【一起入门NLP】中科院自然语言处理作业五：BiLSTM+Attention实现SemEval-2010 Task 8上的关系抽取（Pytorch）【代码+报告】

这里是国科大自然语言处理的第五次作业（终于是最后一次作业了，冲！），本篇博客是记录对论文：Attention-Based Bidirectional Long Short-Term Memory Networks for Relation Classification 的复现过程。现在我们开始吧_{（今天也是花里胡哨的一天呢}）

1. 程序与实验说明

实验要求

1. 任选一个深度学习框架建立一个关系抽取模型，实现在英文数据集SemEval-2010 Task8上进行的关系抽取。
2. 测评指标使用的是官方给出的scorer，其实现基于perl语言，位于SemEval2010_task8_all_data\SemEval2010_task8_scorer-v1.2路径下，为semeval2010_task8_scorer-v1.2.pl，实验报告中需给出测评得到的macro-F1 score。

程序说明

代码：https://download.csdn.net/download/qq_39328436/71920051
按照顺序分别执行：

python run.py --mode=1 # 训练
python run.py --mode=0 # 测试
perl semeval2010_task8_scorer-v1.2.pl proposed_answer.txt predicted_result.txt >> result.txt # 用perl工具计算F1值

程序目录如下：

• data：存储原始语料，数据预处理文件，词向量文件。原始语料需解压data/SemEval2010_task8_all_data目录下。
• embedding：存储预训练glove数据
• output：存储训练好的模型
• config.py：描述参数配置
• evaluatepy：描述精度
• model.py：米哦啊书模型
• result.txt：输出的精度结果
• run.py：主函数
• utils.py：描述数据加载
• semeval2010_task8_scorer-v1.2.pl：用于计算精度的perl工具

2. 知识概述

2.1 信息抽取

任务描述：

• 从自然语言文本中抽取指定类型的实体、 关系、 事件等事实信息，并形成结构化数据输出的文本处理技术。一般情况下命名实体识别是知识抽取等其他任务的基础。

信息抽取主要包括以下子任务：

• 实体识别和抽取（Named Entity Recognition，NER）
• 实体消歧（entity resolution）
• 关系抽取（Relation Extraction，RE）
• 事件抽取（Event Extraction，EE）

在对无结构自然语言文本进行信息抽取的时候，任务包含两部分：命名实体识别和关系抽取。

2.2 关系抽取

任务描述：

• 从文本中识别抽取实体及实体之间的关系。抽取结果一般以三元组形式呈现。

比如：

• 比尔盖茨是微软的CEO：CEO(比尔盖茨, 微软)
• 信工所在闵庄路：Located-in (信工所, 闵庄路)

关系抽取的方法：

• 规则方法 ：人工编制各种识别实体的规则，利用规则来识别。成本高，覆盖面底。
• 基于统计的抽取方法：基本思想：将关系实例转换成高维空间中的特征向量或直接用离散结构来表示，在标注语料库上训练生成分类模型， 然后再识别实体间关系。
• 基于神经网络的抽取方法：设计合理的网络结构， 从而捕捉更多的特征信息， 进而准确的进行关系分类

2.3 LSTM与BiLSTM

参考：http://colah.github.io/posts/2015-08-Understanding-LSTMs/

• LSTM用来解决普通RNN模型存在的长距离依赖问题：距当前节点越远的节点对当前节点处理影响越小，无法建模长时间依赖。

• RNN由很多循环的单元构成，在标准的RNN中，这个重复的单元只有一个非常简单的结构，比如一个tahn层。

• LSTM同样也是循环的结构，只是这个重复的单元开始变得复杂起来。
  

• 在上面的图例中，每一条黑线传输着一整个向量，从一个节点的输出到其他节点的输入。粉色的圈代表 pointwise 的操作，诸如向量的和，而黄色的矩阵就是学习到的神经网络层。合在一起的线表示向量的连接，分开的线表示内容被复制，然后分发到不同的位置。
  

