解锁数据潜力：信息抽取、数据增强与UIE的完美融合
1.信息抽取（Information Extraction）
1.1 IE简介
信息抽取是 NLP 任务中非常常见的一种任务，其目的在于从一段自然文本中提取出我们想要的关键信息结构。
举例来讲，现在有下面这样一个句子：
新东方烹饪学校在成都。
我们想要提取这句话中所有有意义的词语，例如：
| 机构 | 新东方烹饪学校 |
| 城市 | 成都 |
| 实体 1 | 关系名 | 实体 2 |
|---|---|---|
| 新东方烹饪学校 | 所在地 | 成都 |
| 新 | 东 | ... | 学 | 校 | 在 | 成 | 都 |
|---|---|---|---|---|---|---|---|
| B - 机构 | I - 机构 | I - 机构 * N | I - 机构 | I - 机构 | O | B - 城市 | I - 城市 |
| 机构 | 新东方烹饪学校 |
| 机构类型 | 学校 |
| 城市 | 成都 |
| 新 | 东 | … | 学 | 校 | 在 | 成 | 都 |
|---|---|---|---|---|---|---|---|
| B - 机构 | I - 机构 | I - 机构 | ？ | ？ | O | B - 城市 | I - 城市 |
其中， 「机构」实体头中「起始」向量代表这一句话中是「机构」词语的首字（例子中为「新」）； 「机构」实体中「结束」向量代表这一句话中时「机构」词语的尾字（例子中为「校」）。 通过「起始」和「结束」向量中的首尾字索引就能找到对应实体的词语。 可以看到，通过构建多头的任务，指针网络能够分别预测「机构」和「机构类型」中的实体词起始 / 终止位置，即「学校」这个词语在两个任务层中都能被抽取出来。 ## 1.3. UIE —— 基于 prompt 的指针网络 ### 1.3.1 UIE 中的 prompt 是什么？ 多头指针网络能够很好的解决实体重叠问题，但缺点在于：不够灵活。 假定今天我们已经通过指针网络训练好了一个提取「机构」、「机构类型」的模型，即将交付时甲方突然提出一个新需求：我们想再多提取一个「机构简称」的属性。 草（一种植物）。 从 2.2 节中的示意图中我们可以看到，每一个实体类型会对应一个单独的网络头。 这就意味着我们不仅需要重标数据，还需要为新属性添加一个新的网络头，即模型结构会随着实体类型个数改变而发生变化。 那，能不能有一种办法去固定住模型的结构，不管今天来多少种类型要识别都能使用同样的模型结构完成呢？ 我们思考一下，模型结构变化的部分是和实体类型强绑定的「头」部分。 而不同「头」之间结构其实是完全一样的：一个「起始」向量 + 一个「终止」向量。 既然「头」结构完全一样，我们能不能干脆直接使用一个「头」去提取不同实体类型的信息呢？ 不同「头」之间的区别在于它们关注的信息不同：「机构头」只关注「机构」相关的实体词，「城市头」只关注「城市」相关的实体词。 那么我们是不是可以直接在模型输入的时候就告诉模型：我现在需要提取「某个头」的信息。 这个用来告诉模型做具体任务的参数就叫 prompt，我们把它拼在输入中一并喂给模型即可。 
通过上图可以看到，我们将不同的「实体类型」作为 prompt 参数喂给模型，用于「激活」模型参数跟当前「实体类型」相关的参数，从而输出不同的抽取结果。 > Note: 「通过一个输入参数去激活一个大模型中的不同参数，从而完成不同任务的思路」并不是首次出现，在 meta-learning 中也存在相关的研究，这里的 prompt 参数和 meta-parameter 有着非常类似的思路。 通过引入 prompt，UIE 也能很方便的解决实体之间的关系抽取（Relation Extraction）任务，例如： 
### 1.3.2 UIE 的实现 看完了基本思路，我们来一起看看 UIE 是怎么实现的吧。 1. 模型部分 UIE 的模型代码比较简单，只需要在 encoder 后构建一个起始层和一个结束层即可： ` class UIE(nn.Module): def __init__(self, encoder): """ init func. Args: encoder (transformers.AutoModel): backbone, 默认使用 ernie 3.0 Reference: https://github.com/PaddlePaddle/PaddleNLP/blob/a12481fc3039fb45ea2dfac3ea43365a07fc4921/model_zoo/uie/model.py """ super().__init__() self.encoder = encoder hidden_size = 768 self.linear_start = nn.Linear(hidden_size, 1) self.linear_end = nn.Linear(hidden_size, 1) self.sigmoid = nn.Sigmoid() def forward( self, input_ids: torch.tensor, token_type_ids: torch.tensor, attention_mask=None, pos_ids=None, ) -> tuple: """ forward 函数，返回开始/结束概率向量。 Args: input_ids (torch.tensor): (batch, seq_len) token_type_ids (torch.tensor): (batch, seq_len) attention_mask (torch.tensor): (batch, seq_len) pos_ids (torch.tensor): (batch, seq_len) Returns: tuple: start_prob -> (batch, seq_len) end_prob -> (batch, seq_len) """ sequence_output = self.encoder( input_ids=input_ids, token_type_ids=token_type_ids, position_ids=pos_ids, attention_mask=attention_mask, )["last_hidden_state"] start_logits = self.linear_start(sequence_output) # (batch, seq_len, 1) start_logits = torch.squeeze(start_logits, -1) # (batch, seq_len) start_prob = self.sigmoid(start_logits) # (batch, seq_len) end_logits = self.linear_end(sequence_output) # (batch, seq_len, 1) end_logits = torch.squeeze(end_logits, -1) # (batch, seq_len) end_prob = self.sigmoid(end_logits) # (batch, seq_len) return start_prob, end_prob ` 2. 