Press "Enter" to skip to content

基于机器阅读理解(MRC)的信息抽取方法

导读:本次分享的主题为基于机器学习阅读理解(MRC)的信息抽取方法。由香侬科技发表在 ACL2019,论文提出用阅读理解的方法对信息抽取这个传统问题进行建模,取得了比较好的效果。

 

1. 自然语言处理(NLP)是什幺?

 

自然语言处理是研究能实现人与计算机之间,用自然语言进行有效通信的各种理论和方法。(通俗讲就是计算机要理解人说的话,计算机生成的话,人也能够理解)

 

 

2. 为什幺自然语言处理很难?

 

自然语言处理的难点在于歧义性。如下面的例子:

 

同样的表达方式,有不同的含义:

“喜欢一个人”:like someone 或者 like to be alone。

 

虽然表达方式不同,但表达的含义相同:

“我刚差点摔着”、“我刚差点没摔着”

“苹果多少钱一斤”、“苹果一斤多少钱”、“一斤苹果多少钱”

 

3. 常见的 NLP 任务

 

 

常见的 NLP 任务可以分为简单、中等、困难,分别包含的具体任务如下:

简单任务:分词、词性标注、垃圾邮件分类、句法依存分析
中等任务:词义消歧、情感分类、命名实体识别、信息检索
困难任务:关系 & 事件抽取、翻译、自动摘要、问答、对话

今天主要介绍命名实体识别、关系 & 事件抽取这两类信息抽取任务。

 

4. 深度学习与 NLP 结合的范式:

 

范式 1:

 

第一种深度学习与 NLP 的结合的范式(Bert 出现之前),一般包含以下几步:

 

 

-> Embed:该阶段把离散 id 变成稠密向量,可能对以下几个维度特征进行 embedding,包括 word(单词)、char(字符)、pos tag(词性)、position(位 置)。

 

 

-> Encode:该阶段使得稠密向量获得上下文信息, 一般方案包括 CNN/RNN/Transformer。

 

 

-> Attend:该阶段可以使更远的信息可以互相注意,一般分为加性 (sum)、乘性 (product) 的注意力机制。

 

 

-> Predict:NLP 任务一般是预测离散的变量,Classification 分类、Seq Labeling 序列标注、翻译 / 摘要可以 model 成 seq2seq 的任务。

 

范式 2:

 

最近有些 Pre-train 的模型出现,打破的了之前的方案,把 embed 到 Attend,基本上都用的类似的方法,通过 Pre-train 得到一个带着上下文信息的向量。算法包括 elmo、gpt、bert、gpt2、xlnet、ernie、roberta 等,在大数据量上进行预训练。

 

 

第二种深度学习与 NLP 的结合的范式,一般包含以下几步:

 

-> Pre-train:刚开始是用大规模的语料进行预训练。

 

-> Fine_tune:针对特定任务进行微调。

 

-> Predict:进行 Predict。

 

Part3 信息抽取

 

1. 信息抽取简介

 

 

信息抽取是将非结构化的文本信息转换为结构化的信息,如上图所示,左边为非结构化文本,通过信息抽取得到右边结构化的信息。

 

 

信息抽取可以分为三类:

命名实体识别(NER):从文本中抽取人物、机构、文件名等实体。
关系抽取(RE):得到实体后,抽取实体间的关系,一般抽取得到一个(实体,实体,关系)的三元组。
事件抽取:抽取多个实体和事件关系,一般得到一个 trigger 和多个 arguments 的多元组。

今天主要介绍命名实体识别和关系抽取。

 

2. 实体关系抽取

 

 

大量的信息抽取任务是实体和关系的抽取,举个例子,乔布斯是苹果公司的 CEO。其中 ” 乔布斯 ” 和 ” 苹果公司 ” 是实体,分别是人名、公司名;两个实体之间是雇佣关系。

 

3. 实体关系抽取的传统做法

 

 

实体关系抽取的传统做法:

 

Pipeline 的方法:

先进行命名实体识别,再进行关系识别。

 

joint 方法:

通过共享参数的模型,把实体识别和关系识别联系到一起。

 

命名实体识别(NER):

 

 

NER 也可以分为 4 步:

 

-> Embed:把 Michael Jeffrey Jordan was born in Brooklyn,变成一个稠密向量。

 

-> Encode:在 NER 中主要是 RNN 相关的;

 

-> Attend:把注意力集中在“一个人在布鲁克林出生”

 

-> Predict:主要用 CRF 做序列标注。

 

也可以用 BERT,把 Embed 到 Attend 之间都用过 BERT 来初始化,然后进行 fine_tune,然后在最上层加一个 Predict 的神经网络。

 

关系抽取(RE):

 

 

RE 一般被 model 成 Classification 任务,同样分为以下 4 步:

 

