AI說話“前言不搭后語”？用邏輯規(guī)則教它們讀懂文章丨字節(jié)AI Lab
教AI讀懂整篇文章
蕭簫 發(fā)自 凹非寺
量子位 報道 | 公眾號 QbitAI
老覺得AI和你說話前言不搭后語？
為了避免AI出現(xiàn)這樣的情況，通常我們在NLP中會用到關(guān)系抽取技術(shù)，用于從非結(jié)構(gòu)化的文本中抽取出結(jié)構(gòu)化的知識，即所謂的關(guān)系三元組。
例如這句話：
英國的哈里王子與他美國的同伴梅根訂婚了。
△句子級別的關(guān)系抽取示例
可以從中抽取2個關(guān)系三元組：
1、哈里、皇室成員、英國
2、哈里，訂婚于，梅根
目前，句子級別的關(guān)系抽取已經(jīng)比較成熟，但文檔級別或是篇章級別的關(guān)系抽取卻要更難。
不少AI，往往沒辦法從整篇文章中熟練地提取上下文信息。
△文檔級別的關(guān)系抽取示例
為此，字節(jié)跳動AI-Lab提出了一個文檔級的關(guān)系抽取框架LogiRE，專門來解決這種“長難篇章”的信息理解挑戰(zhàn)。
一起來看看。
此前方法的局限性
此前，大部分關(guān)系抽取的方法，通常可以被分為兩類：“基于序列”或“基于圖”。
其中，基于序列的工作一般借助預(yù)訓(xùn)練語言模型，得到每個詞的表示，接著使用各種池化的方法得到實體對的表示，再基于這樣的表示做關(guān)系分類。
基于圖的工作，則依賴于一個顯示的圖結(jié)構(gòu)，通過構(gòu)建一個圖來連接文檔中的實體提及，實體以及句子等，之后再利用圖神經(jīng)網(wǎng)絡(luò)，在這些圖上進(jìn)行消息傳遞，抽取特征并進(jìn)行分類。
然而，這兩類方法都存在一些局限性。
一方面，序列模型在處理長距離依賴時會遇到困難，基于圖的模型雖然一定程度上緩解了這一問題，但圖的構(gòu)建卻需要人工確定的規(guī)則先驗，并且只包含一些粗粒度的信息。
另一方面，他們都只能隱式地通過共享的特征抽取來實現(xiàn)對實體關(guān)系之間交互的建模。
在這種情況下，字節(jié)AI Lab的研究人員想到了一個新方法：邏輯規(guī)則。
用“邏輯規(guī)則”來做關(guān)系抽取
這個新提出的框架名叫LogiRE，結(jié)合邏輯規(guī)則與深度神經(jīng)網(wǎng)絡(luò)進(jìn)行文檔級關(guān)系抽取，核心是作為隱變量的邏輯規(guī)則。
其中，邏輯規(guī)則連接了框架中的兩大構(gòu)成單元：規(guī)則生成器?(Rule Generator)?和關(guān)系抽取器?(Relation Extractor)。整個框架的優(yōu)化，采用的是迭代式的EM算法。
具體來說，邏輯規(guī)則被形式化地定義成這樣：
對應(yīng)到關(guān)系抽取中，關(guān)系對應(yīng)規(guī)則中的“謂詞”，實體對應(yīng)“變量”。
對于基于生成規(guī)則的關(guān)系抽取，當(dāng)定義規(guī)則對應(yīng)的分?jǐn)?shù)為確定頭實體和尾實體后，在不同的中間實體選擇下最高路徑得分。
其中，每一條實例化路徑的分?jǐn)?shù)，由路徑上每一個三元組分?jǐn)?shù)的乘積確定。
三元組的分?jǐn)?shù)可以由任意的關(guān)系抽取backbone模型給出。規(guī)則組中所有分?jǐn)?shù)，在經(jīng)過基于sigmoid的邏輯融合之后，即得到對目標(biāo)三元組的最終概率得分。
實驗結(jié)果表明，LogiRE無論是在關(guān)系抽取的性能?(ign F1，F(xiàn)1)?，還是邏輯自洽性?(logic)?上都超過基線。
隨著依賴更長，LogiRE對比基線模型的提升也更明顯，表明它對捕獲長距離依賴確實更具備優(yōu)勢。
此外，邏輯規(guī)則的存在，也使得長距離依賴從詞級別簡化到實體概念級別，又降低了長距離語義建模的難度。
感興趣的小伙伴，可以戳下方論文地址獲取~
論文地址：
https://aclanthology.org/2021.emnlp-main.95.pdf
項目地址：
https://github.com/rudongyu/LogiRE
相關(guān)閱讀