• LSTM 的关键就是细胞状态，水平线在图上方贯穿运行。 细胞状态类似于传送带。直接在整个链上运行，只有一些少量的线性交互。信息在上面流传保持不变会很容易。
  

• LSTM 有通过精心设计的称作为“门”的结构来去除或者增加信息到细胞状态的能力。门是一种让信息选择式通过的方法。他们包含一个 sigmoid 神经网络层和一个 pointwise 乘法操作。下图是一个门结构：
  

• Sigmoid 层输出 0 到 1 之间的数值，描述每个部分有多少量可以通过。0 代表“不许任何量通过”，1 就指“允许任意量通过”。LSTM 拥有三个门，来保护和控制细胞状态。

• 遗忘门：决定从细胞状态中丢弃什么信息。
  

• 输入门：决定什么样的新信息会被存入细胞状态
  

• 输出门：决定输出什么样的值
  

• LSTM都只能依据之前时刻的时序信息来预测下一时刻的输出，但在有些问题中，当前时刻的输出不仅和之前的状态有关，还可能和未来的状态有关系。比如预测一句话中缺失的单词不仅需要根据前文来判断，还需要考虑它后面的内容，真正做到基于上下文判断。

• 所谓的Bi-LSTM可以看成是两层神经网络，第一层从左边作为系列的起始输入，在文本处理上可以理解成从句子的开头开始输入，而第二层则是从右边作为系列的起始输入，在文本处理上可以理解成从句子的最后一个词语作为输入，反向做与第一层一样的处理处理。最后对得到的两个结果进行处理。

3. 数据

数据来源

• 本次实验所用的数据集是完全监督的关系抽取数据集SemEval-2010 Task8。这个数据集包含了10717个样本，其中，8000个为训练样例，2717个测试样例。其中，训练集数据在TRAIN_FILE.TXT，测试集数据在TEST_FILE.TXT中。

• 这个数据集包含了9种基本关系和1种人工分类关系Other。这九种关系分别为:Cause-Effect、Component-Whole、Entity-Destination、Product-Producer、Entity-Origin、Member-Collection、Message-Topic、Content-Container、Instrument-Agency。特别需要说明的是，另一种关系Other是一种人工分类关系，其表示的是不属于这9种关系之一，而并不是一种独特的关系。

• 在SemEval-2010 Task8的训练集以及测试集中，上述10种关系的数目和比例如下所示：

• SemEval-2010 Task8的训练集和测试集的数据格式相同。每一个样例由三行内容组成，其中第一行为样例的序号以及具体的语句内容，第二行为此语句中两个实体的关系，第三行为对于此样例的注释：

 8001  " The most common audits were about waste and recycling . " 
Message-Topic(e1 ,e2)
Comment: Assuming an audit = an audit document .

• 在样例的每一个句子中，对于实体，其使用了标签将其标注出来。在说明关系的时候，考虑了这两个实体的顺序。这意味着Cause-Effect(e1,e2)和Cause-Effect(e2,e1)是两个不同的关系。因此，在实际实验中，通常认为在此数据集中包含了19种关系。

数据处理

• preprocess.py对数据进行预处理。将原始语料中三行的形式转换为标准的json格式，并且完成英文分词以及实体分割符号<>

{"id": "8001", "relation": "Message-Topic(e1,e2)", "sentence": ["The", "most", "common", "", "audits", "", "were", "about", "", "waste", "", "and", "recycling", "."], "comment": " Assuming an audit = an audit document."}

• 在词嵌入word_embedding过程中用到了Glove算法预先训练数据，glove.6B.100d.txt是该算法需要用的预训练数据
• Glove的全称叫Global Vectors for Word Representation，是一个基于全局词频统计（count-based & overall statistics）的词表征（word representation）工具，它可以把一个单词表达成一个由实数组成的向量，这些向量捕捉到了单词之间一些语义特性，比如相似性（similarity）、类比性（analogy）等。通过对向量的运算，比如欧几里得距离或者cosine相似度，可以计算出两个单词之间的语义相似性。

