NAACL 2019 | 利用图变换网络实现从知识图到文本的生成

最新推荐文章于 2021-09-30 00:47:20 发布

a609640147

最新推荐文章于 2021-09-30 00:47:20 发布

阅读量1k

点赞数 2

文章标签：论文解读人工智能

本文链接：https://blog.csdn.net/a609640147/article/details/96870361

版权

文章《Text Generation from Knowledge Graphs with Graph Transformers Normalization》提出一种基于知识图和图变换网络的方法，实现了文献摘要的自动生成。利用知识图结构，描述想要表达的多句文本的结构信息。通过对文章标题以及知识图的编解码，自动生成与文章标题语义相符的文章摘要部分。

论文地址:
https://arxiv.org/abs/1904.02342
代码地址:
https://github.com/rikdz/GraphWriter

引言

随着计算能力的提升，生成符合语法规范的句子已经可以实现。但想要生成多个与主题相关，并且描述一致的文献语句仍然较为困难。因为它需要符合文献的语言结构特点，并按照科技文献的方式描述并解释某一问题。
本文提出了一种GraphWriter模型，通过利用所要表达内容的图结构和文章标题的编码解码过程，实现文章摘要的撰写。该方法在定量的以及人为评测的指标上，相比以前方法有了较大提升。

数据集

为训练并验证GraphWriter模型的效果，作者建立了Abstract GENeration DAtaset (AGENDA)数据集。该数据集包含来自12个AI顶会的4万多篇论文。每个样本保留了文章的题目和摘要信息，并利用SciIE系统提取了摘要的知识图信息。该数据集被分为38720个训练样本、1000个验证样本和1000个测试样本。

模型

GraphWriter模型包含编码结构和解码结构，如图1所示。模型对文章标题和提取的知识图进行编码，解码时每一时刻输出从知识图和标题复制还是从字典生成的概率，以及对应的预测概率分布。利用最大似然为损失函数监督网络的端到端训练。
图1 GraphWriter模型结构

编码器

编码器部分包含图预处理过程、文本编码网络和图变换网络三部分内容。

图像预处理

由于图变换网络的输入为无标签连通图，而由SciIE系统提取的图为有标签的非连通图，所以要对数据集中图结构进行预处理。处理过程如图2所示。
图2 图预处理过程
处理过程先把原图中的所有实体节点和关系都作为新图的节点，原图中的每个关系生成新图的前向和后向两个节点，并把实体节点和前向后向关系节点连通。为保证生成图为连通图，构造一个全局节点，与所有实体连通。全局节点的特征后续会作为rnn结构的初始隐状态。

文本编码网络

文本编码网络作用为，对于标题以及图中的关系和实体的文本内容进行编码。由于科技文献中的实体与关系词多为多字的词组，所以利用双向rnn结构进行编码，编码结果表示为V。对于标题，同样利用双向rnn进行编码，输出结果表示为T。

图变换网络

图变换网络是transformer网络在图数据结构上的一种应用，计算方式与transformer网络相似，网络结构如图3所示。
图3 图变换网络结构图
通过计算节点与相邻节点的相似性，得到加权权重$ {\alpha_{ij}}^{n}$ 。对相邻节点特征的加权求和得到Graph Attention的输出结果。图变换网络同样利用了多头机制，将所有attention结果的输出串联后做映射，并与输入相加得到attention模块输出 $\hat{v}_{i}$ 。

其中 $N_{i}$ 为节点j的相邻节点，||表示特征的串联。
Feedforward网络计算方式如下。

其中FFN为一个双层感知机网络。
图变换网络通过堆叠多个上图Block模块得到最终编码结果 $V^L=[{v_{i}}^{L}]$ ，其中包含所有实体节点、关系节点和全局节点的编码。

解码器

解码器通过对输入图特征和标题编码特征做预测，输出该时间步预测结果取自字典词语或是标题及图实体词语的概率p，以及它们各自预测结果的概率分布 $\alpha ^{copy}$ 和 $\alpha ^{vocab}$ 。
先通过rnn网络输出时间步t时，图和标题的上下文向量 $c_{g}$ 和 $c_{s}$ 。

计算方式与编码器中attention计算方式相同，并同样使用了多头机制。其中 ${v_{j}}^{L}$ 为第j个图节点的编码结果， $h_{t}$ 为rnn的t时刻隐状态。
同样，将图节点特征换为标题的词向量特征则得到 $c_{s}$ 。最终的上下文向量为

选择概率p为

输出结果的概率分布为
[外链图片转存失败(img-THd2jxXC-1563784251139)(http://weixin.fatherai.com/FmZ-DZ4npPkTiSnNrFg17B5k_61D)]
其中 ${\alpha_{j}}^{copy}=a([h_{t}||c_{t}],e_{j}),e_{j}\in V||T$ ， $\alpha ^{vocab}$ 为 $h_{t}||c_{t}]$ 在字典尺度上做线性映射并softmax的结果。

实验结果

为说明图变换网络以及知识图在摘要生成中起到的作用。实验中将图变换网络替换为图注意力网络，将其模型表示为GAT；将不使用知识图信息而只使用图中实体的网络表示为EntityWriter。另外与baseline方法Rewriter做了比较。实验结果如下表所示。

由表1可见，利用了知识图信息的GraphWriter和GAT模型整体结果好于另外两个未考虑图信息的模型。另外GraphWriter模型结果好于GAT模型结果，说明图变换网络的效果要好于图注意力网络。