寫在前面

大家好，我是劉聰NLP。

最近在做Prompt的相關(guān)內(nèi)容，本人意識中一直覺得Prompt機制在序列標(biāo)注任務(wù)上不是很好轉(zhuǎn)換，因此，很早前，組長問我時，我夸下海口，說：“誰用prompt做NER呀”。然后，調(diào)研發(fā)現(xiàn)大佬們真是各顯神通，是我目光短淺了。于是，決定進行一番總結(jié)，分享給大家。「有點長，大家慢慢看，記得點贊收藏轉(zhuǎn)發(fā)」

部分論文已經(jīng)在自己的數(shù)據(jù)上進行了實驗，最后一趴會進行簡要概述，并且會分析每種方法的優(yōu)劣。

TemplateNER

TemplateNER，原文《Template-Based Named Entity Recognition Using BART》，是第一篇將Prompt方法應(yīng)用于序列標(biāo)注任務(wù)的論文，核心思想是通過N-Gram方法構(gòu)建候選實體，然后將其與所有手工模板進行拼接，使用BART模型對其打分，從而預(yù)測出最終實體類別。是一篇「手工模板且無答案空間映射」的Prompt論文。

paper:https://arxiv.org/abs/2106.01760
github:https://github.com/Nealcly/templateNER

模型，訓(xùn)練階段如下圖（c）所示，預(yù)測階段如下圖（b）所示，下面詳細(xì)介紹。

任務(wù)構(gòu)造

將序列標(biāo)注任務(wù)轉(zhuǎn)換成一個生成任務(wù)，在Encoder端輸入為原始文本，Decoder端輸入的是一個已填空的模板文本，輸出為已填空的模板文本。待填空的內(nèi)容為候選實體片段以及實體類別。候選實體片段由原始文本進行N-Gram滑窗構(gòu)建，為了防止候選實體片段過多，論文中最大進行8-gram。

模板構(gòu)建

模板為手工模板，主要包括正向模板和負(fù)向模板，其中，正向模板表示一個文本片段是某種實體類型，負(fù)向文本表示一個文本片段不是實體。具體模板如下表所示，我們也可以看出，最終模型效果是與手工模板息息相關(guān)的。

訓(xùn)練階段

在訓(xùn)練階段，正樣本由實體+實體類型+正向模板構(gòu)成，負(fù)樣本由非實體片段+負(fù)向模板構(gòu)成；由于負(fù)樣本過多，因此對負(fù)樣本進行隨機負(fù)采樣，使其與正樣本的比例保持1.5：1。其學(xué)習(xí)目標(biāo)為：

預(yù)測階段

在預(yù)測階段，將進行8-gram滑窗的所有候選實體片段與模板組合，然后使用訓(xùn)練好的模型進行預(yù)測，獲取每個候選實體片段與模板組合的分?jǐn)?shù)（可以理解為語義通順度PPL，但是計算公式不同），分?jǐn)?shù)計算如下：

其中，表示實體片段，表示第k個實體類別，T_{y_{k},x_{i:j}}表示實體片段與模板的文本。

針對，每個實體片段，選擇分?jǐn)?shù)最高的模板，判斷是否為一個實體，哪種類型的實體。

DemonstrationNER

DemonstrationNER，原文《Good Examples Make A Faster Learner: Simple Demonstration-based Learning for Low-resource NER》，核心思想為在原始文本的基礎(chǔ)上，拼接示例模板信息，提高原始序列標(biāo)注模型的效果。是一篇「示例模板且無答案空間映射」的Prompt論文。

paper:https://arxiv.org/abs/2110.08454
github:https://github.com/INK-USC/fewNER

模型如下圖（b）所示，下面詳細(xì)介紹。

任務(wù)構(gòu)造

依然是序列標(biāo)注模型，僅將原始文本后面拼接示例模板，而示例模板的作用主要是提供額外信息（什么樣的實體屬于什么類別，與原文相似文本中哪些實體屬于哪些類別等），幫助模型可以更好地識別出原始文本中的實體。