-> Embed:还是将字或者词变成一个稠密的向量,这里还会多一个 position,一般认为待变成稠密向量的词与实体之间的位置是一个相对位置,如下图中 hired 和第一个人它的位置可能是 -1,然后逗号和它的位置是 1,这样的一种 Embedding。

 

 

-> Encode:对于关系识别来说,即包含 CNN 相关的,也包含 RNN 相关的,把上下文的信息考虑进来。如上图是一个 PCNN,通过两个实体把句子分为三部分,每部分分别做 CNN 的 max pooling(由于这三部分的用处不同,直接做 max pooling 可能会有一些信息的损失),再经过 Softmax classifier 进行分类。

 

 

上图为 BI-LSTM,同样用了 RNN base 的网络结构,可以学习到更长距离的依赖。

 

-> Attend:Attention 可以 Attend 到两个实体是由于哪个词分辨出是顾佣的关系,比如“CEO”就可以认为“苹果公司”和“乔布斯”之间是雇佣关系,有比较大的一个权重。

 

-> Predict:对定长的向量进行 Predict 分类。

 

刚刚说的都是 Pipeline 的方法,Joint 方法也是类似的,主要是把两部分的一些模型的参数在底层被共享起来。

 

4. 传统方法的问题

 

 

Pipeline 和 Joint 两种方案都存在一些问题:

 

① 很难处理层级关系:建模困难。如右侧第 1 张图所示,“乔布斯在 1977 年至 1983 年担任了苹果公司的 CEO,在 1986 年至 1996 年担任皮克斯动画工作室的 CEO”。这里存在 7 个实体,相互间都有关系,非常复杂。

 

② 准确率问题:

两个实体离得比较远,尤其当一个实体与另外一个实体发生关系时,其实是它的缩写与另外一个实体比较近,而本体与另外一个实体比较远的时候,这样两个实体之间的关系往往很难预测得到。
一个实体包含多个关系对,比如这里的“苹果公司”,既和“CEO”产生关系,又和“乔布斯”产生关系, 包含多个关系,是关系的分类比较复杂。
实体跨越的 span 有重叠。如右侧第 2 张图所示,“比尔盖茨和乔布斯分别担任微软和苹果公司的 CEO”,“比尔盖茨”是和“微软”产生关系,“乔布斯”是和“苹果公司”产生关系对于刚刚说的 PCNN 或者 RNN 来说都会产生混乱的情况,导致识别准确率下降。

Part4 机器阅读理解(MPC)

 

1. 机器阅读理解简介

 

 

机器阅读理解是给定上下文 c,和问题 q,得到答案 a,a 是原文中的一个或多个 span<Question,Context> -> <Answer>。

 

如图所示,通过提问“郑强什幺时候就职于越秀会计事务所?”,我们可以发现,是在 1998 年到 2000 年时就职于越秀会计事务所。这样就得到郑强、越秀会计事务所、时间等多个实体间关系。

 

2. MRC 做法

 

 

MRC 的做法也是分为 4 步:

 

范式 1,传统的方案:

 

 

先 Embed,把字和词变成稠密向量,通过 Contextual 进行 Encode,这里通过的是 LSTM 或者 GRU 之类的方案,通过上下文一起考虑进来,然后进行 Attend,question 和文章互相注意,最后是 Predict,进行分类和序列标注。

 

范式 2:

 

 

Bert 出现之后,可以通过 Bert 方案,把前 3 步换成 Bert,最后预测一个 start 和一个 end,或者通过序列标注的方案来做。

 

如上图,Bert 时,会在 Question 的 Tok 前加一个 CLS,后面加一个 SEP,然后把 Paragraph 的 Tok 放在后面。然后预测 Paragraph 中哪位置的 Tok 是 start,哪个位置的 Tok 是 end,来预测阅读理解问题。

 

3. 使用 MRC 做实体关系抽取

 

 

在 ACL2019 的论文中,我们提出了使用一种 MRC 的新的范式来做实体和关系抽取。

 

三元组:(头实体,关系,尾实体)例如(乔布斯,受雇于,苹果公司)

 

对于“乔布斯是苹果公司的 CEO”可以提两个问题:

 

① 首先提的是头问题,Q:人名是什幺?A:乔布斯

 

② 基于上一步的答案提出第二个问题,Q:乔布斯受雇于哪家公司?A:苹果

 

 

上图为,我们算法的详细流程图,首先得到 head Entity 头实体,对于头实体提问完之后,可以得到头实体的答案,把头实体的答案填入问题模板中,再获得后面的实体。

 

 

目标函数就是 head-entity 的 Loss+tail-entity 的 Loss,然后进行一个加权。

 

问题模板如上图所示,对于郑强或者马斯克的例子,我们可以问四个问题:

 

第一个问题是谁在这段话里被提及了,也就是马斯克或者郑强。

 

第二个问题是郑强在哪个公司任职,得到很多公司。

 

第三个问题是郑强在这个公司的职务是什幺,得到职务。

 

最后,把上面三步的答案拼在一起得到最后一个问题,E1 在 E2 担当 E3 的任职时间是什幺,得到 E4。

 

4. 多轮问答进行实体 – 关系抽取

 

接下来就是刚刚举得例子,首先是第一个问题:

 

文中提到的人物有哪些?

