2020實(shí)體關(guān)系聯(lián)合抽取一片紅海，各種SOTA方法你方唱罷我方登場(chǎng)，在一些數(shù)據(jù)集上也是不斷刷出新高度，為信息抽取領(lǐng)域帶來(lái)了新思路，推動(dòng)了信息抽取領(lǐng)域的發(fā)展。本文梳理了實(shí)體關(guān)系聯(lián)合抽取取得SOTA的三種方法，以做總結(jié)。

先總體對(duì)三種方法做個(gè)比較：*表示Exact Matching

以下將對(duì)上面提到的三篇文章依次進(jìn)行詳細(xì)解讀。

CasRel

論文：A Novel Cascade Binary Tagging Framework for Relational Triple Extraction

地址：https://arxiv.org/abs/1909.03227

arxiv訪問(wèn)不方便的同學(xué)后臺(tái)回復(fù)『0016』直接獲取

2019年的時(shí)候看到蘇劍林在paperweekly上的一篇文章，闡述了其在參加百度SPO競(jìng)賽中所使用的方法，這篇論文可以認(rèn)為是之前所提方法的延伸。

論文提出級(jí)聯(lián)二分標(biāo)記框架CasRel方法（a novel cascade binary tagging framework），與以往把關(guān)系看著離散標(biāo)簽不同，這里把關(guān)系看著是一個(gè)函數(shù)fr(sub)->obj，頭實(shí)體sub是自變量，尾實(shí)體obj是因變量，先抽取出頭實(shí)體，然后結(jié)合各關(guān)系類型，進(jìn)一步抽取出對(duì)應(yīng)的尾實(shí)體。該方法可以解決實(shí)體關(guān)系中的EPO/SEO實(shí)體重疊問(wèn)題。結(jié)合模型框架圖更好理解：

CasRel模型可以分兩部分理解：

編碼部分：采用Bert進(jìn)行編碼，輸入subword embedding + position embedding

Cascade解碼（級(jí)聯(lián)解碼）：先對(duì)subject實(shí)體進(jìn)行抽取（subject tagger），然后對(duì)每一種關(guān)系，進(jìn)一步去抽取該關(guān)系下subject所對(duì)應(yīng)的object實(shí)體（relation-specific object tagger）。

subject實(shí)體抽取：直接在Bert編碼后進(jìn)行span解碼，得到實(shí)體的start和end位置，如圖示，對(duì)每個(gè)token位置做二分類，判斷是否為start位，或者是否為end位。注意：在解碼的時(shí)候，start和end配對(duì)可以采用就近原則得到實(shí)體

特定關(guān)系下的object實(shí)體抽取：結(jié)合上圖示，obj實(shí)體解碼類似于sub的解碼，需要注意兩點(diǎn)：一是對(duì)每種關(guān)系都要做obj解碼，二是obj的解碼中引入了上一步中所得到的sub實(shí)體的信息Vsub，Vsub是對(duì)sub實(shí)體中各token向量求平均。當(dāng)start_o和end_o經(jīng)過(guò)二分判斷都為0時(shí)，表示該關(guān)系下沒(méi)有對(duì)應(yīng)的obj實(shí)體，也即該sub為頭實(shí)體時(shí)不存在這個(gè)關(guān)系的三元組。

優(yōu)化目標(biāo)及模型損失函數(shù)：目標(biāo)是最大化三元組抽取概率，sub和obj的抽取都是采用span方式，可采用二分交叉熵計(jì)算loss。優(yōu)化目標(biāo)公式如下：

實(shí)驗(yàn)結(jié)果

在NYT和WebNLG兩個(gè)數(shù)據(jù)集上達(dá)到了SOTA，如下圖所示，即使不使用Bert進(jìn)行編碼（使用LSTM）效果依然是十分顯著的。實(shí)驗(yàn)同時(shí)對(duì)比了句子中不同三元組數(shù)目下的結(jié)果，以及Normal、EPO和SEO三種情況下的結(jié)果，實(shí)驗(yàn)顯示CasRel方法在多三元組、EPO和SEO情況下效果提升更明顯。

總結(jié)：

級(jí)聯(lián)兩個(gè)任務(wù)，兩個(gè)任務(wù)獨(dú)立解碼，共享編碼，這種模型架構(gòu)也可以算到多任務(wù)學(xué)習(xí)的范疇，模型先抽取出sub實(shí)體，再在各個(gè)relation下去抽sub實(shí)體對(duì)應(yīng)的obj實(shí)體，把relation看成函數(shù)，模型整體架構(gòu)很清晰，特別是在relation緯度上做堆疊，打開(kāi)了關(guān)系抽取的新思路。

