[论文阅读笔记09]A Frustratingly Easy Approach for Joint Entity and Relation Extraction

一，题目

A Frustratingly Easy Approach for Joint Entity and Relation Extraction

一种简单易行的联合实体和关系提取方法

二，作者

Zexuan Zhong

Danqi Chen：https://www.cs.princeton.edu/~danqic/

Email: [email protected]

Department of Computer Science Princeton University 普林斯顿大学 世界排名12

2020.10

三，摘要

提出了一个非常简单的关系抽取方法，获得SOA.通过对于实体识别与关系抽取学习两个独立的预训练编码器；
大量实验证明学习不同上下文对实体与关系抽取的重要性；

四，贡献

a. 提出一个简单的联合抽取方法，获得SOA【ACE04, ACE05, SciERC】；
b. 详细解释了为什么这个方法这么好，不同的因素是怎样影响结果？
c. 对于加速推理模型方面，提出一个有效的近似模型；在只下降很少正确率的情况下有8到16位的提升。

五，相关技术

传统上，提取文本中实体之间的关系被研究为两个独立的任务：命名实体识别和关系抽取。
近年，把命名实体识别与关系抽取联合起来学习，可以分成两类：结构化预测和多任务学习.

5.1 结构化预测

归类	相关研究
提出了一个基于行动的系统，该系统识别新实体以及与实体的链接	Incremental joint extraction of entity mentions and relations.（2014）; End-to-end neural relation extraction with global optimization (2017)
采用填表方法	Joint extraction of entities and relations based on a novel tagging scheme.(2017); Modeling joint entity and relation extraction with table representation(2014); Going out on a limb: Joint extraction of entity mentions and relations without dependency trees.(2017,ACL)
基于序列标记的方法	Joint extraction of entities and relations based on a novel tagging scheme.(2017,ACL)
出基于图的方法来联合预测实体和关系类型	Joint type inference on entities and relations via graph convolutional networks.(2019,ACL); GraphRel: Modeling text as relational graphs for joint entity and relation extraction.(2019,ACL)
将任务转化为多轮问答	Entity-relation extraction as multi-turn question answering.（2019，ACL）

所有这些方法都需要解决全局优化问题，在推理是使用束搜索或强化学习来执行联合解码。

5.2 多任务学习

本质上是建立两个独立的任务（NER，RE）来共享参数，优化时只优化一份参数来学习。

归类	相关研究
End-to-end relation extraction using LSTMs on sequences and tree structures（2016，ACL）	NER是列序标注模型，RE采用基于Tree的LSTM模型，两个模型共享一个LSTM层
Adversarial training for multi-context joint entity and relation extraction（2018，EMNLP）	跟上面差不多，只是RE模型是一个多标签头选择问题；

这些方法仍然是pipeline流程，首先抽取实体，关系抽取模型使用了已抽取出来实体。

5.3 共享跨度(span)表示

【4】DYGIE–Multi-task identification of entities, relations, and coreference for scientific knowledge graph construction（2018，EMNLP）
A general framework for information extraction using dynamic span graphs（2019，NAACL）
Entity, relation, and event extraction with contextualized span representations（2019，EMNLP）
A joint neural model for information extraction with
global features（2020，ACL）
span的含义我认为是不同备选实体之间的组合. 论文的思想基于这里，对DYGID的简化。

关于关系抽取的Bert
Simple bert models for relation extraction and semantic role labeling（2019）
Matching the blanks: Distributional similarity for relation learning（2019，ACL）
论文对Bert作了研究

6. 模型

6.1 定义（形式化定义）

X表示一个句子，S表示spans集合，列表出尽可能多的spans.
NER任务的输出:

RE任务的输出：

6.2 模型 （提出模型）

第一步，输入句子并对单个span进行类型预测；
第二步，在关系模型上，处理候选实体对，根据标注去高亮主语，谓语及相关的类型。

6.2.1 Entity model

采用bert来对每个token来上下文表示。h是某个span嵌入bert之后的向量。这里包含了开始位置信息，结束位置信息，嵌入信息的拼接。这个表达直接用来预测单个span的类型：

WeFFNN()模型来自DyGIE++(Entity, Relation, and EE with Contextualized Span Representations).使用带有ReLU激活函数的两层前向神经网络。

6.2.2 Relation model

目标：关系模型的目标是输入一对span,预测这对span的类型。

问题：前面的研究采用h作为输入去预测，论文认为这种方法只是捕捉了实体各自周围的上下文章信息，可能对具体的span对依赖信息捕捉不到。

处理方法：对主语，宾语及它们的类型作一个类型标记高亮[高亮的信息来自于手工标注的数据]：

然后，应用某外一个预见编码器在加了高亮标注的句子上，把两个开始位置联接起来：

即为标注开始的那个标记符或者的位置。

最后，预测：

6.2.3 Cross-sentence context–跨句子的上下文

原因：跨句信息可以用来帮助预测实体类型和关系，特别是代词。

旧的方法：使用传播机制去连通代词和关系连接包括跨句的上下文。有些加入3句的窗口去处理，效果也不错。

现在方法：以固定W来扩展跨句。具体来讲当输入句子有n个词，这里分另从左边与右边扩展（W-n）/2 个词，默认W=100

6.2.3 Training & inference

训练

损失函数：

对于训练关系模型，只使用Gold实体数据与实体的Gold标注数据作为关系模型的输入。

推理

第一步先预测实体类型，第二步，以预测的结果输入到关系模型中。

6.2.4 区别于DYGIE++

（1）我们对实体和关系模型使用独立的编码器，不需要进行任何多任务学习；预测的实体标签直接用作关系模型的输入特征。

（2）关系模型中的上下文表示是针对每一对跨度的。

（3）我们将跨句信息与附加上下文一起扩展输入。

（4）我们不使用束搜索或图传播层。

因此，模型要简单得多。

6.3 高效的批量计算（近似推理模型）

模型可能缺点：对每一对实体都要在关系模型运行一次。

期望：希望在同一个句子中重复使用不同span对的计算；

解决：对原模型提出近似模型，可是有两个挑战：

a. 我们将标记的位置嵌入与相应跨度的开始和结束标记联系起来，而不是直接将实体标记插入到原始句子中;

