小布助手在面向中文短文本的实体链指比赛中的实践应用

Posted 2021-08-24 OPPO小布助手

背景介绍

实体链指是指对于给定的一个文本（如搜索 Query、微博、对话内容、文章、视频、图片的标题等），将其中的实体与给定知识库中对应的实体进行关联。实体链指一般有两种任务设计方式：Pipeline 式和端到端式。

 

任务抽象方式

 

赛题说明

百度飞桨举办的 千言数据集：面向中文短文本的实体链指任务给出了中文短文本、短文本中的 mention 以及对应位置，需要预测文本中 mention 对应实体在给定知识库中的 id，如果在知识库中没有对应实体即 NIL，需要再给出实体类别。

训练集数据共 7W 条，query 平均长度 22，包含 26W 个 mention，每个 mention 有 6.3 个候选实体，被链接到的 NIL 实体有 3W 个，其中 1.6W 在知识库中有同名实体。可以发现有三个特点：

• 文本长度短，上下文信息有限

• 候选实体数量多

• NIL 数量多，占比超过了 10%

模型方案

这次比赛已经给出了 mention 信息，我们只需要考虑两个任务：实体消歧和 NIL 分类。任务的关键有以下几点：如何设计输入样本、如何设计模型结构、NIL 实体如何与其他实体一起排序、如何挖掘更丰富和多维度的特征等。

样本构造

我们选取了 ERNIE、RoBERTa 等预训练语言模型进行语义特征抽取，将需要链指的文本和实体描述信息用[SEP]符号拼接，作为模型的输入。

query 样本构造：query 样本输入时需要将 mention 的位置信息传入模型，让模型能判断 mention 在 query 中的具体位置，例如：“海绵宝宝：海绵宝宝和派大星努力工作，两人来到高速公路上！”中出现了两次海绵宝宝，分别链接到了动画片《海绵宝宝》和动画人物海绵宝宝，需要加以区分。为了解决这一问题我们通过引入标识符将位置信息传入，在 mention 两边加入统一的标识符“#”，样本如下：

 

 

实体描述样本构造：数据库中的实体包含了实体的标准说法 subject，实体的类型 type 和实体的一些相关 SPO 信息。构造样本时将 mention 字段和实体标准名用“-”拼接作为输入，强化标准名和 mention 是否相同这一特征。实体类型是消歧重要的信息，我们构造了“类型：实体类型”这种描述，提供实体类型信息，为了防止截断，将其放在实体标准名之后。SPO 信息只使用了属性值，这样可以使超过最大输入长度的样本数量减少 35%。

 

 

统计特征样本构造：数据和特征决定了模型的上界，为了丰富模型输入，将实体类型、实体长度、mention 长度、实体和 mention 的 Jaccard 相似度等特征进行 embedding 了之后，和模型输出的特征向量拼接。

 

模型结构

实体消歧本质上是对候选实体进行排序的过程，使用 query 和实体信息作为输入，对候选实体进行排序，给出候选实体分数，选出 TOP1 实体。在排序学习中，有三种常见模式 pointwise，pairwise 和 listwise，对于实体消歧这种只需要 TOP1 的排序任务，并不需要考虑候选实体之间的顺关系，只考虑全局相关性，因此我们选取了 pointwise 方法。

 

排序学习模型示意

 

实体分类任务和实体链指任务看起来没有直接联系，但是 Shuang Chen [2] 提出当可以预测出 mention 的类型时，消歧就相当容易。因此我们设计了多任务模型框架，同时进行排序和分类，两个任务共享模型参数，一起训练，损失函数一起优化，通过共享排序任务和分类任务的信息，模型可以有更好的表现，多任务损失函数如下。

 

 

最终我们模型结构如下，将 query 和实体描述拼接，输入预训练语言模型，将 CLS、mention 开始和结束位置的向量拼接作为特征向量。排序任务将特征向量输入全连接层，然后经过 tanh 最终输出[-1,1]区间的分数，分数越高代表越有可能是目标实体。分类任务将特征向量输入全链接层，经过 softmax 层输出各个分类的得分。

