记，也就是在句子中span单词的前后直接插入[S]和[/S]两个标记，然后将它对应的候选Object span用悬浮标记的方式拼接在文本后面。
然后把样本送进Pretrained Encoder，对于样本中的每一个span对

$s_{subject}=\left( a, b \right)$

和

$s_{object} = \left( c, d \right)$

，将Subject span前后的固定标记的表征

$h_{a-1}$

和

$h_{b+1}$

以及一对object span的悬浮标记的表征

$h_{c}^{(start)}$

和

$h_{d}^{(end)}$

拼接在一起，作为这一对span pair的表征：

$\phi\left( s_{subject}, s_{object} \right) = \left[ h_{a-1}; h_{b+1}; h_{c}^{(start)}; h_{d}^{(end)} \right]$

；

为了建模实体类型与关系类型之间的关系，他们还增加了预测object entity的辅助loss
为了增加一些补充信息，他们新增了从object到subject的反向关系的预测，从而实现了双向关系的预测，其实就是实现了一个Object-oriented packing strategy。

其他设置：

Prompt Initialization for NER：受prompt tuning的启发，他们在初始化NER的Marker的时候用不是随机初始化，而是embedding of meaningful words，具体的说就是他们用单词[MASK]和entity的embedding来初始化marker，发现效果均有一定程度的提升。

使用embedding of meaningful words的效果

尝试用关系模型预测到的eneity type来refine由NER模型预测到的entity type，但是在不同的数据集上效果不一样，应该是不同数据集中错误数据的多少导致的吧？

3. 效果

NER效果

使用了悬浮标记的NER的效果达到了SOTA

RE效果

速度

因为采用这种拼接的方式，NER的速度一定是不快，所以他们做了这个实验，对比了不同的group下PL-Marker的做NER的速度，比SeqTagger要慢很多，下表中的Two-stage方法是指他们用一个BASE-size T-Concat模型先过滤了以下候选的span，然后才送进PL-Marker的，可以看到，entity的F1没有损失，但速度有了很大

关系抽取的速度的话，他们与PURE和PURE的加速版本进行了对比，速度上，PL-Marker自然是在这两个模型之间，而效果的话，是最好的。

消融实验

对比了如下的一些方案：

在RE模型中，将subject span的solid marker改成和levitated marker，然后将所有的span pairs都pack到一个样本里面，那这个和PURE的近似版本很像啊，只不过marker不是typed marker吗？发现效果变差很多。
他们在做实验的时候对不对称关系进行了反向Relation进行了预测，这里去掉了这部分的预测，发现效果会有比较大的降低，
去掉了entity type 的辅助loss，发现效果变差
在PL-Marker的marker都换成typed marker，就像PURE一样，比如[Subject: PER]，发现效果会有所降低