知识图谱 | (5) 实体链接综述

最新推荐文章于 2024-01-25 01:54:28 发布

CoreJT

最新推荐文章于 2024-01-25 01:54:28 发布

阅读量4k

点赞数 3

分类专栏：知识图谱

原文链接：https://mp.weixin.qq.com/s/vtj1HgDC2slsOw9DGoURCA

版权

知识图谱专栏收录该内容

7 篇文章 21 订阅

订阅专栏

原文地址

这个世界充斥着无数的结构化数据（wiki）和非结构化数据（web），然而，如何将两者有效地集成仍然是个非常困难的问题。

本文介绍实体链接（Entity Linking）这一技术方向，会先从最基础的概念讲起，然后对 EL 中的三个主要模块做一个清晰的梳理。在此基础上，选取三篇比较有代表性的论文，详述其中的核心方法和思想。

EL入门

1. 任务定义

实体链接，就是把文本中的 mention 链接到 KG 里的 entity 的任务。如下图所示 [1]：
在这里插入图片描述
Knowledge Graph（知识图谱)：一种语义网络，旨在描述客观世界的概念实体及其之间的关系，有时也称为 Knowledge Base（知识库）。

图谱由三元组构成：<实体1，关系，实体2> 或者 <实体，属性，属性值>；
例如：<姚明，plays-in，NBA>、<姚明，身高，2.29m>；
常见的KB有：Wikidata、DBpedia、YOGO。

Entity（实体）：实体是知识图谱的基本单元，也是文本中承载信息的重要语言单位。

Mention（提及）：自然文本中表达实体的语言片段。

回过头再看，上面的这个图中，“乔丹”、“美国”、“NBA”这些蓝色的片段都是 mention，其箭头所指的“块块”就是它们在图谱里对应的 entity。

2. 应用

EL 有什么用呢？一般有 KB 的地方就离不开 EL。以下是 EL 的几个应用 [2]：

Question Answering：EL 是 KBQA 的刚需，linking 到实体之后才能查询图数据库；

**Content Analysis：**舆情分析、内容推荐、阅读增强；

**Information Retrieval：**基于语义实体的搜索引擎，google 搜索一些实体，右侧会出现 wikipedia 页面；

**Knowledge Base population：**扩充知识库，更新实体和关系。

3. Taxonomy

在这里插入图片描述
大体来说，EL 的工作可以分为两类 [3]：

**End-to-End：**先从文本中提取到实体 mention（即 NER），对应到候选实体，然后将提取到的 entities 消除歧义，映射到给定的 KB 中。

**Linking-Only：**与第一种方法对比，跳过了第一步。该方法直接将 text 和 mention 作为输入，找到候选实体并消除歧义，映射到给定的 K B中。

由于端到端的工作比较少，且 NER 也没太多可讲的。本文着重介绍 Linking-Only 的相关技术方向和工作。

EL的三大模块

EL 的工作非常有挑战性，主要有两个原因：

Mention Variations：同一实体有不同的 mention。（<科比>：小飞侠、黑曼巴、科铁、蜗壳、老科）
Entity Ambiguity(歧义)：同一mention 对应不同的实体。（“苹果”：中关村苹果不错；山西苹果不错）

针对上述两个问题，一般会用 Candidate Entity Generation (CEG) 和 Entity Disambiguation（消歧） (ED) 两个模块 [2] 来分别解决：

Candidate Entity Generation：从 mention 出发，找到 KB 中所有可能的实体，组成候选实体集（candidate entities）；
Entity Disambiguation：从 candidate entities 中，选择最可能的实体作为预测实体。

下面我们来讲讲这两个模块里都有些啥东西。其中，CEG 的方法都比较朴素，没什么可讲的，笔者会把重点放在 ED 上。

1. Candidate Entity Generation (CEG)

最重要的方法：Name Dictionary ( {mention: entity} )

哪些别名：首字母缩写、模糊匹配、昵称、拼写错误等。

构建方法：

Wikipedia (Redirect pages, Disambiguation pages, Hyperlinks)；
基于搜索引擎：调 google api，搜 mention。若前 m 个有 wiki entity，建立 map；
Heuristic Methods；
人工标注、用户日志。

CEG 这部分，最主流也最有效的方法就是 Name Dictionary，说白了就是配别名。虽然 CEG 很朴素，但作为 EL 任务中的第一道门槛，其重要性不言而喻。对于每一个 entity，紧凑而充分地配置别名，才能保证生成的 candidate entites 没有遗漏掉 ground truth entity。

