1. 問題

• 句間關(guān)系
  • 很多
  • 約等于文檔級關(guān)系抽取
• 文檔級關(guān)系抽取
  • 句子間關(guān)系多
    • 生物醫(yī)藥領(lǐng)域尤其多
  • 需求/困難
    • 整合同一文檔不同句子間的信息
    • 處理句間實(shí)體復(fù)雜的交互

2.相關(guān)工作

• 文檔級別關(guān)系抽取

  • 結(jié)論：
    • 實(shí)體mention之間的交互促進(jìn)推理過程（文檔級關(guān)系抽取中）
      • 因而使用MIL
  • MIL
    • Verge2018,Jia2019
    • 缺點(diǎn)：
      * 無法捕捉豐富的非局部交互
  • 使用結(jié)構(gòu)信息獲取更好的推理
    • 優(yōu)點(diǎn)：可以捕捉到非局部依賴
    • 整合不同句子的信息
    • 構(gòu)建靜態(tài)的文檔級別圖
      • 來源：非結(jié)構(gòu)化文本
      • 依賴：規(guī)則和共指消解
        • 語義信息
        • co-references
        • heuristics:啟發(fā)式
      • eg
        • Peng2017:構(gòu)建依賴圖：句間，多元實(shí)體
        • Sahu,2019:用共指消解擴(kuò)展了Peng的圖，構(gòu)建了文檔級別的圖
        • Christopoulou，2019利用結(jié)構(gòu)信息基于一組啟發(fā)式構(gòu)建一個異構(gòu)圖，并使用一個特定于邊的模型

• 句子內(nèi)關(guān)系抽取

• 句子間關(guān)系抽取

  • Peng:句間關(guān)系多，尤其是生物醫(yī)藥領(lǐng)域
  • 生物醫(yī)藥領(lǐng)域
    • l (Quirk and Poon, 2017;
    • Gupta et al., 2018;
    • Song et al., 2019)

3.本文方法

• 本文模型：LSR
  • 構(gòu)建隱式文檔級別圖
    • 自動的
    • 目的：加強(qiáng)句子間的關(guān)系推理
      • 捕捉實(shí)體間的非局部交互
    • 構(gòu)建：
      • 不依賴于規(guī)則和共指消解
      • 將圖結(jié)構(gòu)視作隱式的變量，并以端到端的形式引入它
      • 基于：結(jié)構(gòu)化的attention
      • 使用：矩陣樹理論
      • 可以：生成一個任務(wù)特定的依賴結(jié)構(gòu)
    • 進(jìn)一步：迭代的細(xì)化策略：
      • 目的：使得模型能夠增量地聚合多條推理的相關(guān)信息
      • 做到:基于上一次迭代，動態(tài)第構(gòu)建隱式結(jié)構(gòu)
  • 組件
    • node constructor
      • encoder：文檔中的每個句子編碼表示-上下文的表示
      • node:最短依賴路徑的mention和tokens的向量表示作為node
    • dynamic reasoner
      • 生成結(jié)構(gòu)：基于被提取的節(jié)點(diǎn)生成文檔級結(jié)構(gòu)
      • 更新node表示：
        • 基于隱式結(jié)構(gòu)上的信息傳遞
        • 迭代細(xì)化
    • classifier
      • 分類：節(jié)點(diǎn)最后的表達(dá)被用于計(jì)算分類的分?jǐn)?shù)

3.1 Node constructor

• encoder：文檔中的每個句子編碼表示
• node:最短依賴路徑的mention和tokens的向量表示作為node
  • mention node
  • entity node
  • meta dependency paths node（MDP）
    • 所有mentions最短依賴路徑的集合
    • token–>node

3.1.1 context encoding

• 文檔d，文檔內(nèi)句子$d_i$
• 編碼器：LSTM(BiLSTM)/Bert
  • BiLSTM
    • $h_j^i=LST{M}_l(h_{j+1}^i,{\gamma }_j^i)$
    • $h_j^i=LST{M}_l(h_{j?1}^i,{\gamma }_j^i)$
    • j-di中的第j個token
    • $\gamma :wordembedding$
    • $h_j^i=[h_j^i;h_j^i]$

3.1.2 Node Extraction

• node:最短依賴路徑的mention和tokens的向量表示作為node
  • mention node
  • entity node
    • mentions的平均
  • meta dependency paths node（MDP）
    • 所有mentions最短依賴路徑的集合
    • token–>node
• 構(gòu)建圖
  • Sahu:使用一個句子的依賴樹中的所有節(jié)點(diǎn)
  • Christopoulou:通過對句子的所有標(biāo)記求平均來構(gòu)建一個句子級別的節(jié)點(diǎn)
  • 或者:使用mention之間的最短依賴路徑上的tokens
    • 這個廣泛用于句子級關(guān)系抽取，因?yàn)樗梢杂行褂孟嚓P(guān)信息，忽視無關(guān)信息

