PIQN：Parallel Instance Query Network for Named Entity Recognition

最新推荐文章于 2024-07-26 13:24:37 发布

pepsi_w

最新推荐文章于 2024-07-26 13:24:37 发布

阅读量824

点赞数

分类专栏：论文文章标签：深度学习人工智能

本文链接：https://blog.csdn.net/wangyumei0916/article/details/131280626

版权

论文专栏收录该内容

39 篇文章 3 订阅

订阅专栏

原文链接：https://aclanthology.org/2022.acl-long.67.pdf

ACL 2022

介绍

问题

将命名实体识别任务作为阅读理解任务（MRC：machine reading comprehensive）来做，存在3个问题：

1）一类问题只能提取一种实体，对于句子中的多种实体需要多个类别的问题才行；

2）这样提取的不同实体之间是相互独立的，忽略了它们之间的联系；

3）问题的构建依赖于外部知识库，不使用于有多种实体类型的场景。

IDEA

因此作者提出了PIQN，该模型设置了全局可学习的实例query，不再依赖于外部知识库和人工手动构建实例query，以并行的方式来从句子中提取实体。

方法

模型包括三个部分：encoder、实体预测和动态标签分配。总体结构如下图所示：

对输入的句子和实例query进行编码后，使用Entity Pointer和Entity Classifier对每个实例query进行实体定位和实体分类。训练模型时，引入动态标签分配来将gold实体分配给实例query（因为这里的实例query并不是一个真正的问题，而是可学习的向量，也就不能提前对每个实例query分配gold实体）。

Encoder

将长度为N的句子X和长度为M的实例query进行concate后输入encoder进行编码。

Input Embedding

按如下方法计算输入两个句子的token embedding、position embedding、type embedding：

其中V表示输入句子的token embedding，I表示实例query的token embedding； $P^{w}$ 和 $P^{q}$ 分别表示sentence和query可学习的位置向量； $U^{w}$ 和 $U^{q}$ 分别表示sentence和query的类别向量， $[.]^{N}$ 表示重复N次。即输出可以表示为：

One-Way Self-Attention

普通的自注意力机制会让输入的句子和所有的query进行交互，但随机初始化的query反而会打破句子的语义。因此为了保证句子语义独立于query，使用以下方法来代替bert之间的自注意力机制：

M表示注意力分数的{0，-inf}掩码矩阵，其中0表示保留原句，-inf表示需要删除。防止句子编码对实例query的关注，将M的右上角N*M的子矩阵设置为全-inf矩阵，其他元素皆为0。另外，实例query之间的自注意能够对他们之间的联系进行建模，提升他们的query语义。在BERT后，还使用了两层的Bi-LSTM和L层的transformer来对句子进行单词级别的编码。最后将 $H$ 分为句子编码 $H^{w}$ 和query编码 $H^{q}$ 。

Entity Prediction

包括实体定位和实体分类两个部分，分别使用Entity Pointer和Entity Classifier两个方法实现。

Entity Pointer

对于第i个实例query，首先通过两个线性层来与句子的每个单词进行交互。第i个实例query和第j个词的融合表征如下所示：

其中 $\delta \subseteq {(l,r)}$ 分别表示左右边界， $W_{\delta }^{q}$ 和 $W_{\delta }^{w}$ 是可学习的参数。

计算句子中第j个词是左右边界的可能性，其中 $W_{\delta }$ 和 $b_{\delta }$ 都是可学习的参数。

Entity Classifier

使用 $P^{\delta }_{i} = [P_{i0}^{\delta },P_{i1}^{\delta }...P_{iN-1}^{\delta }]$ 衡量每个word并将其与实例query i 进行concate，即第i个实例query的边界敏感的表征表示为（其中 $W_{t}^{q}$ 是可学习的参数）：

第i个实例query所查询到的实体属于类别c的概率为：

最后第i个query提取出的实体表示为 $T_{i} = (T_{i}^{l}, T_{i}^{r}, T_{i}^{t})$ ,其中 $T_{i}^{l} = argmax_{j}(P_{ij}^{l})$ 、 $T_{i}^{r} = argmax_{j}(P_{ij}^{r})$ 表示左右边界， $T_{i}^{t} = argmax_{c}(P_{ic}^{t})$ 表示实体类型。在使用实体query去并行地提取实体时，如果存在多个实体query对相同边界的实体预测不同的类型时，选择分类可能性最高的类别。

Dynamic Label Assignment for Training

Dynamic Label Assignment

任何实体都能被分配给任何实例query，产生的代价各不相同。定义将第k个实体分配给第i实例query的代价为：

为每个query分配一个实体，为每个实体最多分配一个query，以使分配代价最小化的方法分配尽可能多的实体。但这种一对一的方法不能对实例query进行充分的利用（query>>entity），许多实例query并没有分配到实体。因此作者将传统的LAP扩展到一对多（可以看作是二部图的最大匹配？使用匈牙利算法解决），即每个实体能被分配给多个实例query。一对多的LAP优化目标定义为：