具体的，要配置哪些别名，要用什么构建方法，往往取决于 EL 的使用场景。比如做百科问答或是通用文本的阅读增强，就很依赖于 wikipedia 和搜索引擎；但如果是某个具体的行业领域，就需要通过一些启发式的方法、用户日志、网页爬取，甚至人工标注的方法来构建 Name Dictionary。

2. Entity Disambiguation (ED) (手动划重点)

Features:

Context-Independent Features:
1）LinkCount: #(m->e)，知识库中某个提及(mention) m 指向实体 e 的次数；
2）Entity Attributes: Popularity, Type；
Context-Dependent Features:
1）Textual Context: BOW, Concept Vector
2）Coherence Between Entities: WLM, PMI, Jaccard Distance

实体消歧时，不同场景的特征选取是非常重要的。总的来说，实体消歧的特征分为，context 独立和 context 不独立的。

特征里，独立的有：mention 到实体的 LinkCount、实体自身的一些属性（比如热度、类型等等）。其中，LinkCount 作为一个先验知识，在消歧时，往往很有用，比如当我们在问“姚明有多高？”时，大概率都是在问<篮球运动员姚明>，而不是其他不为人知的“姚明”。

虽然 context 中完全没有包含篮球运动员这一信息，但大多数情况下，根据mention“姚明”到entity <篮球运动员姚明>的 LinkCount 最高，选其作为实体进行查询，都会是一个不错的答案。

不独立的有：文本的 context、实体间的 coherence（一致性）。这部分，可深入挖掘的东西比较多，文本 context 可以用一些深度学习的方法去深度理解文本的语义，从而实现消歧；实体间的一致性更加有趣，由于文本包含的所有的 mention 都没有确定，所以全局地进行 entities 的消歧实际上是一个 NP-hard 的问题。因此，如何更加快速有效地利用一致性特征，是一个非常有趣的方向。

基于这些常用的特征，消歧的方法可以大致分为以下几种：

Learning to Rank Methods: Point-wise、Pair-wise、List-wise。由于 ED 任务 ground truth 只有一个实体，一般都是用 point-wise 来做。输入是文本的 context、mention、某个（候选）entity 的一些 attributes，输出 mention 指向该 entity 的置信度，以此 rank，选出最可信的 entity；

Probabilistic Methods: Incorporate heterogeneous knowledge into a probabilistic model。结合不同信息，得到条件概率 P(e|m,c)，其中 c 是输入文本，e 为实体， m 是 mention。比如用归一化的 LinkCount 信息，作为先验概率 P(e|m)；

Graph-Based Approaches: maximize coherene between entities。利用图特征（entity embedding、relation），在消歧时，考虑全局消歧后实体的一致性；

一般来说，现在的 ED 工作都会综合以上的方法来设计，后面我们会具体介绍几篇近期的论文，大家可以对照这三类方法看看。

3. 还有个小问题：Unlinkable Mention Prediction

除了上面的两大模块，还有一个小问题，就是如何拒识掉未知实体，毕竟你不可能建立一个能穷举万物的 KB。这就涉及到 Unlinkable Mention Prediction，不是很复杂，一般就三种做法：

NIL Threshold: 通过一个置信度的阈值来卡一下；

Binary Classification: 训练一个二分类的模型，判断 Top-rankeded Entity 是否真的是文中的 mention 想要表达的实体；

Rank with NIL: 在 rank 的时候，在候选实体中加入 NIL Entity。

一般就阈值卡一下就好了，不是太大的问题。但如果具体的场景是做 KB Population 且实体还不是很全的时候，就需要重点关注一下了。

EL的近期工作

为了让读者能更清楚地了解 EL，笔者在这里选取了三篇近两年出的，比较有代表性的工作 [4] [5] [6]，给大家具体讲讲：

Deep Joint Entity Disambiguation with Local Neural Attention. (Ganea and Hofmann, 2017, EMNLP)
Improving entity linking by modeling latent relations between mentions. (Le et al., 2018, ACL)
DeepType: multilingual entity linking by neural type system evolution. (Raiman et al., 2018, AAAI)

1. Deep Joint Entity Disambiguation with Local Neural Attention

早期的 EL 工作都非常依赖 manually-designed 的特征，这篇文章是 EL 领域第一篇不依赖特征工程，用深度学习来学习基础特征的工作。主要的创新点和关键部件有三个：

Entity Embeddings: 用到了知识库里实体的 embedding；
Context Attention: 用 attention 机制来获得 context 的表征；
Collective Disambiguation: 考虑实体间的 coherence，联合消歧。