3.2 Dynamic Reasoner

• structure induction
  • 學(xué)習(xí)隱式的文檔級圖結(jié)構(gòu)
• multi-hop reasoning
  • 在圖上推理
  • 更新節(jié)點(diǎn)表示（基于信息傳遞）
• 迭代
  • N blocks
  • 為了迭代細(xì)化隱式的文檔級圖，為了更好的推理

3.2.1 Structure Induction

• 不依賴于規(guī)則和共指消解
• 將圖結(jié)構(gòu)視作隱式的變量，并以端到端的形式引入它
• 基于：結(jié)構(gòu)化的attention
• 公式
  • node:$u_i,u_j$上下文表示
  • pair-wise unnormalized attention score
    • $s_{ij}=(tanh(W_p{u}_i){)}^T{W}_b(tanh(W_c{u}_j))$
      • 2個ff
      • 1個bilinear transformation
    • root score$s_i^r=W_r{u}_i$–第i個節(jié)點(diǎn)被選作root的概率
    • 邊的權(quán)重$P_{ij}=\{\begin{array}{ll}0& \text{if?i=j}\\ exp(s_{ij})& \text{otherwise}\end{array}$
    • 拉普拉斯矩陣
      • $L_{ij}=\{\begin{array}{ll}{\Sigma }_{i^{\prime }=1}^n{P}_{i^{\prime }j}& \text{if?i=j}\\ ?P_{ij}& otherwise\end{array}$
      • variant: $\widehat{L_{ij}}=\{\begin{array}{ll}exp(s_i^r)& \text{if?i=1}\\ L_{ij}& \text{if?i>1}\end{array}$
  • marinal probability of the dependency edge:
    • $A_{ij}=(1?{\delta }_{1,j})P_{ij}[\widehat{L^{?1}}{]}_{ij}?(1?{\delta }_{i,1})P_{ij}[\widehat{L^{?1}}{]}_{ji}$
    • 輸出給下一組件

3.2.2 Multi-hop Reasoning

• GCN
  • dense connection
    • 捕捉到更多結(jié)構(gòu)信息
    • 幫助訓(xùn)練更深的網(wǎng)絡(luò)
      • –獲取更豐富的局部和非局部的信息
  • $u_i^l=Relu({\Sigma }_{j=1}^n{A}_{ij}{W}^l{u}_i^{l?1}+b^l)$

3.2.3 Iterative Refinement

• structured attention誘導(dǎo)的圖結(jié)構(gòu)不足
  • 相對較淺
  • 無法建模復(fù)雜的依賴
• 解決：在更新后的表示上細(xì)化圖
  • 堆疊N個動態(tài)reasoner
    • 誘導(dǎo)N次圖
    • 早期：更多的是相鄰的信息
    • 迭代多了之后，結(jié)構(gòu)獲得了更豐富的非局部信息的交互，因而誘導(dǎo)模塊能夠生成包含更多信息的結(jié)構(gòu)

3.3 分類器

$$P(r|e_i,e_j)=\sigma (e_i^T{W}_e{e}_j+b_e{)}_r$$

4.結(jié)果

• 數(shù)據(jù)集：
  • DocRED
    • F1:59.05\
  • CDR
  • GDA
• DocRED結(jié)論
  • 該模型可以更準(zhǔn)確地發(fā)現(xiàn)句間關(guān)系
    • 靜態(tài)的基于文檔圖的模型不能夠捕捉到復(fù)雜的交互
    • LSR比動態(tài)的基于局部attention的模型能夠得到更多信息的文檔級結(jié)構(gòu)，獲得更好的推理
  • 直接編碼整個文檔的模型不能夠捕捉到句間關(guān)系
  • 好于Bert：捕捉到了長期依賴，而沒有使用上下文的模型
• CDR
  • LSR 打不過：
    • Spacy在生物領(lǐng)域很弱，所以不行
  • 簡化的LSR:去除MDP,使用全連接圖
    • 打不過Li2016b:因?yàn)樗昧祟~外的無標(biāo)簽訓(xùn)練數(shù)據(jù)進(jìn)行co-training
      • 本文要是用了的話他也行（他自己說的）
• GDA:
  • Christopoulou2019全連接圖的變體：他的句間關(guān)系好于句內(nèi)關(guān)系，因?yàn)樗雎粤瞬煌渥娱g的差異（當(dāng)一個句子處理了）

4.6.1 Latent Structure Matter的有效性

• 相同block num下，效果最好，證明了有效

4.6.2 細(xì)化

• 第二次迭代時（2個block)最好，所以細(xì)化有效，但是太多次就會過擬合。

4.7 Ablation Study

• Structure Induction
  • 去掉這個性能下降最多，且都是句間關(guān)系抽取性能下降的結(jié)果
  • 隱式結(jié)構(gòu)有用

4.8 Case Study

總結(jié)

以上是生活随笔為你收集整理的【ACL2020】Reasoning with Latent Structure Refinement for Document-Level Relation Extraction的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。