4. 模型

模型结构

模型分为五个部分

1. 输入层（Input layer）：将句子输入模型
2. 嵌入层（Embedding layer）：将每个词映射到一个低维向量
3. LSTM层（LSTM layer）：利用BiLSTM从词向量中获得特征
4. Attention层（Attention layer）：生成权重向量，将每个时间步长的单词级特征与权重向量相乘，合并成句子级特征向量
5. 输出层（Output layer）： 使用句子级特征向量进行关系分类
   

LSTM Layer

• bidirectional=True表示双向LSTM，可以考虑到上下文的信息，相比于单向LSTM会有更好的效果。
  

     self.lstm = nn.LSTM(
            input_size=self.word_dim,
            hidden_size=self.hidden_size,
            num_layers=self.layers_num,
            bias=True,
            batch_first=True,
            dropout=0,
            bidirectional=True,
        )

	def lstm_layer(self, x, mask):
        lengths = torch.sum(mask.gt(0), dim=-1)
        x = pack_padded_sequence(x, lengths, batch_first=True, enforce_sorted=False)
        h, (_, _) = self.lstm(x)
        h, _ = pad_packed_sequence(h, batch_first=True, padding_value=0.0, total_length=self.max_len)
        h = h.view(-1, self.max_len, 2, self.hidden_size)
        h = torch.sum(h, dim=2)  # B*L*H
        return h

Attention Layer

H：LSTM层的输出
w：是需要训的一组参数向量
h*：为最终用于分类的hidden state

• att_score = torch.bmm(self.tanh(h), att_weight)：实现了第一行和第二行公式
• torch.bmm(h.transpose(1, 2), att_weight).squeeze(dim=-1)：实现第三行公式
• mask：在Attention之前需要创建mask
• reps = self.tanh(reps)：实现第四行公式
• 根据公式和代码可以判断使用的是点积注意力机制。

    def attention_layer(self, h, mask):
        att_weight = self.att_weight.expand(mask.shape[0], -1, -1)  # B*H*1
        att_score = torch.bmm(self.tanh(h), att_weight)  # B*L*H  *  B*H*1 -> B*L*1

        # mask, remove the effect of 'PAD'
        mask = mask.unsqueeze(dim=-1)  # B*L*1
        att_score = att_score.masked_fill(mask.eq(0), float('-inf'))  # B*L*1
        att_weight = F.softmax(att_score, dim=1)  # B*L*1

        reps = torch.bmm(h.transpose(1, 2), att_weight).squeeze(dim=-1)  # B*H*L *  B*L*1 -> B*H*1 -> B*H
        reps = self.tanh(reps)  # B*H
        return reps

5. 训练

训练参数

epoch = 20 # 默认是30，考虑到训练时长，改为了20
batch_size = 10
lr = 1.0
max_len = 100
emb_dropout = 0.3
lstm_dropout = 0.3
linear_dropout = 0.5
hidden_size = 100
layers_num = 1
L2_decay = 1e-05
device = cpu

训练效果

训练好的模型保存在目录output中，20个epoch训练时长约为4个小时。

6. 测试

• 先执行：

python run.py --mode=0 # 测试

• test的预测结果将保存在 predicted_result.txt中，semeval_scorer函数将会完成F1值的计算，测试结束后控制台会直接打出F1=0.824
  
• 除了用python代码来计算精度之外官方还提供了基于perl的工具（windows电脑需要安装perl环境），执行下面这行代码，计算结果将被保存在result.txt中，F1计算结果与直接用python计算的结果一致。

perl semeval2010_task8_scorer-v1.2.pl proposed_answer.txt predicted_result.txt >> result.txt

下图最后一行是论文中作者的实验结果，与我的训练结果基本相同。

okok NLP的所有大作业终于是完成了，一共训了5个模型，虽然每一个都有不少疑问，但是到第五个的时候已经游刃有余了，表扬自己的进步，并祝大家圣诞快乐！⛄⛄