文章目錄

• 1.introduction
• 2.相關(guān)工作
• 3. 本文model
• • 3.1general model
  • 3.2 mention represent
  • 3.3 context model
  • • 3.3.1 averaging encoder
    • 3.3.2 LSTM encoder
    • 3.3.3 Attention Encoder
• 4. 實驗

在這項工作中，我們提出了一種新的基于注意的神經(jīng)網(wǎng)絡(luò)模型來完成細粒度實體類型分類的任務(wù)。我們的模型在現(xiàn)有的FIGER數(shù)據(jù)集上獲得了74.94%的微F1-分數(shù)，相對提高了2.59%。我們還研究了我們的模型的注意機制的行為，并觀察到它可以學(xué)習(xí)表明實體的細粒度類別成員關(guān)系的上下文語言表達式

1.introduction

• 遞歸地組合實體上下文的表示
• 本文貢獻
  • 細粒度實體類型分類的第一個遞歸的模型，該模型學(xué)會遞歸地組合每個mention和上下文的表示，并在數(shù)據(jù)集上取得最先進的性能上。
  • 通過將注意機制合并到我們的模型中，我們不僅可以獲得更好的性能，還可以觀察到模型學(xué)習(xí)了表示實體的細粒度類別成員關(guān)系的上下文語言表達式

2.相關(guān)工作

據(jù)我們所知，

• Lee等人(2006)是第一個解決細粒度實體類型分類任務(wù)的人。他們定義了147個細粒度實體類型，并在一個手動注釋的韓國數(shù)據(jù)集上評估了一個基于條件隨機字段的模型。
• Sekine(2008)主張實體類型分類需要大量的類型集合，并定義了200個類型，作為將來細粒度實體類型分類工作的基礎(chǔ)
• Ling和Weld(2012)在Freebase的基礎(chǔ)上定義了112種類型，并使用Mintz等人(2009)提出的遠程監(jiān)控方法從Wikipedia創(chuàng)建了一個培訓(xùn)數(shù)據(jù)集。為了進行評估，他們創(chuàng)建了一個小型的手工注釋的報紙文章數(shù)據(jù)集，并證明了他們的系統(tǒng)FIGER可以通過提供細粒度實體類型預(yù)測作為特性來改進關(guān)系提取系統(tǒng)的性能。
• Yosef等人(2012)將505種類型進行了分級分類，其中數(shù)百種類型處于不同的級別。在此基礎(chǔ)上，他們開發(fā)了一個多標(biāo)簽分級分類系統(tǒng)。
• 在Yogatama等人(2015)中，作者提議使用標(biāo)簽嵌入來允許相關(guān)標(biāo)簽之間的信息共享。這種方法改進了FIGER數(shù)據(jù)集，并且證明了細粒度的標(biāo)簽可以作為特性來改進粗粒度實體類型的類化性能。
• Del Corro等人(2015)引入了迄今為止最細粒度的實體類型分類系統(tǒng)，它在整個WordNet層次結(jié)構(gòu)上運行，有超過16000個類型。
• 以前所有的模型都依賴于手工制作的特征，
• Dong等人(2015)定義了22種類型，并創(chuàng)建了兩部分神經(jīng)分類器。他們使用遞歸神經(jīng)網(wǎng)絡(luò)遞歸地獲得每個mention實體的向量表示，并使用固定大小的窗口捕獲每個提及的上下文。我們的工作和他們的工作的關(guān)鍵區(qū)別在于，我們使用遞歸神經(jīng)網(wǎng)絡(luò)來組成上下文表示，并且我們使用注意力機制來允許我們的模型關(guān)注相關(guān)的表達式。

3. 本文model

• 這篇文章最核心的地方來了，也是用RecNN（遞歸神經(jīng)網(wǎng)絡(luò)）來表示向量，然后用了attention，并且，是用了一個窗口來獲取上下文的
• $l_1,l_2,...,l_C,m_1,m_2,...,m_M,r_1,...,r_C,C是windowsize,l,r是上下文，mi是一個mentionword$
• 我們的模型學(xué)習(xí)mention比學(xué)習(xí)上下文容易–>泛化性能差
• –》用不同的模型來建模mention和上下文