 

实体链指和分类模型结构

 

模型优化

数据清洗

基于置信学习数据清理：分析数据集我们发现，数据之中存在部分标注错误，根据 Northcutt [6] 置信学习的思想，我们在原始数据上用 n-flod 方式训练了 5 个模型，用这些模型预测原始训练集的标签，然后融合 5 个模型输出的标签作为真实标签，再从原始训练集中清理真实标签与原标签不一致的样本，根据经验清理的样本数量最好不大于 10%。

NIL 实体排序方式实验

实体消歧过程中 NIL 实体如何和其他实体一起排序，是单独作为一个分类任务，还是将 NIL 转换为特定类型的实体参与排序，针对这个问题，我们设计了三种方案：

• 方案 1：只对知识库中存在的实体进行排序，当 top1 的 score 小于阈值时，认为是 NIL 实体；

• 方案 2：构造 NIL 实体样本“mention-mention,类型:未知类型”，例如：“英雄三国-英雄三国，类型：未知类型”，表示该实体是一个未知实体。预测和训练时，所有 mention 候选实体中增加一个未知实体，参与排序；

• 方案 3：将所有候选实体拼接，和 query 样本一起输入模型进行分类，判断是不是 NIL 实体，理论上这样可以带来更多全局信息。考虑到训练速度，我们先用 1)中的方案进行排序，然后将 top3 的实体描述拼接，训练一个分类模型。

对抗训练

对抗训练流程示意

 

对抗训练是指在模型的训练过程中构建对抗样本，参与模型训练的方法。正常训练过程中，如果梯度方向陡峭，那么很小的扰动都会产生很大的影响。为了防止这种扰动，对抗训练在模型训练的过程中使用带扰动的对抗样本进行攻击，从而提升模型的鲁棒性。我们实验了 FGM 和 PGD 两种生成对抗样本的方式。

 

对抗样本生成代码

 

实验结果分析

模型可解释性

可解释性建模示意

 

在训练完模型后，我们首先会想要知道模型学到了哪些特征。C Guan [7] 提出了一种基于互信息的可视化方法，这种方法相较其他可视化方法，具有普适性和一贯性的特点，即解释指标有明确的意义，同时又能比较神经元之间、层与层之间和模型与模型之间的差异。

 

可解释性建模代码

 

为了了解模型到底关注哪些输入特征，我们基于 Paddle2.0 复现了该算法，对各个词的重要程度进行了可视化，颜色越深重要程度越高。通过可视化发现，模型倾向于关注实体的类型和用来区分实体的片段，例如示例 1 吃得慢、食物、吃法、火腿肠，示例 2 中的珊迪、海绵宝宝、开关电源品牌。示例 3 种的人物、种族、梦三国等，可以看到多任务模型关注的特征都是对消歧有帮助的。

 

实验结果分析

相关实验中参数配置如下：ERNIE 和 BERT 的模型 batch size 为 64，初始学习率为 5e-5，max_seq_length 为 256，RoBERTa-Large 的模型 batch size 为 32，初始学习率为 1e-5，max_seq_length 为 256，均采用了基于指数衰减的学习率衰减策略。

对比不同预训练模型和置信度学习的结果，发现模型效果 RoBERTa-Large > ERNIE+置信度学习>ERNIE>BERT。可以看到 ERNIE 专门针对中文数据进行了任务优化，确实比 BERT 的效果更好，但是 ERNIE（12 层）和 RoBERTa-Large（24 层）的对比说明了一寸长一寸强，更多的参数可以有更好的表现。

 

表1 预训练模型对比

 

对比单任务和多任务时，我们使用了基于 ERNIE 的模型。通过对比多任务和单任务的模型效果，我们发现多任务不但流程简单，而且效果也比单任务联合好。排序时模型需要借助类型信息判断 mention 与候选实体是否一致；NIL 分类时能学习到知识库中其他候选实体的信息，所以两个任务共享参数可以使模型提取到两个任务的共性，提升模型效果。