 

 

然后是他的公司是什幺?

 

 

再分别问在每个公司的工作时间?

 

 

担任什幺职务?

 

 

在越秀会计事务所工作的时间?

 

 

在其他公司担任的职务,等等问题。

 

 

这样通过阅读理解的方案就得到了这样一张表,也就是完成了从非结构化文本到结构化文本的转换。

 

 

5. 强化学习

 

 

这里在做阅读理解的时候有一个问题:靠前实体的准确率会影响后续的信息抽取,这样的问题在翻译中也会遇到;训练的时候我们一般会使用前面实体的 ground truth 填入后面实体的模板;在预测的时候,我们会使用实际预测出的答案,这样就产生了一个训练和预测的 gap,第三阶段错误的实体,原因很有可能是第一阶段的实体就错了,这样的 Loss 并没有回传给第一阶段的实体。

 

所以,我们采用了强化学习的方法:

 

每轮的动作:在所有可能中选取该轮的答案。

 

策略:预先用 ground truth 训练多轮 QA 的概率作为强化学习的初始策略,避免策略不稳定的情况。

 

奖励:

得到的奖励就是这个公式,得到这个公式之后就可以将 Loss 回传,这样后面轮数的 Loss 可以反馈给前面的轮数,使前面的轮数更加准确。

 

6. 实验结果

 

 

我们发现在 ACE2004 和 2005 数据集上,Multi-turn 的方式相比于传统的方式分别有 1 个点和 0.6 个点的提升。

 

Part5 性能优化

 

刚刚讲了使用阅读理解的方式来做信息抽取,使用的阅读理解是基于 BERT 模型,由于 BERT 参数非常庞大,会遇到一些性能的问题:

 

1. 深度学习模型性能问题

 

 

在做 web service 时,由于用户的请求是离散的,且大小不定,不易 batch 运算。

 

以 MASK LM 任务为例,一个 64 个字的句子做 MASK-LM 任务,封装为 web service,我们发现 QPS 只有 12。因此,我们开发了 Service Streamer。

 

2. Service Streamer

 

 

Service Streamer 将服务请求排队组成完整 batch,其好处有:

简单易用:只需要添加两三行代码即可让模型提速上十倍;
处理速度快:低延迟,专门针对速度做了优化;
可扩展性好:可轻松扩展到多 GPU 场景,处理大量请求;
适用性强:它是一个中间件,适用于所有深度学习框架和 web 框架。

Github 链接如下,感兴趣的小伙伴可以仔细研究下:

 

https://github.com/ShannonAI/service-streamer#develop-bert-service-in-5-mintues

 

 

我们做了一个 benchmark,在一个普通的 Web Service 情况下,QPS 是 12,latency 是 8s,使用 ThreaedStreamer 可以增加到 208,继续使用多进程的 Streamer 可以做到 321,使用 RedisStreamer 会在 350 左右,根据每次测量会有些区别。

 

在多 GPU 场景下,可以继续提升性能,且非常容易扩展,当使用 2 张或者 4 张卡的时候,QPS 可以成比例的增加。

 

Part6 总结

 

最后小结下此次分享的主要内容:

自然语言处理,重点介绍了 NLP 与深度学习结合的两个范式。
信息抽取,重点介绍了实体关系抽取的传统做法及传统做法的问题,传统做法很难处理层级关系及准确率问题。
机器阅读理解,基于机器阅读理解的信息抽取方法在结果上优于传统做法。
性能优化,利用 service streamer 中间件可以提升深度学习模型性能。

作者介绍:

 

周明昕博士,香侬科技信息抽取团队负责人,负责香侬科技信息抽取领域算法研发和落地。在北京大学获得理学学士和工学博士学位,已发表十余篇国际会议和期刊论文,拥有多项国际国内专利。曾任职于百度核心搜索部,负责搜索智能问答算法研发。

 

本文来自 DataFun 社区

 

原文链接:

 

https://mp.weixin.qq.com/s?__biz=MzU1NTMyOTI4Mw==&mid=2247495035&idx=1&sn=18bc02c224c262fdd2db291332d802b6&chksm=fbd75f17cca0d60192e1a88410f07b2008872d264678fefa7729ab0ee74bb14b08618537e439&scene=27#wechat_redirect

Be First to Comment

发表评论

电子邮件地址不会被公开。 必填项已用*标注