TPLinker

論文：TPLinker: Single-stage Joint Extraction of Entities and Relations Through Token Pair Linking

地址：https://arxiv.org/abs/2010.13415

arxiv訪問(wèn)不方便的同學(xué)后臺(tái)回復(fù)『0017』直接獲取

這篇文章提出TPLinker方法（Token Pair Linking）能夠end2end對(duì)實(shí)體及實(shí)體關(guān)系三元組進(jìn)行聯(lián)合抽取，可解決實(shí)體關(guān)系抽取中的SEO、EPO、實(shí)體嵌套等問(wèn)題。其設(shè)計(jì)了一種很巧妙的數(shù)據(jù)標(biāo)注方式，被稱為Handshaking tagging scheme，這種標(biāo)注統(tǒng)一了實(shí)體及實(shí)體關(guān)系的信息，同時(shí)避免了以往其他方法中普遍存在的標(biāo)簽曝光偏差問(wèn)題（exposure bias）（訓(xùn)練階段標(biāo)簽使用ground true，推斷階段標(biāo)簽使用predict tag）。

Handshaking tagging scheme:個(gè)人感覺(jué)文中所給圖示（下圖）其實(shí)不太好理解，從具體例子出發(fā)會(huì)更方便理解的。

為長(zhǎng)度為n的句子，構(gòu)造nxn的矩陣M，行、列分別對(duì)應(yīng)著句子中的token，針對(duì)句子中的實(shí)體及實(shí)體關(guān)系設(shè)計(jì)三種標(biāo)注方式：

entity head to entity tail (EH-to-ET):對(duì)每個(gè)實(shí)體，將它的頭token(行)對(duì)應(yīng)的尾token(列)位置標(biāo)記為1，反應(yīng)在M的上三角上，如所給例子實(shí)體：New York City ==> M(New, City) = 1, De Blasio ==> M(De, Blasio) =1，上圖中紫色背景。

subject head to object head (SH-to-OH):對(duì)每個(gè)關(guān)系下的實(shí)體對(duì)，將首實(shí)體(sub)的頭token(行)對(duì)應(yīng)到尾實(shí)體(obj)的頭token(列)，如所給例子關(guān)系mayor實(shí)體對(duì)：(New York City, De Blasio) ==> M(New, De)，上圖中紅色背景。

subject tail to object tail (ST-to-OT): 對(duì)每個(gè)關(guān)系下的實(shí)體對(duì)，將首實(shí)體(sub)的尾token(行)對(duì)應(yīng)到尾實(shí)體(obj)的尾token(列)，如所給例子關(guān)系mayor實(shí)體對(duì)：(New York City, De Blasio) ==> M(City, Blasio)，上圖中藍(lán)色背景。

注意：EH-to-ET只會(huì)存在M的上三角，而SH-to-OH和ST-to-OT是上下三角都會(huì)存在的，為了節(jié)省存儲(chǔ)資源，同時(shí)減少目標(biāo)tag的稀疏性（還是很稀疏），將M的下三角映射到上三角上，值設(shè)置為2。（考慮上三角映射的位置上會(huì)不會(huì)不為0呢，是會(huì)存在這種可能的，但現(xiàn)實(shí)中概率很低，如triple (ABC, R, CDE)和(CDE, R, BC)）

上面將三元組中的實(shí)體信息映射到矩陣上三角，然后將其展平為標(biāo)記序列，可以得到序列的長(zhǎng)度為n*(n+1)/2。如果有N中關(guān)系，則經(jīng)過(guò)Handshaking tagging后，得到2N+1個(gè)標(biāo)記序列。

解碼方式：

先不用去看下面所給的解碼圖示，考慮上面講到的Handshaking tagging作為模型的預(yù)測(cè)目標(biāo)，實(shí)際上是2N+1個(gè)n*n的矩陣，矩陣的元素為句子各token對(duì)的關(guān)系，其值為0、1、2。其中一個(gè)矩陣標(biāo)記了實(shí)體EH-to-ET，N個(gè)矩陣標(biāo)記了SH-to-OH，N個(gè)矩陣標(biāo)記了ST-to-OT。文章給出了一個(gè)解碼的算法流程，不再貼出，簡(jiǎn)述過(guò)程如下：

解碼EH-to-ET可以得到句子中所有的實(shí)體，用實(shí)體頭token idx作為key，實(shí)體作為value，存入字典D中

對(duì)每種關(guān)系r，解碼ST-to-OT得到token對(duì)存入集合E中，解碼SH-to-OH得到token對(duì)并在D中關(guān)聯(lián)其token idx的實(shí)體value