3.1general model

• 這是先分別計算mention和兩邊的context的表達，然后拼接起來，然后乘以權(quán)重，再邏輯回歸層（Sigmoid)
• 無偏置的原因
  • 請注意，我們在上述公式中沒有包含偏倚項，因為訓(xùn)練和測試語料庫中的類型分布可能由于域差異而存在顯著差異。也就是說，在邏輯回歸中，偏差與訓(xùn)練集中類型的經(jīng)驗分布相吻合，這將導(dǎo)致在具有不同類型分布的測試集中的糟糕表現(xiàn)。（經(jīng)驗主義）
• 損失函數(shù)

3.2 mention represent

V：vocabulary
u：V->R—embedding
在我們的實驗中，我們驚訝地發(fā)現(xiàn)，與Dong等人(2015)的觀察結(jié)果不同，與上面描述的簡單模型相比，復(fù)雜的神經(jīng)模型不能很好地學(xué)習(xí)提及表征。一個可能的解釋是標(biāo)簽訓(xùn)練集和測試集之間的差異。例如,時間標(biāo)簽分配給一星期的天(例如周五,周一和周日）是測試集合,但不是在訓(xùn)練集,而明確的日期(例如2月24日和6月4日)被分配的時間標(biāo)簽的訓(xùn)練集和測試集。這可能是有害的對于復(fù)雜模型由于其傾向overfit訓(xùn)練數(shù)據(jù)。—測試集和訓(xùn)練集時間標(biāo)簽不一樣，復(fù)雜模型過擬合導(dǎo)致結(jié)果不好

3.3 context model

比較了三種方法

3.3.1 averaging encoder

3.3.2 LSTM encoder

• 左、右上下文使用一個lstm cell進行遞歸編碼
• $l_1,l_2,...,l_C??得到h_1^l,...,h_C^l$
• $r_C,...,r_1??得到h_1^r,...,h_C^r$

3.3.3 Attention Encoder

雖然LSTM可以對順序數(shù)據(jù)進行編碼，但它仍然很難學(xué)習(xí)長期依賴關(guān)系。受最近自然語言處理中注意力機制的研究啟發(fā)(Hermann et al.， 2015;我們通過引入一種新的注意力機制來規(guī)避這個問題。我們還假設(shè)，通過引入注意機制，該模型可以識別分類的信息表達，使模型行為更具可解釋性。

• 用attention:為了處理長期依賴關(guān)系。使有可解釋性
• 首先，對于左右上下文，我們使用雙向編碼序列
  LSTMs（每一個位置都有個雙向的表達）
  
• 其次：
  • ai關(guān)注度–已經(jīng)normalize
  • 我們將這些標(biāo)準(zhǔn)化標(biāo)量值ai∈R稱為關(guān)注度。最后，我們以雙向LSTMs輸出層的加權(quán)和作為上下文的關(guān)注人工智能加權(quán)表示
    

4. 實驗

• 使用預(yù)訓(xùn)練word embeddings(300d)
• measure
• 也就是說這N和標(biāo)簽中，兩個標(biāo)簽相同的，占多少，計數(shù)
• 超參數(shù)設(shè)置
  • Dm=300維度的word embedding
  • lstm隱層：Dh=100
  • attention module的隱層Da=50
  • 學(xué)習(xí)率=0.005
  • mini-batch size=1000
  • dropout=0.5–正則化項
  • window:
    • mention M=5
    • context C=15
      值得注意的是，我們的方法并不局限于使用固定的窗口大小，而是一個由當(dāng)前處理動態(tài)寬度遞歸神經(jīng)網(wǎng)絡(luò)時所使用的機器學(xué)習(xí)庫的局限性而產(chǎn)生的實現(xiàn)細節(jié)。對于每個epoch，我們對訓(xùn)練數(shù)據(jù)集迭代10次，然后評估開發(fā)集上的模型性能。在訓(xùn)練之后，我們挑選出最好的模型

表2是在人工選出的數(shù)據(jù)上進行的（開發(fā)集）

總結(jié)

以上是生活随笔為你收集整理的论文学习4-An Attentive Neural Architecture for Fine-grained Entity Type Classification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。