论文浅尝 | 提取计数量词丰富知识库

OpenKG 祝各位读者新年快乐！

---

论文标题：Enriching Knowledge Bases with Counting Quantifiers

论文链接：https://link.springer.com/content/pdf/10.1007%2F978-3-030-00671-6_11.pdf

发表会议：ISWC 2018

论文源码：https://github.com/paramitamirza/CINEX

摘要

    信息抽取通常关注于抽取可辨识实体之间的关系，例如 <Monterey, locatedIn,California>。但是，除了说明具体实体之间的关系，文本中也经常含有计数信息，表明与某个实体有特定关系的对象的数量，而未提及具体对象本身，例如“California is divided into 58counties”。这种计数量词可用于诸如查询应答，知识库管理等任务，但被先前的工作忽略了。本文开发了第一个完整的从文本中提取计数信息的系统 CINEX，将知识库中的事实计数作为训练种子，采用远程监督的方法抽取文本中的计数信息。实验表明，在人工评估的 5 个关系上，CINEX 的平均抽取精度达到了 60%。在大规模实验上，对于 Wikidata 的 110 种不同关系，CINEX 能够断言 250 万事实的存在，比这些关系现有的 Wikidata 事实多 28％。

概念

      本文用SPO形式的计数语句（Counting Statement）来描述知识库中的计数信息，主要关注对于一个给定的SP对，参数O的数量。计数语句的形式化表示为：，其中，S 是 subject，P 是 predicate，n 是一个自然数（包括 0）。例如，语句 “President Garfield has 7 children” 将表示成∃7>。在OWL描述逻辑中，上述语句的形式化描述如下：

方法

        CINEX的目标是解决文本中计数量词的抽取问题，问题定义如下：

CINEX 将知识库中已有的事实计数作为种子，采用远程监督的方法抽取文本中的技术信息。远程监督作为知识库信息抽取的主要方法，也是解决本文问题的一种相当自然的方法。不过，用远程监督解决计数信息抽取，需要解决以下几点挑战：

1. 种子质量：与通常意义下的 SPO 事实抽取不同，本场景下知识库的不完备不仅会导致训练种子数量的减少，还会导致系统地低估实际事实的数量。例如：知识库只知道特朗普的 3 个孩子，而实际上特朗普有5个，这会导致系统奖励“owns three golf resorts”这样的模式，而惩罚“his five children”。

2. 数据的稀疏性：对于很多关系，文本表达计数信息的方式相当稀疏且高度倾斜。例如，一般人的children很少被提及；对于音乐家来说，赢得的第一个格莱美奖通常比之后的获奖更多被提及，因此对“他/她的第一个奖项”的模式会被给予过度的重视。还有，音乐乐队的成员数量通常约为 4，这使得很难学习到乐队成员数量非常大或非常小的模式。

3. 语言多样性：计数信息可以用各种语言形式表达，如冠词（“has a child”），基数词（“has five children”），序数词（“her third husband”），表数量的名词短语（‘twins’，‘quartet’），表存在与否的副词（‘never’，‘without’）。

CINEX针对上述挑战给出了对应的解决方法：对于挑战 1，CINEX 通过将数量的匹配条件放宽到比知识库事实计数更高的值，同时将训练种子限制于知识库中信息更完备的流行实体来处理。对于挑战 2，CINEX 使用信息熵来度量 numbers，过滤掉不提供信息的 numbers。对于挑战3，CINEX 通过仔细整合中间结果来处理。Fig.2 给出了 CINEX 系统的框架，系统将整体任务分为两个阶段：

（1）计数量词的识别

CINEX将其建模为序列标注问题，对每一个句子操作并且针对每一个谓词P单独学习。首先通过检测文本中指示计数信息的术语（基数，序数和数值项等）预处理输入的句子，再用CRF++模型以及bidirectional LSTM-CRF模型为每个感兴趣的谓词P学习一个序列标注模型，用于计数量词的识别。

（2）计数量词的合并

将第一阶段识别出的多个表示计数或者组合信息的中间结果，合并为对象数量的单个预测。整合算法如下：

1. 对需要组合的计数信息求和，可信度得分设为被组合信息中最高的值。

2. 选择每一种计数信息的预测结果。对于基数词和数值项，选择高于设定阈值的计数信息中可信度得分最高的；对于序数词，不论可信度得分如何，总是选择可信度得分最高的。

3. 根据计数信息类型排序，根据如下顺序选择最终结果。

实例

（1）计数量词的识别

给定句子“Jolie brought her twins , one daughter and three adoptedchildren to the gala”，计数量词识别阶段预处理以及序列标注的结果如下：

（2）计数量词的合并

给定SP对<AngelinaJolie, hasChild>，计数量词的识别结果如下：

整合算法第1步会合并句子中的计数信息_0.3和_0.5，将其相加得到_0.5，句子中的计数信息_0.1和_0.2将相加得到_0.2。第2步_0.5被选为可信度得分最高的基数词，_0.8被选为可信度得分最高的数值项，_0.5被选为排序最高的序数词。第3步，根据排序偏好以及设置的可信度阈值，基数词_0.5或_0.8将被作为最终预测结果。

实验

（1）数据集：Wikidata（知识库），Wikipedia（文本）

（2）实验结果

从Table 2. 可知，计数量词的识别基于特征的CRF模型效果最好，神经网络模型容易过拟合。同时，CINEX-CRF也是在整合和端到端任务中识别计数信息性能最佳的系统。

对于各种类型的计数术语，由Table 4. 的实验结果可知，考虑数值项和冠词有利于改善覆盖率，考虑组合计数信息以及除基数词之外的其它类型术语，有利于提高准确性和覆盖率。

对于Wikidata的110种关系，CINEX抽取了851K计数量词事实，断言了250万事实的存在，比这些关系现有的Wikidata事实多了28.3％。

 

论文笔记整理：曹二梅，南京大学硕士生，研究方向为知识图谱、知识融合。

---

OpenKG.CN

中文开放知识图谱（简称OpenKG.CN）旨在促进中文知识图谱数据的开放与互联，促进知识图谱和语义技术的普及和广泛应用。

点击阅读原文，进入 OpenKG 博客。