给定文本 D，其中有一堆 mention $m_1,m_2,...,m_n)$ . $m_i$ 对应的实体为 $e_i$ , 对应的 context 为 $c_i$ , 对应的候选实体集为 $C_i=(e_{i1},...,e_{il_i})$ . 文章提出了两种模型：Local model、Global model。local 只考虑 mention 的 context；global 还需要考虑实体间的一致性，联合消歧。

Local model: 令 $\Psi(e_i,c_i)$ 为local score function，local model 要解决的问题即：
在这里插入图片描述
Global model: 除了 context，还考虑实体间的 coherence（为了简化，只考虑两元一致性）。令 $Phi(e_i,e_j,D)$ 为实体之间的 pair-wise coherence score function， $E=(e_1,...,e_n)$ ,全局搜索：

Local and pair-wise score function 的计算方法如下：
在这里插入图片描述
其中， $e_i,e_j \in R^d$ 是实体 $e_i,e_j$ 的embedding， $B,R\in R^{d\times d}$ 是对角矩阵。 $f(c_i)\in R^d$ 是在上下文 $c_i$ 上取 attention 后的表征，具体的 attention 计算如下图所示：

这里是用 candidate entity embeddings 做 key，context word embeddings 做 value，得到 score matrix （每一列表示上下文的一个单词和所有候选实体的分数）之后，按列取 max，如果某个 word 的 score 较高表示这个 word 至少和一个 entity 相关度高。为了去除 stop words 的影响，作者只取了 top R 的 score，剩下的置为负无穷（再取softmax得到权重，再与上下文单词加权求和，得到上下文的整体表示）。

得到每个候选实体和当前mention上下文的score 后，还会结合当前mention m 到每个候选实体 e 的 LinkCount 先验概率，计算出最终各个（候选）实体的概率。该工作在 AIDA 数据集上取得了 SOTA ( local: 88.8、global: 92.22)。

Improving entity linking by modeling latent relations between mentions

上一篇论文开创性地在 EL 中引入 entity embedding 作为信息，很自然的，我们会思考一个问题，KB 中还有别的可利用的信息吗？参考本文一开始的那张图片，“乔丹”、“美国”、“Nike”这些实体之间还有着“公民”、“赞助商”等关系信息，显然，若加以利用，一定能成大器。

于是 Le et al. 在 Ganea and Hofmann 工作的基础上，增加了隐关系信息。假定图谱中有 K 个关系，令 $m_i,m_j)$ 之间为关系 k 的置信度为 $\alpha_{ijk}$ ,上文中的 pair-wise coherence score function 可以写成：

在这里插入图片描述
其中， $R_k,D_k\in R^d$ 都是用来表示关系 k 的对角矩阵（类似于关系 k 的 embedding）, $Z_{ijk}$ 为归一化因子， $f(m_i,c_i)$ 为将 $m_i,c_i)$ 映射到 $R^d$ 的函数。这样一来，我们就隐式地添加了关系 k，丰富了计算全局实体一致性时所参考的信息。

看起来很 fancy！但是有一个问题，这个归一化因子我们要咋算呢？作者提供了两种思路：

Rel-norm: Relation-wise normalization。就是以关系 k 维度来 norm；
Ment-norm: Mention-wise Normalization。就是以实体 j 维度来 norm。

在这里插入图片描述
看一下上面这张图，就很清晰了。该工作在 AIDA 数据集上得到了新的 SOTA (global: 93.07)。

3. DeepType: multilingual entity linking by neural type system evolution

前两篇论文都是在联合消歧的这个角度，做了一定的工作。DeepType 这篇文章则另辟蹊径，从优化知识库的 type 系统来做。文章很重要的一个观点是：当我们能预测出实体 mention 的 type，消歧这个任务就做的差不多了。EL 系统主要分成三个模块：

1. Type System: 一组正交的 type 轴和一个 type 标注函数；

type 轴：一组互斥的 type 集合 A (e.g. {IsHuman} ∩ {IsPlant} = {})
type 标注函数： $t_1,...,t_k=TypeLabeler(e,A)$
举个例子，假定一个包含两个轴 {IsA, Topic} 的 type 系统，<追一科技>对应的就是 {公司，人工智能}

2. Type Classifier: 给定 mention 和 text，输出 mention 对应实体的 type；

3. Entity Prediction Model: 给定 mention、text 和候选实体，预测概率最高的实体（文中直接用的 LinkCount）。

很显然，这三个模块的核心点在于 Type System 的构建。由于 Entity Prediction Model 是直接用的 LinkCount，实际上整个 EL 系统就只有两组参数，一组是 Type System 的离散参数 A，一组是 Type Classifier 的连续参数 θ。给定 text 及其所含的 mention：
在这里插入图片描述
其中 $e_{i}^{GT}$ 为 (mention i对应)ground truth 的实体， $\epsilon_{m_i}$ 为 (mention i对应)候选实体集，令 $S_{model}(A,\theta)$ 为 EL 系统的消歧准确率，则我们的问题可以定义为：

在这里插入图片描述
这个 entity score 可以看成是给定 m 后，EL 系统给出的置信度，后面会给具体公式.

