背景介绍
实体链指是指对于给定的一个文本（如搜索Query、微博、对话内容、文章、视频、图片的标题等），将其中的实体与给定知识库中对应的实体进行关联。实体链指一般有两种任务设计方式：Pipeline式和端到端式。
赛题说明
百度飞桨举办的千言数据集：面向中文短文本的实体链指任务给出了中文短文本、短文本中的mention以及对应位置，需要预测文本中mention对应实体在给定知识库中的id，如果在知识库中没有对应实体即NIL，需要再给出实体类别。
训练集数据共7W条，query平均长度22，包含26W个mention，每个mention有6.3个候选实体，被链接到的NIL实体有3W个，其中1.6W在知识库中有同名实体。可以发现有三个特点：
- 文本长度短，上下文信息有限
- 候选实体数量多
- NIL数量多，占比超过了10%
模型方案
这次比赛已经给出了mention信息，我们只需要考虑两个任务：实体消歧和NIL分类。任务的关键有以下几点：如何设计输入样本、如何设计模型结构、NIL实体如何与其他实体一起排序、如何挖掘更丰富和多维度的特征等。
样本构造
我们选取了ERNIE、RoBERTa等预训练语言模型进行语义特征抽取，将需要链指的文本和实体描述信息用[SEP]符号拼接，作为模型的输入。
query样本构造：query样本输入时需要将mention的位置信息传入模型，让模型能判断mention在query中的具体位置，例如：“海绵宝宝：海绵宝宝和派大星努力工作，两人来到高速公路上！”中出现了两次海绵宝宝，分别链接到了动画片《海绵宝宝》和动画人物海绵宝宝，需要加以区分。为了解决这一问题我们通过引入标识符将位置信息传入，在mention两边加入统一的标识符“#”，样本如下：
实体描述样本构造：数据库中的实体包含了实体的标准说法subject，实体的类型type和实体的一些相关SPO信息。构造样本时将mention字段和实体标准名用“-”拼接作为输入，强化标准名和mention是否相同这一特征。实体类型是消歧重要的信息，我们构造了“类型：实体类型”这种描述，提供实体类型信息，为了防止截断，将其放在实体标准名之后。SPO信息只使用了属性值，这样可以使超过最大输入长度的样本数量减少35%。
统计特征样本构造：数据和特征决定了模型的上界，为了丰富模型输入，将实体类型、实体长度、mention长度、实体和mention的Jaccard相似度等特征进行embedding了之后，和模型输出的特征向量拼接。
模型结构
实体消歧本质上是对候选实体进行排序的过程，使用query和实体信息作为输入，对候选实体进行排序，给出候选实体分数，选出TOP1实体。在排序学习中，有三种常见模式pointwise，pairwise和listwise，对于实体消歧这种只需要TOP1的排序任务，并不需要考虑候选实体之间的顺关系，只考虑全局相关性，因此我们选取了pointwise方法。
实体分类任务和实体链指任务看起来没有直接联系，但是Shuang Chen [2] 提出当可以预测出mention的类型时，消歧就相当容易。因此我们设计了多任务模型框架，同时进行排序和分类，两个任务共享模型参数，一起训练，损失函数一起优化，通过共享排序任务和分类任务的信息，模型可以有更好的表现，多任务损失函数如下。
最终我们模型结构如下，将query和实体描述拼接，输入预训练语言模型，将CLS、mention开始和结束位置的向量拼接作为特征向量。排序任务将特征向量输入全连接层，然后经过tanh最终输出[-1,1]区间的分数，分数越高代表越有可能是目标实体。分类任务将特征向量输入全链接层，经过softmax层输出各个分类的得分。
模型优化
数据清洗
基于置信学习数据清理：分析数据集我们发现，数据之中存在部分标注错误，根据Northcutt [6] 置信学习的思想，我们在原始数据上用n-flod方式训练了5个模型，用这些模型预测原始训练集的标签，然后融合5个模型输出的标签作为真实标签，再从原始训练集中清理真实标签与原标签不一致的样本，根据经验清理的样本数量最好不大于10%。
NIL实体排序方式实验
实体消歧过程中NIL实体如何和其他实体一起排序，是单独作为一个分类任务，还是将NIL转换为特定类型的实体参与排序，针对这个问题，我们设计了三种方案：
- 方案1：只对知识库中存在的实体进行排序，当top1的score小于阈值时，认为是NIL实体；
- 方案2：构造NIL实体样本“mention-mention,类型:未知类型”，例如：“英雄三国-英雄三国，类型：未知类型”，表示该实体是一个未知实体。预测和训练时，所有mention候选实体中增加一个未知实体，参与排序；
- 方案3：将所有候选实体拼接，和query样本一起输入模型进行分类，判断是不是NIL实体，理论上这样可以带来更多全局信息。考虑到训练速度，我们先用1)中的方案进行排序，然后将top3的实体描述拼接，训练一个分类模型。
对抗训练
对抗训练是指在模型的训练过程中构建对抗样本，参与模型训练的方法。正常训练过程中，如果梯度方向陡峭，那么很小的扰动都会产生很大的影响。为了防止这种扰动，对抗训练在模型训练的过程中使用带扰动的对抗样本进行攻击，从而提升模型的鲁棒性。我们实验了FGM和PGD两种生成对抗样本的方式。
实验结果分析
模型可解释性
在训练完模型后，我们首先会想要知道模型学到了哪些特征。C Guan [7] 提出了一种基于互信息的可视化方法，这种方法相较其他可视化方法，具有普适性和一贯性的特点，即解释指标有明确的意义，同时又能比较神经元之间、层与层之间和模型与模型之间的差异。