训练部分 训练部分主要关注一下 loss 的计算即可。 由于每一个 token 都是一个二分类任务，因此选用 BCE Loss 作为损失函数。 分别计算起始 / 结束向量的 BCE Loss 再取平均值即可，如下所示： ` criterion = torch.nn.BCELoss() ... start_prob, end_prob = model(input_ids=batch['input_ids'].to(args.device), token_type_ids=batch['token_type_ids'].to(args.device), attention_mask=batch['attention_mask'].to(args.device)) start_ids = batch['start_ids'].to(torch.float32).to(args.device) # (batch, seq_len) end_ids = batch['end_ids'].to(torch.float32).to(args.device) # (batch, seq_len) loss_start = criterion(start_prob, start_ids) # 起止向量loss -> (1,) loss_end = criterion(end_prob, end_ids) # 结束向量loss -> (1,) loss = (loss_start + loss_end) / 2.0 # 求平均 -> (1,) loss.backward() ... ` 该项目将借用transformers库来实现paddlenlp版本中UIE，已实现： - [x] UIE 预训练模型自动下载 - [x] UIE Fine-Tuning 脚本 - [x] 信息抽取、事件抽取数据增强（DA）策略（提升 recall） - [x] 信息抽取、事件抽取自分析负例生成（Auto Neg）策略（提升 precision） * 环境安装 本项目基于 pytorch + transformers 实现，运行前请安装相关依赖包： `sh pip install -r ../requirements.txt torch transformers==4.22.1 datasets==2.4.0 evaluate==0.2.2 matplotlib==3.6.0 rich==12.5.1 scikit-learn==1.1.2 requests==2.28.1 `
# 2. 数据集准备 项目中提供了一部分示例数据，数据来自DuIE数据集中随机抽取的100条，数据在
data/DuIE 。 若想使用自定义数据训练，只需要仿照示例数据构建数据集构建prompt和content即可： `json {"content": "谭孝曾是谭元寿的长子，也是谭派第六代传人", "result_list": [{"text": "谭元寿", "start": 4, "end": 7}], "prompt": "谭孝曾的父亲"} {"content": "在圣保罗书院中学毕业后，曾钰成又在中学会考及大学入学考试中名列全港前十名", "result_list": [{"text": "曾钰成", "start": 12, "end": 15}], "prompt": "人物"} {"content": "在圣保罗书院中学毕业后，曾钰成又在中学会考及大学入学考试中名列全港前十名", "result_list": [{"text": "圣保罗书院", "start": 1, "end": 6}], "prompt": "曾钰成的毕业院校"} ... ` doccano导出数据如下所示： `json {"text": "谭孝曾是谭元寿的长子，也是谭派第六代传人", "entities": [{"id": 42517, "label": "人物", "start_offset": 0, "end_offset": 3, "text": "谭孝曾"}, {"id": 42518, "label": "人物", "start_offset": 4, "end_offset": 7, "text": "谭元寿"}], "relations": [{"id": 0, "from_id": 42517, "to_id": 42518, "type": "父亲"}]} ... ` 可以运行 doccano.py 来将标注数据（doccano）转换为训练数据（prompt）。 # 3. 模型训练 修改训练脚本 train.sh 里的对应参数, 开启模型训练： `sh python train.py \ --pretrained_model "uie-base-zh" \ --save_dir "checkpoints/DuIE" \ --train_path "data/DuIE/train.txt" \ --dev_path "data/DuIE/dev.txt" \ --img_log_dir "logs/" \ --img_log_name "UIE Base" \ --batch_size 32 \ --max_seq_len 256 \ --learning_rate 5e-5 \ --num_train_epochs 20 \ --logging_steps 10 \ --valid_steps 100 \ --device cuda:0 ` 正确开启训练后，终端会打印以下信息： `python ... 0%| | 0/1 [00:00 0.82609 ... ` 在 logs/UIE Base.png 文件中将会保存训练曲线图： 
