论文浅尝 | Enriching Pre-trained Language Model with Entity Information for Relation Classification

论文针对句子级别的关系抽取问题提出了一种结合BERT预训练模型和目标实体信息的模型。

1. 文章主要贡献

1. 提出将 BERT 用在了关系抽取任务, 探索了实体和实体位置在预训练模型中的结合方式。

2. 可以通过在实体前后加标识符得方式表明实体位置, 代替传统位置向量的做法，论文也证实了这种方法得有效性。

2. 论文模型详解

2.1 数据预处理

1)针对输入进来的句子，需要在句首增加[cls]符号
2)在第一个实体前后增加$符号
3)在第二个实体前后增加#符号

e.g. “The kitchen is the last renovated part of the house.“这句话输入BERT模型前应改为”[cls]The $kitchen$ is the last renovated part of the #house#.”

2.2 BERT模型处理

和经典的BERT模型一致，输入序列处理后得到的对应的序列输出向量。

2.3 输出处理

对于BERT模型处理输出的向量，在之后输入到全连接层中：

1）[cls] 位置的输出可以作为句子的向量表示, 记作 $H_0$. 它经过 tanh 激活和线性变换后得到。
$$H_0^{\prime }=W_0\ast tanh(H_0)+b_0$$

2)两个实体向量的处理方法：
假设BERT 输出的 实体1、2的开始和终止向量分别为$H_i,H_j,H_k,H_m$,则实体1、2的向量表示为：
$$e_1=\frac{1}{j-i+1}\sum _{t=i}^j{H}_t$$

$$e_2=\frac{1}{m-k+1}\sum _{t=k}^m{H}_t$$

$$H_1^{\prime }=W_1{e}_1+b_1$$

$$H_2^{\prime }=W_2{e}_2+b_2$$

3)最后将$H_0^{\prime },H_1^{\prime },H_2^{\prime }$三个组合起来，输入线性层做softmax:
$$h^{\prime \prime }=W_3[concat(H_0^{\prime },H_1^{\prime },H_2^{\prime })]+b_3$$

$$p=softmax(h^{\prime \prime })$$

3. 效果分析

论文在 SemEval-2010 Task 8 dataset 上做了实验, 实验证明 R-BERT 比其他的模型如CR-CNN, ATTENTION- CNN 等效果都要好。

除此之外,作者的还做了三个消融实验，结论表明:仅使用[CLS]而不使用实体的词向量会使模型得 F1 从 89.25% 降至 87.99%；不加上特殊标记 ‘$’ 和 ‘#会使模型的F1从89.25%降低至87.98%；以及既不加特殊标记也不使用[CLS]会使模型的F1从89.25%降低至81.09%。说明给实体前后增加标识符确实可以帮助模型提供实体信息 ，想办法主动明确实体信息对模型是有帮助的。

4.个人应用启发

这种方法简单而且功能强大，能够很好的应用到知识图谱关系抽取任务中。计划尝试研究这种方法在自动化知识图谱构建的应用。