同步优化两组参数很耗时，因此文章分成 Type System 和 Type Classfier 两个部分独立优化。

a. Discrete Optimization of Type System：

为了避免同时训练 Type System 和 Type Classifier，我们得先固定 classifier，然后优化 Proxy Objective $J(A)\sim S_{model}(A,\theta)$ ,这里我们假设两个 classifier model 的极端：

Oracle（极端优秀）：假设 Type Classifier 开了天眼，不管 A 咋变，都能预测对 mention 的 type，然后从该 type 对应的候选实体集的子集中选 LinkCount 最高的，令：
Greedy（极端蠢）：不预测 type，直接从候选实体集中选 linkcount 最高的。

在这里插入图片描述
最简单的思路直接 $J(A)=S_{oracle}$ 其实就完事了，但是我们要考虑到真正的 classifier 并没有开天眼，假设 classifier 的 Learnability（学习能力）是 l(A)，那么更合理的目标函数应该是：

但是怎么才能不依赖 A 去计算学习能力呢，如果是用 softmax 多分类，那就糟了，每换一次 A，就得重新训练一个 classifier。因此作者巧妙的用二元分类器代替了多分类，令：
在这里插入图片描述
这样就只需要最开始计算一次就好了，如下图所示：

b. Type Classifier
就按照上图 b 优化就是了，没什么可说的。

c. Inference
在训练完 Type System 和 Type Classifier 之后，我们就可以计算我们上面说的 EntityScore 了：
在这里插入图片描述
其中 $A=(t_1,...,t_k)$ 是 k 个 type 组成 type 轴，α,β∈(0,1) 是 smoothing 系数。最终在 AIDA 数据集上取得了新的 SOTA（94.88）。

4. 三篇论文效果对比和思考

在这里插入图片描述
前两篇都是联合消歧的，而 DeepType 其实是个 Local 模型。这么看来，如果考虑联合消歧的话，应该还会有提升。

总结

Entity Linking 其实算是个很复杂的技术领域，因为优化过程中，不仅要考虑 text 的文本信息、KB 的信息、消歧后的一致性，还需要根据具体的业务场景采用不同的方案，同时也不能为了效果去暴力搜索 NP-hard 的离散优化问题。在具体实施的过程中不可能面面俱到，需要一定程度的 trade-off。总结起来，四大特征：LinkCount、Context、Attributes、Coherence。方法千千万，大家灵活运用。

Appendices

数据集：

Knowledge Base：Wikipedia, YAGO, DBpedia, Freebase；
EL 监督数据：
1）中文：
https://www.biendata.com/competition/ccks_2019_el/data/
2）英文：
TAC KBP 2010 EL:
https://catalog.ldc.upenn.edu/LDC2019T02
AIDA CoNLL-YAGO:
https://www.mpi-inf.mpg.de/departments/databases-and-information-systems/research/yago-naga/aida/downloads/

一个不错的多因子消歧总结：
https://cloud.tencent.com/developer/article/1491361

ccks实体链接第一名方案：
https://github.com/panchunguang/ccks_baidu_entity_link

DeepType原作博客（有一些可玩的插件）：
https://openai.com/blog/discovering-types-for-entity-disambiguation/

参考文献

[1] 韩先培，实体链接：从文本到概念：
https://docs.huihoo.com/infoq/baidu-salon51-entity-links.pdf
[2] Wei Shen, Jiawei Han: Entity Linking with a Knowledge Base: Issues, Techniques, and Solutions.
http://dbgroup.cs.tsinghua.edu.cn/wangjy/papers/TKDE14-entitylinking.pdf
[3] Sebastian Ruder: NLP Progress of Entity Linking.
https://github.com/sebastianruder/NLP-progress/blob/master/english/entity_linking.md
[4] Ganea and Hofmann, 2017, EMNLP: Joint Entity Disambiguation with Local Neural Attention.
https://arxiv.org/abs/1704.04920Deep
[5] Le et al., 2018, ACL: Improving entity linking by modeling latent relations between mentions.
https://arxiv.org/abs/1804.10637
[6] Raiman et al., 2018, AAAI: DeepType: multilingual entity linking by neural type system evolution.
https://arxiv.org/abs/1802.01021