# 4. 模型预测 完成模型训练后，运行 inference.py 以加载训练好的模型并应用： `python if name == "__main__": from rich import print sentences = [ '谭孝曾是谭元寿的长子，也是谭派第六代传人。' ] # NER 示例 for sentence in sentences: ner_example( model, tokenizer, device, sentence=sentence, schema=['人物'] ) # SPO 抽取示例 for sentence in sentences: information_extract_example( model, tokenizer, device, sentence=sentence, schema={ '人物': ['父亲'], } ) ` NER和事件抽取在schema的定义上存在一些区别： * NER的schema结构为 List 类型，列表中包含所有要提取的 实体类型。 * 信息抽取的schema结构为 Dict 类型，其中 Key 的值是所有 主语，Value 对应该主语对应的所有 属性。 * 事件抽取的schema结构为 Dict 类型，其中 Key 的值是所有 事件触发词，Value 对应每一个触发词下的所有 事件属性。 `sh python inference.py ` 得到以下推理结果： `python [+] NER Results: { '人物': ['谭孝曾', '谭元寿'] } [+] Information-Extraction Results: { '谭孝曾': { '父亲': ['谭元寿'] }, '谭元寿': { '父亲': [] } } ` # 5. 数据增强（Data Augmentation） 信息抽取/事件抽取的数据标注成本较高，因此我们提供几种针对小样本下的数据增强策略。 包括： * 正例：SwapSPO、Mask Then Fill * 负例：自分析负例生成（Auto Neg） 所有实现均在 Augmenter.py 中，为了便于使用，我们将其封装为 web 服务以方便调用： 
平台使用 streamlit 搭建，因此使用前需要先安装三方包： `python pip install streamlit==1.17.0 ` 随后，运行以下命令开启标注平台： `python streamlit run web_da.py --server.port 8904 ` 在浏览器中访问 ip + 端口（默认8904）即可打开标注平台。
## 5.1 正例：SwapSPO 策略介绍 Swap SPO 是一种基于规则的简单数据增强策略。 将同一数据集中相同 P 的句子分成一组，并随机交换这些句子中的 S 和 O。 * 策略输入： 《夜曲》 是 周杰伦 作曲 的一首歌。 《那些你很冒险的梦》 是当下非常火热的一首歌，作曲 为 林俊杰。 * Swap SPO 后的输出： 《夜曲》 是当下非常火热的一首歌，作曲 为 周杰伦。
## 5.2 正例：Mask Then Fill 策略介绍 Mask Then Fill 是一种基于生成模型的信息抽取数据增强策略。 对于一段文本，我们其分为「关键信息段」和「非关键信息段」，包含关键词片段称为「关键信息段」。 下面例子中标粗的为 关键信息片段，其余的为 非关键片段。 > 大年三十 我从 北京 的大兴机场 飞回 了 成都。 我们随机 [MASK] 住一部分「非关键片段」，使其变为： > 大年三十 我从 北京 [MASK] 飞回 了 成都。 随后，将该句子喂给 filling 模型（T5-Fine Tuned）还原句子，得到新生成的句子： > 大年三十 我从 北京 首都机场作为起点，飞回 了 成都。 Note: filling 模型是一个生成模型，示例中我们使用中文 T5 微调得到 DuIE 数据集下的模型（暂未开源）。您可以参考 这里 微调一个更适合您自己数据集下的 filling 模型，并将训练好的模型路径填写至 web_da.py 中对应的位置。 `python ... device = 'cpu' # 指定设备 generated_dataset_height = 800 # 生成样本展示高度 max_show_num = 500 # 生成样本最大保存行数 max_seq_len = 128 # 数据集单句最大长度 batch_size = 128 # 负例生成时的batch_size filling_model_path = '这里' # fine-tuned filling model ... ` ## 5.3 负例：自分析负例生成（Auto Neg）策略介绍 信息抽取中通常会存在 P混淆 的问题，例如： > 王文铭，76岁，是西红市多鱼村的大爷。 当我们同时生成 年龄 和 去世年龄 这种非常近义的 prompt 进行抽取时，可能会出现 误召回 的情况： `python prompt: 王文铭的年龄 answer: 76岁 -> 正确 prompt: 王文铭的去世年龄 answer: 76岁 -> 错误 ` 因此，我们基于一个已训练好的模型，自动分析该模型在 训练集 下存在哪些易混淆的 P，并为这些 P 自动生成负例，以提升模型的 Precision 指标。 
将新生成的负例加入 原始训练数据集，重新训练模型即可。 ## 5.4 各种 DA 策略的实验效果 在 DuIE 100 条数据下测试，各种 DA 策略的效果如下所示（以下 P / R / F1 均取 F1 最高的 Epoch 指标）： | DA Policy | Precision（best） | Recall（best） | F1（best） | |---|---| ---| ---| | baseline | 0.8085 | 0.8444 | 0.8260 | | Swap SPO | 0.8409（↑） | 0.8222 | 0.8314（↑） | | Auto Neg | 0.8297（↑） | 0.8666（↑） | 0.8478（↑） | | Mask Then Fill | 0.9000（↑） | 1.0000（↑） | 0.9473（↑） | | Mask Then Fill & Auto Neg | 0.9777（↑） | 0.9777（↑） | 0.9777（↑） | * 原作者实现地址：https://github.com/universal-ie/UIE * paddle官方：https://github.com/PaddlePaddle/PaddleNLP/tree/develop/model_zoo/uie * https://github.com/HarderThenHarder/transformers_tasks/blob/main/UIE 更多优质内容请关注公号：汀丶人工智能；会提供一些相关的资源和优质文章，免费获取阅读。