$A\subseteq{\left \{ 0,1 \right \}}^{M*G}$ 表示分配矩阵，G表示实体的数量 Aik=1表示第k个实体被分配给第i个实例query，qk表示第k个实体的分配次数。由于实例query的数量比实体数量多，因此有些query就没有分配到实体，因此对分配矩阵扩展一列得到 $\hat{A}$ ，新增一列的向量定义如下所示：

Training Objective

使用边界损失和分类损失来优化该模型。对于左右边界的预测，使用二进制交叉熵损失：

对于实体分类，使用交叉熵损失：

其中1[w]表示指标（indicator）函数，当w为真时取1，否则取0；

在每个transformer层后增加Entity Pointer和Entity Classifier，因此总loss定义为（ r表示t层的分类损失和边界损失）：

实验

对比实验

在5个嵌套命名实体识别数据集上的结果如下图所示：

在4个flat命名实体识别的数据集上进行实验，结果如下图所示：

与query-based的方法（Li et al.2020b）相比，我们的模型在 GENIA, ACE04, ACE05、 KBP17四个数据集上分别提升了+2.85%、+2.16%、+0.54%和+3.53%。有以下三个原因：

1）实例query不依赖于外部知识来注入语义，自适应第学习query语义，避免了因手动建造query质量参差不齐的敏感性。2）每个query不再预测一组特定类别的实体，而是只预测一个实体。这种方法将查询细化到实体层次，具有更精确的查询语义。3）实例query并行地输入到模型中进行编码和预测，不同的实例query能够利用实体之间的内在联系。

消融实验

作者对模型的部分方法进行了消融实验，结果如下所示：

作者对模型的推理速度进行了实验，结果如下所示：

可以看出我们的模型不仅效果更好，速度也更快。因为Li提出的模型，一个query对应一个特定类别的实体，而我们的模型能够将所有的query并行地提取实体。

Analysis

为了分析实例query在训练过程中学习到的query语义，随机选择了几个实例query来分析它们预测的实体位置和类型。

对实体的预测中心位置进行归一化处理，并使用内核密度估计得到不同查询预测实体位置的分布。结果如下图所示：

可以看出不同的实体query聚焦于不同位置的实体，表示实例quey能够学到与实体位置有关的query语义。例如#28、#39倾向于预测在句子前面的实体，#11、#53更倾向于句尾处的实体。

作者计算了不同实例query预测不同实体的概率，如下图所示：

可以看出不同的实例query对预测不同的实体类型有差别。例如#11和#13更偏向于预测PER实体，而#30和#43更偏向于预测VEH实体。

Case Study

下表展示了模型预测的一个实例。

case1中，对于长度为31的实体和三层嵌套实体，模型都预测正确。并且由于一对多的动态标签分配，导致一个实体可由多个实例query预测出，保证了实体预测的高覆盖率。但模型对于句子的理解有所欠缺，表现在以下方面：

1）对特殊短语的理解存在缺陷；如case2中的Yahoo！communications Services被错误的归类为ORG，实际Yahoo才是ORG。

2）过于关注于local语义；如case3中，将Venezuelan consumer（委内瑞拉消费者）错误分类为PER，忽略了semantics of the long phrase the Venezuelan consumer protection agency（委内瑞拉消费者保护机构）这个长句的ORG语义。

3）对形态变化不敏感；在case3中混淆了Venezuelan（委内瑞拉人）和Venezuela（委内瑞拉），把前者误判为GPE。

总结

将NER问题视为MRC问题来解决，并提出使用全局可学习的实例query来代替之前工作中特定的query（最开始没用理解到该模型学习的是代表query的一堆向量，还以为是对一些具体的句子进行学习，还寻思这个怎么去改变句子中的一些词吗？虽然本来具体的问题也会经过encoder后变成embeding，但感觉将具体的问题变为一堆抽象的向量来完成query还挺有意思的，），在多个数据集上达到了sota的效果。

pepsi_w

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
2
评论
PIQN：Parallel Instance Query Network for Named Entity Recognition

将命名实体识别任务作为阅读理解任务（MRC：machine reading comprehensive）来做，存在3个问题1）一类问题只能提取一种实体，对于句子中的多种实体需要多个类别的问题才行；2）这样提取的不同实体之间是相互独立的，忽略了它们之间的联系；3）问题的构建依赖于外部知识库，不使用于有多种实体类型的场景。将NER问题视为MRC问题来解决，并提出使用全局可学习的实例query。
复制链接

扫一扫

专栏目录