對(duì)上一步中得到的SH-to-OH token對(duì)的所有實(shí)體value對(duì)，在集合E中依次查詢是否其尾token對(duì)在E中，進(jìn)而可以得到三元組信息。

相關(guān)公式：

模型編碼可以是LSTM也可以是Bert，Token Pair表示為公式(1)，Handshaking Tagger可以看著是多分類，公式為(2)，損失函數(shù)定義為公式(4):

實(shí)驗(yàn)結(jié)果：

同樣在NYT和WebNLG兩個(gè)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，延續(xù)CasRel的實(shí)驗(yàn)結(jié)果，TPLinker方法達(dá)到了新的SOTA，同時(shí)通過(guò)進(jìn)一步細(xì)化實(shí)驗(yàn)分析得到以下結(jié)論：

句子中triple數(shù)目大于5的時(shí)候，TPLinker方法優(yōu)勢(shì)更加明顯

在實(shí)體關(guān)系標(biāo)注中只標(biāo)注實(shí)體尾token，和標(biāo)注實(shí)體span相比，并沒(méi)有簡(jiǎn)化問(wèn)題

得益于解碼的高效性，TPLinker推斷性能相對(duì)于CasRel有極大提升

總結(jié)：

創(chuàng)新性地提出了Handshaking tagging方式，統(tǒng)一了實(shí)體與實(shí)體關(guān)系信息，使得模型能夠一次解碼得到三元組信息

能夠解決實(shí)體關(guān)系中的實(shí)體重疊EPO、SEO問(wèn)題，受益于EH-to-ET標(biāo)記，模型同時(shí)能夠解決嵌套實(shí)體問(wèn)題

end2end得到實(shí)體及實(shí)體關(guān)系，避免了標(biāo)簽暴露偏差的問(wèn)題

SPN4RE

論文：Joint Entity and Relation Extraction with Set Prediction Networks

地址：https://arxiv.org/abs/2011.01675

arxiv訪問(wèn)不方便的同學(xué)后臺(tái)回復(fù)『0018』直接獲取

這篇文章出至中科院劉康老師團(tuán)隊(duì)，是目前NYT和WebNLG數(shù)據(jù)集上的最新SOTA。論文將實(shí)體關(guān)系聯(lián)合抽取歸納為三種范式，分別為：

end2end抽取實(shí)體及關(guān)系(as table filling problem)，編碼層共享參數(shù)，解碼層獨(dú)立解碼

轉(zhuǎn)化為序列標(biāo)注問(wèn)題，需要設(shè)計(jì)復(fù)雜的tagging scheme，即每個(gè)tag需要同時(shí)表示實(shí)體及關(guān)系的信息（之前的方案無(wú)法應(yīng)對(duì)嵌套、重疊實(shí)體）

轉(zhuǎn)化為seq2seq問(wèn)題，解碼時(shí)生成三元組（多次生成可解決嵌套、重疊實(shí)體(autoregressive decoder and cross-entropy loss)）

實(shí)際上，第一種也可以看著是多任務(wù)學(xué)習(xí)，第二種在TPLinker方法中已經(jīng)比較好地解決了實(shí)體重疊和嵌套問(wèn)題，論文認(rèn)為所提出的SPN4RE屬于seq2seq范疇，通讀下來(lái)筆者竊以為也可將SPN4RE歸為實(shí)體關(guān)系聯(lián)合抽取中的多任務(wù)學(xué)習(xí)。

論文的初衷是在以往使用seq2seq解決實(shí)體關(guān)系三元組時(shí)，面臨三元組生成順序?qū)Y(jié)果產(chǎn)生影響，所以從生成順序無(wú)關(guān)三元組、并行生成三元組集合出發(fā)提出新的模型SPN。

SPN(set prediction networks)包含了三個(gè)部分：

句子編碼：采用預(yù)訓(xùn)練語(yǔ)言模型Bert，BPE編碼輸入

三元組集合生成：基于transformer的非自回歸解碼NAT（transformer-based non-autoregressive decoder）

并行產(chǎn)生三元組，產(chǎn)生三元組順序無(wú)關(guān)，加速解碼，NAT結(jié)構(gòu)使用到了雙向信息

NAT條件概率公式：j!=i說(shuō)明第j個(gè)triple和其他triple也是有關(guān)系的，n為三元組個(gè)數(shù)，本文設(shè)置為常數(shù)m

基于集合的Loss設(shè)計(jì)：二部圖匹配損失函數(shù)（bipartite matching loss function）

NAT結(jié)構(gòu)解碼：

輸入m表示要解碼的triple個(gè)數(shù)，N個(gè)transformer層，每層先是各triple間做self-attention，然后是和sentence的編碼做inter-attention，輸出解碼向量為Hd，其為m*d緯度

