论文浅尝 | Effective Deep Memory Networks for Relation Extraction

Citation: Zeng, D., Liu, K., Chen, Y., & Zhao, J. (2015). Distant Supervision forRelation Extraction via Piecewise Convolutional Neural Networks. Proceedings ofthe 2015 Conference on Empirical Methods in Natural Language Processing,(September), 1753–1762. https://doi.org/10.18653/v1/D15-1203

动机

 

本文将高效深度记忆网络应用于远程监督的关系抽取，基于的观察有两点：

（1）句子中实体对的上下文单词对于判断其关系的重要性是不同的；

（2）不同的关系之间存在依存关系；

本文提出的模型包括两个基于注意力的记忆神经网络，第一个是单词级别的记忆网络，用于句子中不同单词的权重学习，每个单词的权重与两个实体有关；第二个是关系级别的基于注意力的记忆神经网络，用于学习不同句子实例的权重和关系间的依存关系。

实验结果表明本文提出的方法比现有最好的方法有较大提升。

 

贡献

（1）本文提出一个包含两个记忆网络的神经网络架构，能够建模每个单词与两个实体的语义相关性和关系间的依存关系；

（2）本文提出的方法在真实数据集上超过所有已有方法；

 

方法

文章提出的神经网络模型包括三个模块：（1）单词级别的记忆网络，用于表示句子中实体对的上下文信息，即生成每个句子包含的实体对信息的向量；（2）关系级别的记忆网络，用于将实体对对应的句子集表示成相对于每一种关系的向量表示；（3）输出层，以句子集相对于每一种关系的向量表示作为输入，得到实体在各种关系上的可能性；

下面着重介绍单词级别的记忆网络和关系级别的记忆网络：

• 单词级别的记忆网络

单词级别的记忆网络如上如左下角所示，以句子作为输入，生成表示句子的向量。模型流程为：

（1）       以句子作为记忆神经网络的输入，其中实体的上下文单词做为外部记忆 memory，实体单词作为第一个隐藏层的输入；

（2）       第一个隐藏层使用包括两个部分，其一是注意力网络，得到 memory 中每个单词相对于实体单词的重要性权重，其二是对对输入的分线性变换，两者相连接作为下一个隐藏层的输入；

（3）       后面的几个隐藏层同第一个隐藏层的结构类似，多层累积形成深度的记忆网络，从而提取出 memory 中更抽象的实体信息；

（4）       使用卷积神经网对句子提取特征，得到句子的特征表示；

（5）       将记忆神经网络与卷积神经网络的输出相结合，得到句子的最终表示。

 

• 关系级别的记忆网络

关系级别的记忆网络如上如右下角所示，以句子向量的集合作为输入，对于每一种关系输出一种句子集合的表示。关系级别的记忆网络的模型流程为：

（1）       将句子向量序列输入第一层注意力网络，得到每个句子的重要性权重，并对句子向量加权求和，得到句子集合的初步表示；

（2）       使用各种关系的初步集合表示输入关系级别的注意力网络，学习各种关系间的依存关系，得到句子集合相对于每一种关系的表示。

 

实验

本文实验采用的数据集是在（Rediel et al, 2010）数据集基础上过滤的数据集，数据集的情况如下表：

文章进行了heldout实验，并与当时已有的其他方法做对比，结果如下图，可见本文的方法整体优于当前已有的其他方法。

文章为了验证两个记忆网络的作用，分别去掉两个记忆网络进行试验，结果如下图所示，可见去掉任何一个记忆网络都会降低模型的性能，因此两中记忆网络对模型的提升都是重要的。

论文笔记整理：刘兵，东南大学博士，研究方向为自然语言处理、机器学习。

---

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。

转载须知：转载需注明来源“OpenKG.CN”、作者及原文链接。如需修改标题，请注明原标题。

点击阅读原文，进入 OpenKG 博客。