 

表2 单任务和多任务对比

 

从模型 1、2、3 可以看到对抗学习是一种通用的模型优化方法，在各种模型上都有明显提升，但是 FGM 和最强一阶对抗方式 PGD 实体链指任务上差距并不明显。

 

表3 对抗学习效果

 

NIL 不同方式参与排序的实验中，我们发现使用构造 NIL 样本参与匹配和对排序 TOP1 的 score 卡阈值这两种方式结果差别不大，AUC 分别为 0.97 和 0.96，训练 NIL 分类器的 AUC 仅为 0.94，猜测是因为对候选实体进行 top3 采样时，已经有了误差积累。

 

NIL不同方式参与排序的ROC曲线

 

通过将表现好的模型进行融合我们在 dev 测试集上的 F1 达到了 88.7，在 A 榜数据集 F1 达到 88.63，在 B 榜数据集 F1 达到 91.20，最终排名第二。

小布助手的探索

小布助手每天处理千万级别的用户问题，其中涉及实体词的 query 高达 30%。这些由不同人发出的真实对话里，既包含千人千面的主观表达，更包含大量的创新词汇，多义词，同义词，同时也经常会面对“李白是谁”、“我要听《李白》”这类 mention 有歧义的问题。

 

小布助手实体链指流程

 

小布助手的技术积累不仅帮助我们在比赛中名列前茅，而且已经帮用户解决“哥哥的代表作”、“李白是谁”、“我要听《李白》”等常见而语音助手又极易误解的用户问题。黑格尔说过：人是靠思想站立起来的。思考赋予人类尊严，驱动文明不断向前。小布助手汇聚无数背后英雄的思想，也在默默努力，然后用有趣贴心有灵魂惊艳所有人。

 

赛后感想

工欲善其事，必先利其器，本次比赛使用了飞桨 2.0 框架进行训练，动态图模式下程序可即时执行并输出结果，提高了编码效率。借助百度的 PaddleNLP 工具包，可以无缝切换 ERNIE、BRART、RoBERTa 等预训练模型，非常适合比赛时快速实验。

PaddleNLP 工具包链接：https://github.com/PaddlePaddle/PaddleNLP

这次比赛的赛题也很值得探索，实体消歧和分类两个任务如何有机结合，可以做很多尝试。一个实体链指任务就有抽象成多种方式，足以见得兵无常势，水无常形，我们在解决算法问题时，要跳出思维定势，尝试从不同的角度去抽象问题，找到最佳的解决方案。

本项目链接：

除了实体链指任务，千言项目还有情感分析、阅读理解、开放域对话、文本相似度、语义解析、机器同传、信息抽取等方向持续打榜中。

传送门：

https://www.luge.ai/

参考文献

[1]Deep Joint Entity Disambiguation with Local Neural Attention. Octavian-Eugen Ganea, Thomas Hofmann.

[2]Improving Entity Linking by Modeling Latent Entity Type Information,Shuang Chen, Jinpeng Wang, Feng Jiang, Chin-Yew Lin.

[3]End-to-End Neural Entity Linking. Nikolaos Kolitsas, Octavian-Eugen Ganea, Thomas Hofmann.

[4] Improving Entity Linking by Modeling Latent Entity Type Information. Shuang Chen, Jinpeng Wang, Feng Jiang, Chin-Yew Lin.

[5]Towards Deep Learning Models Resistant to Adversarial Attacks. A Madry, A Makelov, L Schmidt, D Tsipras.

[6]Confident Learning: Estimating Uncertainty in Dataset Labels. Curtis G. Northcutt, Lu Jiang, Isaac L. Chuang.

[7]Towards a Deep and Unified Understanding of Deep Neural Models in NLP. Chaoyu Guan, Xiting Wang, Quanshi Zhang, Runjin Chen, Di He, Xing Xie.

作者介绍

樊乘源

OPPO 小布助手 NLP 工程师

负责对话和知识图谱相关工作，研究方向包括意图分类、序列标注、关系抽取、实体链指等。