为了了解模型到底关注哪些输入特征，我们基于Paddle2.0复现了该算法，对各个词的重要程度进行了可视化，颜色越深重要程度越高。通过可视化发现，模型倾向于关注实体的类型和用来区分实体的片段，例如示例1吃得慢、食物、吃法、火腿肠，示例2中的珊迪、海绵宝宝、开关电源品牌。示例3种的人物、种族、梦三国等，可以看到多任务模型关注的特征都是对消歧有帮助的。
实验结果分析
相关实验中参数配置如下：ERNIE和BERT的模型batch size为64，初始学习率为 5e-5，max_seq_length为256，RoBERTa-Large的模型batch size为32，初始学习率为 1e-5，max_seq_length为256，均采用了基于指数衰减的学习率衰减策略。
对比不同预训练模型和置信度学习的结果，发现模型效果RoBERTa-Large > ERNIE+置信度学习>ERNIE>BERT。可以看到ERNIE专门针对中文数据进行了任务优化，确实比BERT的效果更好，但是ERNIE（12层）和RoBERTa-Large（24层）的对比说明了一寸长一寸强，更多的参数可以有更好的表现。
对比单任务和多任务时，我们使用了基于ERNIE的模型。通过对比多任务和单任务的模型效果，我们发现多任务不但流程简单，而且效果也比单任务联合好。排序时模型需要借助类型信息判断mention与候选实体是否一致；NIL分类时能学习到知识库中其他候选实体的信息，所以两个任务共享参数可以使模型提取到两个任务的共性，提升模型效果。
从模型1、2、3可以看到对抗学习是一种通用的模型优化方法，在各种模型上都有明显提升，但是FGM和最强一阶对抗方式PGD实体链指任务上差距并不明显。
NIL不同方式参与排序的实验中，我们发现使用构造NIL样本参与匹配和对排序TOP1的score卡阈值这两种方式结果差别不大，AUC分别为0.97和0.96，训练NIL分类器的AUC仅为0.94，猜测是因为对候选实体进行top3采样时，已经有了误差积累。
通过将表现好的模型进行融合我们在dev测试集上的F1达到了88.7，在A榜数据集F1达到88.63，在B榜数据集F1达到91.20，最终排名第二。
小布助手的探索
小布助手每天处理千万级别的用户问题，其中涉及实体词的query高达30%。这些由不同人发出的真实对话里，既包含千人千面的主观表达，更包含大量的创新词汇，多义词，同义词，同时也经常会面对“李白是谁”、“我要听《李白》”这类mention有歧义的问题。
小布助手的技术积累不仅帮助我们在比赛中名列前茅，而且已经帮用户解决“哥哥的代表作”、“李白是谁”、“我要听《李白》”等常见而语音助手又极易误解的用户问题。黑格尔说过：人是靠思想站立起来的。思考赋予人类尊严，驱动文明不断向前。小布助手汇聚无数背后英雄的思想，也在默默努力，然后用有趣贴心有灵魂惊艳所有人。
赛后感想
工欲善其事，必先利其器，本次比赛使用了飞桨2.0框架进行训练，动态图模式下程序可即时执行并输出结果，提高了编码效率。借助百度的PaddleNLP工具包，可以无缝切换ERNIE、BRART、RoBERTa等预训练模型，非常适合比赛时快速实验。
PaddleNLP工具包链接：https://github.com/PaddlePadd...
这次比赛的赛题也很值得探索，实体消歧和分类两个任务如何有机结合，可以做很多尝试。一个实体链指任务就有抽象成多种方式，足以见得兵无常势，水无常形，我们在解决算法问题时，要跳出思维定势，尝试从不同的角度去抽象问题，找到最佳的解决方案。
本项目链接：
除了实体链指任务，千言项目还有情感分析、阅读理解、开放域对话、文本相似度、语义解析、机器同传、信息抽取等方向持续打榜中。
参考文献
[1]Deep Joint Entity Disambiguation with Local Neural Attention. Octavian-Eugen Ganea, Thomas Hofmann.
[2]Improving Entity Linking by Modeling Latent Entity Type Information,Shuang Chen, Jinpeng Wang, Feng Jiang, Chin-Yew Lin.
[3]End-to-End Neural Entity Linking. Nikolaos Kolitsas, Octavian-Eugen Ganea, Thomas Hofmann.
[4] Improving Entity Linking by Modeling Latent Entity Type Information. Shuang Chen, Jinpeng Wang, Feng Jiang, Chin-Yew Lin.
[5]Towards Deep Learning Models Resistant to Adversarial Attacks. A Madry, A Makelov, L Schmidt, D Tsipras.
[6]Confident Learning: Estimating Uncertainty in Dataset Labels. Curtis G. Northcutt, Lu Jiang, Isaac L. Chuang.
[7]Towards a Deep and Unified Understanding of Deep Neural Models in NLP. Chaoyu Guan, Xiting Wang, Quanshi Zhang, Runjin Chen, Di He, Xing Xie.
作者介绍
樊乘源
OPPO 小布助手 NLP 工程师
负责对话和知识图谱相关工作，研究方向包括意图分类、序列标注、关系抽取、实体链指等。