b. 在注意力层加入约束，规定文本tokens只关注文本tokens,它不会关注标记tokens,而一个实体的标记token可以关注到所有的文本tokens和所有关联的4个标记tokens.

效果：这样文本tokens就独立于tokens的标记了，这样就可以重用计算过的结果了。这样就可以把这些标记性的token放在句子末尾一起打包了。

7. 实验

7.1 数据集

ACE04,ACE054 ,SciERC

ACE04是5-fold,ACE05与SciERC分别分割为train,dev,test:

7.2 评价指标

F1分数

NER正确：实体的边界&类型正确；

RE正确：两个实体的边界&关系类型正确；

Rel+（strict F1）： 两实体类型&两实体边界&实体关系正确。

7.3 具体实现

相关资源：

HuggingFace’s Transformers library（Huggingface’s transformers: State-of-the-art natural language processing），

bert-base-uncased（BERT: Pre-training of deep bidirectional transformers for language understanding，NAACL），

albert-xxlarge-v1（ ALBERT: A lite bert for self-supervised learning of language representations，ICLR），

scibert-scivocab-uncased （Scibert: A pretrained language model for scientifific text，EMNLP*）

7.4 结果

结论：单句了与跨句子都有比较，显然跨上下文句子是有很大的提升的。

对于实体识别，对于三个数据集有1.4%，1.7%，0.7%的提升，跨句子比句子也有一定的提升。对于关系，有不同程度的提升。

证明了学习不同实体的不同表示和不同实体对的关系的有效性，以及在关系模型的输入层融合实体信息的有效性。

7.5 批量计算和加速效果

例如：在单句实验中，对于ACE05，获得了11.9倍；对于SciERC，获得了8.7倍。然而在F1的正确率方面，只下降了0.5%.

8. 分析

思考：为什么这么简单的模型可以获得这么好的成绩与性能？

8.1 类型化的文字标记的重要性

结论：实体的类型对于关系抽取提供了非常重要的信息。

这个结论与Learning from Context or Names? An Empirical Study on Neural Relation Extraction 文章有同样的结论，英雄所得结论都是相同。

8.2 实体与关系的交互模型

对于实体与关系的联合模型中，实体与关系的相互影响来增加信息是非常重要的，这里分析相互影响程度是怎样的？

这节目标：验证这个pipeline流程的方法是否是一个特殊的个例？

第一，验证共享这两个表达编码器是否可以提升模型？ 一起训练实体与关系抽取，同时优化Le+Lr。

结论：共享编码器对F1并没有提高，反而下降了。这个结论与之前大量论文是在基于共享参数训练不同。，不过实验结果说明一切。

论文认为：两个任务希望有不同输入格式，需要不同的特征来预测实体与关系，所于独立的编码器确实可以学到到更好的特定于任务的特性。

第二，验证关系的信息是否可以提升NER？

结论：关系信息并不可以提升NER模型。

总结：

（1）实体信息有助于预测关系。 然而，在实验中没有发现足够的证据表明关系信息可以大大提高实体性能。

（2）简单地共享编码器并不能带了正确率的提升。

8.3 减少错误传播

Pipeline一个公认的缺点是错误传播。

第一，是否使用预测的实体而不是Gold实体去训练可以减少错误传播。采用10-way jackknifing方法，这个方法像是留一法，这里把数据分10份，用除第k份的数据进行训练的模型去预测第k份的数据。

第二，使用更多的spans对去训练与测试关系模型

结论：经过上面的尝试，并没有找到错误传播的因素在哪里，有待找原因。

8.4 跨上下文句子的效果

实验结果显示，跨上下文句子是有效果的。

这里讨论一下上下文窗口W的情况，为什么上面的实验W取100：

9. 总结

有点打破joint一定比pipeline好的固定思维，其实简单的方法也可以很有效，站在巨人的肩膀上进行优化。另外，很多论文都证明的一点：实体的类型对于关系抽取提供非常重要的信息。

看论文过程像是一场旅游。比较实在与平素的语言告诉我们这一模型，在这过程进行了一系列的思考，对所遇的问题，通过一个一个实验证明这个模型的可行性。

结论的形成，并非是一朝一夕。

参考：
【1】A Frustratingly Easy Approach for Joint Entity and Relation Extraction，https://arxiv.org/pdf/2010.12812.pdf
【2】反直觉！陈丹琦用pipeline方式刷新关系抽取SOTA，https://zhuanlan.zhihu.com/p/274938894
【3】SciERC，https://bitbucket.org/luanyi/scierc/src/master/
【4】Multi-Task Identification of Entities, Relations, and Coreferencefor Scientific Knowledge Graph Construction，http://nlp.cs.washington.edu/sciIE/

happyprince,https://blog.csdn.net/ld326/article/details/112677034