示例模板的構(gòu)建

示例分為面向?qū)嶓w的示例和面向句子的示例，如下圖所示，

面向?qū)嶓w的示例構(gòu)造方法包括：

• 隨機法，即，隨機從訓(xùn)練集的實體列表中，抽取若干個實體，作為示例。
• 統(tǒng)計法，即，選擇在訓(xùn)練集中出現(xiàn)次數(shù)較多的實體，作為示例。
• 網(wǎng)格搜索法，即，對所有實體進行網(wǎng)格搜索，判斷采用哪些實體作為示例時，在驗證集上的效果最優(yōu)。

面向句子的示例構(gòu)造方法包括：

• SBERT法，即，使用[CLS]向量之間的余弦值作為句子相似度分?jǐn)?shù)，選擇與原始句子最相似的句子作為示例。
• BERTScore法，即，使用句子中每個token相似度之和作為句子相似度分?jǐn)?shù)，選擇與原始句子最相似的句子作為示例。

模板形式主要有三種，無上下文模板、有上下文模板和詞典模板，如下圖所示，

最終實驗結(jié)果為實體-網(wǎng)格搜索法-有上下文模板效果最佳。分析句子級別不好可能是由于數(shù)據(jù)空間中句子間的相似度太低導(dǎo)致。

訓(xùn)練&預(yù)測

將示例模板拼接到原始模板后面，一起進入模型，僅針對原始文本進行標(biāo)簽預(yù)測與損失計算，如下：

其中，表示原始文本，表示示例模板，表示原始文本經(jīng)過模型后的序列向量，表示示例模板經(jīng)過模型后的序列向量。損失如下：

僅考慮原始文本部分。將需要領(lǐng)域遷移時，將原有模型的參數(shù)賦予新模型，進訓(xùn)練標(biāo)簽映射部分參數(shù)（linear或crf）即可。

LightNER

LightNER，原文《LightNER: A Lightweight Generative Framework with Prompt-guided Attention for Low-resource NER》，核心思想為將原始序列標(biāo)注任務(wù)轉(zhuǎn)化為Seq2Seq的生成任務(wù)，通過在transformer的attetion機制中融入提示信息，在少量參數(shù)訓(xùn)練下，使模型達到較好的效果。是一篇「軟模版且有答案空間映射」的Prompt論文。

paper:https://arxiv.org/abs/2109.00720
github:https://github.com/zjunlp/DeepKE/blob/main/example/ner/few-shot/README_CN.md

模型如下圖所示，下面詳細(xì)介紹。

任務(wù)構(gòu)造

將序列標(biāo)注任務(wù)轉(zhuǎn)換成一個生成任務(wù)，在Encoder端輸入為原始文本，Decoder端逐字生成實體以及實體類型。模板信息融到Encoder和Decoder模型attention機制中，模板為soft-prompt，即一種可學(xué)習(xí)的自動模板。

基于提示引導(dǎo)的Attention

如上圖（b）所示，分別在Encoder和Decoder中加入可訓(xùn)練參數(shù)，其中，為transformer的層數(shù)，，為模板長度，為隱藏節(jié)點維度，表示由key和value兩項組成。

給定輸入序列，對于每一層transformer，的原始表示如下：

變化后的attention如下：

基于提示引導(dǎo)的Attention可以根據(jù)提示內(nèi)容重新調(diào)節(jié)注意機制，使其少參數(shù)調(diào)節(jié)。并且實驗發(fā)現(xiàn)，模板長度和提示信息融入的層數(shù)影響最終效果，當(dāng)長度為10時，效果最佳。當(dāng)層數(shù)為12層時，效果最佳。

訓(xùn)練&預(yù)測

對于Encoder端，輸入文本，獲取表示;