關(guān)系預(yù)測(cè)：對(duì)每個(gè)hd過(guò)FFN經(jīng)過(guò)softmax，預(yù)測(cè)「關(guān)系」，關(guān)系數(shù)量為總關(guān)系量+1（包含了null），公示如下：

關(guān)系首尾實(shí)體預(yù)測(cè)：類似與對(duì)sentence做span，融合了sentence編碼和對(duì)應(yīng)關(guān)系的編碼，公式如下：

二部圖匹配損失函數(shù)（Bipartite Matching Loss）：在預(yù)測(cè)的三元組集合和ground true三元組集合間計(jì)算loss

兩個(gè)集合的元素進(jìn)行最優(yōu)匹配：預(yù)測(cè)的集合大小為m，如果ground true集合小于m則補(bǔ)充null至大小為m。尋找最優(yōu)匹配的過(guò)程，實(shí)際上相當(dāng)于對(duì)m個(gè)人分配m個(gè)任務(wù)，第i個(gè)人做第j個(gè)任務(wù)的代價(jià)為Cij，尋找最優(yōu)方式將這m個(gè)任務(wù)分配給m個(gè)人，使得總代價(jià)最小，這就是二部圖匹配問(wèn)題，可以利用匈牙利算法求解，時(shí)間復(fù)雜度為O(m^3)。本文定義代價(jià)函數(shù)如下：

損失函數(shù)定義：對(duì)最優(yōu)匹配得到的m個(gè)三元組對(duì)計(jì)算loss，注意，如果「關(guān)系」為null，則關(guān)系中的頭尾實(shí)體不參與loss計(jì)算，Loss函數(shù)定義如下：

實(shí)驗(yàn)結(jié)果：

在NYT和WebNLG數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果如下圖，提出并回答了以下四個(gè)問(wèn)題：

聯(lián)合抽取模型SPN的整體性能如何：對(duì)比CasRel F1在NYT上提升2.9%，在 WebNLG上提升1.6%（圖略）

模型中每個(gè)設(shè)計(jì)對(duì)結(jié)果的影響：通過(guò)消融實(shí)驗(yàn)，對(duì)比了交叉熵loss和二部圖匹配loss，以及非自回歸解碼層數(shù)對(duì)結(jié)果的影響，得到了NAT層數(shù)為3時(shí)最優(yōu)，二部圖匹配Loss優(yōu)于交叉熵Loss（圖略）

數(shù)據(jù)中存在不同數(shù)量的三元組對(duì)性能的影響：數(shù)據(jù)中三元組數(shù)量越多（信息越復(fù)雜），對(duì)比其他方法SPN的效果越顯著（圖略）

該方法在解決重疊模式問(wèn)題上性能如何（EPO, SEO）：和其他方法對(duì)比了Normal、SEO、EPO三種triple類型下效果，結(jié)論同上一條一致，在復(fù)雜問(wèn)題上(SEO, EPO)，相比與其他方法SPN效果顯著（圖略）

總結(jié)：

對(duì)NAT解碼的結(jié)果做關(guān)系預(yù)測(cè)，可看著是分類問(wèn)題，然后將解碼結(jié)果進(jìn)一步融合編碼信息對(duì)句子做實(shí)體抽取，可看著實(shí)體span解碼過(guò)程，所以筆者認(rèn)為該方法也屬于聯(lián)合抽取中的多任務(wù)學(xué)習(xí)

采用二部圖匹配，尋找最優(yōu)三元組匹配的過(guò)程復(fù)雜度O(m^3)，先匹配再計(jì)算Loss為集合緯度的Loss計(jì)算提供了參考。

以上對(duì)實(shí)體關(guān)系聯(lián)合抽取三篇SOTA文章進(jìn)行了分析解讀，在實(shí)際的工作當(dāng)中，我們也已經(jīng)將CasRel方法進(jìn)行落地實(shí)踐，并取得了一定的效果。在實(shí)體抽取任務(wù)中，也可以借鑒TPLinker的標(biāo)記方法，解決嵌套實(shí)體問(wèn)題。SPN作為最新的SOTA，其所涉及的NAT解碼和在集合緯度上的Loss計(jì)算也值得借鑒參考。

責(zé)任編輯：xj

原文標(biāo)題：SOTA集結(jié)，2020登頂關(guān)系抽取的3篇佳作

文章出處：【微信公眾號(hào)：深度學(xué)習(xí)自然語(yǔ)言處理】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。