UIE: 信息抽取的大一统模型

论文链接: https://arxiv.org/abs/2203.12277

背景

最近由于业务需要，一直在关注信息抽取领域的一些文章，实验上尝试了BERT+Softmax、BERT+NER以及GlobalPointer等模型，效果都还可以，就是标数据有点费人。所以，想找一些few-shot效果比较好的模型，可以辅助标注。无意间，就发现了这篇论文，尝试做了zero-shot实验，效果很惊人。

众所周知，信息抽取通常包含常见的四个子任务: 实体抽取、关系抽取、事件抽取以及情感分析等。在过去，因为不同的任务识别的实体、事件类型等等都不一样，所以针对特定的任务要训练特定的模型，定制化较高，不具有通用性。针对这种问题，本文从生成模型的角度去考虑信息抽取的问题，使得这几种子任务可以通过一个模型去完成。

下面我们看看模型的具体部分。

模型

SEL(Structured Extraction Language)

信息抽取任务的标签表示多种多样，有采用SBME的方式，也有直接用起始终止位置来表示的。本文为了统一建模，需要将不同的IE(information extraction)任务标签编码成统一的形式。因此提出了一种结构化抽取语言SEL。

IE结构其实可以归纳成两个原子操作:

• Spotting: 表示的是在句子中定位目标信息的片段，如事件中的实体或触发词。
• Associating: 表示的是两个不同信息片段之间的关系。例如，实体对之间的关系或事件的角色等。

举个例子:

假设输入的句子为:“Steve became CEO of Apple in 1997.”，有三个实体，人: Steve、公司:Apple、时间: 1997. 下图则为结构化抽取语言对于抽取结构的表示。如蓝色代表的是关系抽取，红色代表的事件抽取，最后则为实体的抽取。红色部分的触发词是became。雇主是Apple,雇员是Steve,时间在1997年。

可以看出SEL的优点有:

1. 对不同的IE结构进行统一编码，因此可以将不同的IE任务建模为相同的text-to-structure生成过程;
2. 有效地将一个句子的所有提取结果表示为同一结构，能够自然地进行联合提取;
3. 生成的输出结构非常紧凑，大大降低了解码的复杂度。

SSI(Structural Schema Instructor)

使用SEL, UIE(本文提出的模型)可以均匀地生成不同的IE结构。然而，由于不同的IE任务有不同的模式，在提取过程中，如何自适应地控制我们想要生成的信息？ 本文提出了一种结构化模式的指导，类似于Prompt。把需要提取的关系类型、实体类型等和句子进行拼接。如下图:

给定结构化模式的抽取类型S以及文本的序列X,通过UIE模型可以生成SEL结构化的信息。即:

具体的输入可以表示为:

其实就是上图的意思，将要抽取的类型和文本拼接起来，输入给模型。这里可能涉及到本文的一丢丢缺陷了，如果抽取的实体类型、关系类型非常多的话，输入文本长度可能会非常长，效率就是个大问题了。。

UIE( Universal Information Extraction)

前面讲了那么多，感觉还是云里雾里，模型到底是什么呢？其实就是一个标准的Transformer,包含了Encoder和Decoder。首先将SSI信息和句子拼接，用encoder去编码，如下所示:

其中$s_1,...,s_{|s|}$是SSI信息，$x_1,...,x_{|x|}$是句子。

接着，通过自回归的方式解码出抽取的信息。如下所示:

读到这里，有人可能感觉此方法有点扯，生成任务是不可控，如果生成的信息结构不符合前面定义的结构，那怎样抽出信息呢？作者通过了定义不同的损失避免的这种情况。

loss 设计

Text-to-Structure Pre-training using

首先，定义$D_{pair}=(x,y)$。具体x输入为:[spot] person [asso] work for [text]Steve became CEO of Apple in 1997.,y则为:((person: Steve(work for: Apple)))。可以发现在生成的过程中，person和work for在输出时是肯定要出现的。这两个东西就是我们此前定义的spotting、associating。作者发现如果在生成的token中，加个损失，用来判断当前token是不是spotting或者是不是associating效果会变好。这里的正样本就是spotting或者assocating,负样本则是随机抽取的token。损失如下:

Structure Generation Pre-training

这个损失就很容易理解了，就是生成任务中，自回归的一个损失。如下所示:

Retrofitting Semantic Representation

为了提高UIE的语义表示，作者还加了MLM任务。损失如下:

这里的MASK是针对目标文本的。跟bert有点区别。

最后将这三种损失相加，进行大规模的预训练。

至此，模型就讲到这里了。最后看看实验部分。

实验

本文在13个IE基准上进行了实验，涉及4个很有代表性的IE任务(包括实体提取、关系提取、事件提取、结构化情感提取)及其组合(例如，联合实体-关系提取)。结果如下:

其中SEL为没有预训练的UIE模型，也就是直接用T5做这种生成，可以发现效果也非常好。生成模型的大一统指日可待了。加上预训练，效果也得到了不同程度的提升。

另外，作者也给除了few-shot的效果，如下:

有点惊人。。。。