對于Decoder端，輸出不僅為實體內(nèi)容還可能為實體類別,即，其每個輸出內(nèi)容為。

標(biāo)簽預(yù)測時，

其中，通過答案空間映射得來，具體為“將標(biāo)簽中幾個詞語的向量加權(quán)求和，作為標(biāo)簽的答案空間向量”。

消融實驗發(fā)現(xiàn)，基于提示引導(dǎo)的Attention和答案空間映射對于結(jié)果的影響均較大。

EntLM

EntLM，原文《Template-free Prompt Tuning for Few-shot NER》，核心思想為將序列標(biāo)注任務(wù)變成原始預(yù)訓(xùn)練的LM任務(wù)，僅通過答案空間映射，實現(xiàn)任務(wù)轉(zhuǎn)化，消除下游任務(wù)與原始LM任務(wù)的Gap，提高模型效果。是一篇「無模板且有答案空間映射」的Prompt論文。

paper:https://arxiv.org/abs/2109.13532
github:https://github.com/rtmaww/EntLM/

模型如下圖所示，下面詳細(xì)介紹。

任務(wù)構(gòu)造

將序列標(biāo)注任務(wù)轉(zhuǎn)換成一個與預(yù)訓(xùn)練階段一致的LM任務(wù)，消除下游任務(wù)與預(yù)訓(xùn)練任務(wù)的Gap。對其輸入文本進行LM預(yù)測，當(dāng)token不是實體時，預(yù)測成與輸入一致的token；當(dāng)token是實體時，預(yù)測成實體類別下的token。而針對每個實體類別下的token的整合，即答案空間映射如何構(gòu)造。

答案空間映射的構(gòu)造

在特定領(lǐng)域下，往往未標(biāo)注文本以及每個實體類別的實體列表是很好獲取的，通過詞表回溯構(gòu)建偽標(biāo)簽數(shù)據(jù)，其中，表示實體類別，表示文本數(shù)據(jù)。由于偽標(biāo)簽數(shù)據(jù)會存在很多噪音數(shù)據(jù)，因此在構(gòu)建答案空間映射時，使用4種方法，對每個實體類別中的候選詞語進行篩選。

• 數(shù)據(jù)分布法，即，篩選出在語料庫中，每個實體類別出現(xiàn)頻率最高的幾個詞。
• 語言模型輸出法，即，將數(shù)據(jù)輸入到語言模型中，統(tǒng)計每個類別中詞匯在語言模型輸出概率的總和，選擇概率最高的幾個詞。
• 數(shù)據(jù)分布&語言模型輸出法，即將數(shù)據(jù)分布法和語言模型輸出法相結(jié)合，將每個實體類別中的某一詞的詞頻*該詞模型輸出概率作為該詞得分，選擇分?jǐn)?shù)最高的幾個詞。
• 虛擬標(biāo)簽法，即，使用向量代替實體類別中的詞語，相當(dāng)于類別「原型」，向量獲取辦法為將上述某一種方法獲取的高頻詞，輸入到語言模型中，獲取每個詞語的向量，然后進行加和取平均，獲取類別向量。

• 由于一些高頻詞可能出現(xiàn)在多個實體類別中，造成標(biāo)簽混亂，因此采用閾值過濾方法去除沖突詞語，即（某個類別中的詞語出現(xiàn)的次數(shù)/詞語在所有類別中出現(xiàn)的次數(shù)）必須大于規(guī)定的閾值，才將該詞語作為該實體類別的標(biāo)簽詞語。

• 實驗發(fā)現(xiàn)，絕大多少情況下，數(shù)據(jù)分布&語言模型輸出法獲取高頻詞，再使用虛擬標(biāo)簽法獲取類別「原型」的方法最好。

訓(xùn)練&預(yù)測

模型訓(xùn)練階段采用LM任務(wù)的損失函數(shù)，如下：

其中，，為預(yù)訓(xùn)練過程中LM層參數(shù)。

UIE

UIE，原文《Unified Structure Generation for Universal Information Extraction》，核心思想為將序列標(biāo)注任務(wù)轉(zhuǎn)化為Seq2Seq的生成任務(wù)，將手工提示模板與原始文本進行結(jié)合，通知模型待抽取的內(nèi)容，再通過特定的抽取格式，進行逐字解碼生成，提高模型效果。是一篇「手工模板且無答案空間映射」的Prompt論文。不過UIE適用于所有信息抽取任務(wù)，不限于NER任務(wù)，但后面主要以NER任務(wù)為例，進行闡述。

paper:https://arxiv.org/abs/2203.12277
github:https://github.com/universal-ie/UIE

模型如下圖所示，下面詳細(xì)介紹。

值得注意的是，UIE這篇論文與百度Paddle提到到UIE框架并不一個東西（看過源碼的人都知道，不要混淆）。百度Paddle提到到UIE框架本質(zhì)是一個基于提示的MRC模型，將提示模板作為query，文本作為document，使用Span抽取提示對應(yīng)的內(nèi)容片段。

任務(wù)構(gòu)造

將序列標(biāo)注任務(wù)轉(zhuǎn)換成一個生成任務(wù)，在Encoder端輸入為提示模板+原始文本，Decoder端逐字生成結(jié)構(gòu)化內(nèi)容。以T5為基礎(chǔ)，采用預(yù)訓(xùn)練技術(shù)，學(xué)習(xí)從文本到結(jié)構(gòu)化生成。

手工模板

在編碼端，通過待抽取schema（實體類別、關(guān)系等）構(gòu)造Prompt模板，稱為SSI，同于控制生成內(nèi)容。模板樣式如下圖所示，

在解碼端，設(shè)計了特定的抽取結(jié)構(gòu)，稱為SEL，而這種特殊的結(jié)構(gòu)，也可以算作模板的一種吧，可以使解碼時，按照統(tǒng)一要求進行表示。抽取結(jié)構(gòu)樣式如下圖所示，

只需關(guān)注Entity部分即可。

訓(xùn)練&測試

對于Encoder端，輸入文本以及SSI內(nèi)容，獲取表示為：

對于Decoder端，逐字生成，如下：

由于訓(xùn)練數(shù)據(jù)中，待生成部分的數(shù)據(jù)格式均按照SEL格式構(gòu)造，因此生成內(nèi)容也會遵循其結(jié)構(gòu)。

而模型重點是如何構(gòu)造預(yù)訓(xùn)練數(shù)據(jù)，在預(yù)訓(xùn)練過程中，數(shù)據(jù)來自Wikidata、Wikipedia和ConceptNet。并且構(gòu)造的數(shù)據(jù)格式包含三種，分別為、和。

• ，是通過Wikidata和Wikipedia構(gòu)建的text-to-struct平行語料。
• ，是僅包含結(jié)構(gòu)化形式的數(shù)據(jù)。
• ，是無結(jié)構(gòu)化的純文本數(shù)據(jù)。

在預(yù)訓(xùn)練過程中，三種語料對應(yīng)不同的訓(xùn)練損失，訓(xùn)練的網(wǎng)絡(luò)結(jié)構(gòu)也不一樣。訓(xùn)練整個Encoder-Decoder網(wǎng)絡(luò)結(jié)構(gòu)，僅訓(xùn)練Decoder網(wǎng)絡(luò)結(jié)構(gòu)，進訓(xùn)練Encoder網(wǎng)絡(luò)結(jié)構(gòu)，最終的損失是三者的加和。

總結(jié)

本人在自己的中文數(shù)據(jù)集上，測試了TemplateNER、LightNER和EntLM的效果，驚奇的發(fā)現(xiàn)當(dāng)數(shù)據(jù)量增加到50-shot時，「BERT-CRF」的效果是最好的（別整哪些沒用的，加點數(shù)據(jù)啥都解決了，這也是令我比較沮喪的點。也許、可能、大概、興許、或許是數(shù)據(jù)集或者代碼復(fù)現(xiàn)（code下載錯誤？）的問題，無能狂怒！！！）。

當(dāng)5-shot和10-shot時，EntLM方法的效果較好，但是跟答案空間映射真的是強相關(guān)，必須要找到很好的標(biāo)簽詞才能獲取較好的效果。而TemplateNER方法測試時間太久了，在工業(yè)上根本無法落地。

就像之前我對prompt的評價一樣，我從來不否認(rèn)Promot的價值，只是它并沒有達到我的預(yù)期。是世人皆醉我獨醒，還是世人皆醒我獨醉，路還要走，任務(wù)還要做，加油！！！