ICLR 2021 | Autoregressive Entity Retrieval

Posted 2021-05-20 JasonLiu1919

基本信息

标题：
Autoregressive Entity Retrieval

机构：
阿姆斯特丹大学、Facebook AI Research、巴黎高师、巴黎文理研究大学、法国国家信息与自动化研究所、英国伦敦大学学院

作者：
Nicola De Cao, Gautier Izacard, Sebastian Riedel, Fabio Petroni

论文代码：
https://github.com/facebookresearch/GENRE

论文地址：
https://arxiv.org/abs/2010.00904
https://openreview.net/forum?id=5k8F6UU39V

摘要

实体是表示和聚合知识的中心。比如，维基百科、百度百科等百科全书皆由实体构成。对于给定的query检索出对应实体的能力是知识密集型任务(如实体链接和开放域问答)的基础。实体检索的一种方法常见方法是将其转为multi-class分类任务，设计分类器对每个实体进行原子级打标签。通过 encode 实体元信息(如描述信息)产生对应的稠密实体表征。这类方法有如下缺点：

• 上下文和实体的关系主要通过向量点积获取，可能会丢失两者之间的细粒度交互
• 涉及大型实体集时需要大量内存存储实体的稠密表征
• 训练时必须对负样本中的hard样本进行适当的二次抽样

文章提出一种名为 GENRE (for Generative ENtity REtrieval)的系统，该系统通过生成实体名的方式实现实体检索。GENRE以从左到右，token-by-token 的自回归方式生成实体名称且生成的结果受上下文影响。GENRE能够缓解上述所提到的技术问题：

• (1) 自回归方式使得可以直接捕获上下文和实体名称之间的关系，并能对两者进行有效地交叉编码
• (2) 采用encoder-decoder架构使得参数规模随词汇表大小而非实体量多少而缩放，因此内存占用大大减少
• (3) 可以准确高效计算softmax损失，而无需对负样本进行子采样

在实体消歧、端到端实体链接和文档检索任务的20多个数据集上对 GENRE 进行了实验，结果表明GENRE的有效性。GENRE以很少的内存占用取得SOTA或非常有竞争力的结果。

简而言之，GENRE的核心是通过seq2seq方法生成有意义的实体名称从而实现实体链接，而且效果还很好！

介绍

所谓实体检索是对于一个给定的源文本(也可以是query)从实体集合(其中每个实体都是知识库中的一个条目)中返回与其最相关的实体。当前多数的实体检索系统一般是将实体与唯一的原子标签相关联，并将实体检索任务转为multi-class分类。通过bi-encoder对输入和标签进行编码，再计算两者稠密向量(一般是输入和实体的元信息，比如标题和描述)的点积得到匹配得分，最后从大型实体数据库中检索出目标结果。这类方法存在以下缺点：

• 除非使用昂贵的交叉编码器(cross-encoder)进行重排序，否则点积可能会丢失输入和实体元信息之间的细粒度交互信息
• 存储整个知识库的稠密向量需要很大的内存，特别是在真实的场景中(例如，将约6M的全部Wikipedia页面存储为1024维向量，需要占用约24GB的内存)，并且随着新实体的增加，其内存消耗呈线性增长
• 在所有实体上精确计算softmax代价很高，因此当前系统的解决方案是在训练阶段对负样本进行子采样。然而适当地调优出一组hard级别负样本很有挑战性且非常耗时
• 现有系统可能会遇到冷启动问题，因为无法表征尚未收集到足够信息(比如以文本描述或一组与现有实体的关系的形式)的实体

把实体标识符当作分类器中的原子标签来处理，忽略了这样一个事实，即我们经常有明确的、高度结构化的和复合的实体名称。例如，维基百科用独特的标题与文章联系起来(文章这里使用实体名称来指代相应的维基百科文章标题)，所以文章标题也可作为实体的唯一标识符。文章标题可能有主题名称或其主题的描述，以及潜在的独特信息可以用来消除歧义。具体示例如Figure 1所示。

这些实体名称通常以可预测和规则的方式与实体提及(mention)的上下文进行交互。文章总结了6种实体名称与mention的匹配情形：

• 实体名称与mention相同，如Figure 1f
• 实体名称由上下文中的token组成，如Figure 1b
• 实体名称指定mention的类型信息，如Figure 1a
• 实体名称是mention的变换，如Figure 1c
• 实体名称是规范化后的mention，比如mention的别名，如Figure 1d
• 实体名称可能需要存储在模型参数中的事实知识，如Figure 1e

以Figure 1b的例子(属于第2种类型)进行展开说明。该例子中实体名称由context中的tokens组成，此处实体名称是Ōwhango railway station ，由context中的token Ōwhango 与 mention的字符串：railway station组成。综合以上6种情形可以看出，输入可以逐字翻译(或者说转换)成唯一的实体名称，而不是在一大堆候选项中进行分类。这6种类型说明实体名称和带mention的input之间存在着某种形式的映射，因此对于一个mention+context或者输入，是有可能采用生成的方式将其中的mention转换为一个唯一的实体名称的。

文章提出一种名为 GENRE (for Generative ENtity REtrieval)的模型，该模型首创一种利用seq2seq的体系结构和基于上下文的自回归方式生成实体名称的entity retriever(实体检索器)。具体来说，GENRE使用了transformer-based的BART预训练模型并在微调阶段生成实体名。这种体系结构在一定程度上保留了事实知识和语言翻译技能。而这两个属性都是 entity retriever 的理想属性。当然，生成的输出可能并不总是有效的实体名。为此，GENRE 采用了一种受限(或者说是带约束)的解码策略，强制生成的每个名称都在预定义的候选集中。GENRE 有以下优点：

• 自回归的范式使得GENRE能够直接捕获上下文和实体名称之间的关系，并且能有效地交叉编码
• 所需的内存占用比当前系统小几个数量级，因为序列到序列模型的参数与词汇表大小成线性关系，而非实体数量
• 准确高效地计算每个输出token的softmax(即，所有非标准token被认为是负样本)，从而避免了对负样本进行下采样
• GENRE无需访问除标题之外的任何关于实体的显式元信息，因此，只需将它们明确的名称添加到候选集合，就可以实现新实体的添加

模型

文章将实体检索任务定义成一个sequence-to-sequence任务，从而生成文本实体标识符(即实体名称)。对于输入,要生成其对应的实体，并且属于知识库中的候选实体集合。利用BART预训练语言模型计算输入与每个候选实体的log-likelihood得分，然后按照分数取top-N个候选实体。以自回归方式计算得分：
$$\mathrm{score}(e\mid x)=p_{\theta }(y\mid x)=\prod _{i=1}^N{p}_{\theta }\left(y_i\mid y_{<i},x\right)$$
其中$e$是实体集合中的实体，$y$是组成实体$e$的N个token，$\theta$是模型的参数，$x$是输入的源文本(比如query)。使用标准的seq2seq目标函数(即最大化输出序列的likelihood)训练 GENRE。 具体来说，文章使用了神经机器翻译的典型目标函数，即最大$\log p_{\theta }(y\mid x)$的模型参数θ。由于损失函数通过因式分解可以精确计算，因此不需要负采样来进行近似。简而言之，GENRE通过fine-tune BART模型来生成实体名称。

受限 Beam Search

GENRE 在decode阶段并没有在Wikipedia的所有实体(约6M)进行搜索，而是采用了beam search策略。具体来说，beam search 中的top-k设置为10，所以只从top10个实体中进行选择。传统的beam search解码允许每个位置可以是任意的token，如此无法保证生成的实体一定属于知识库。为确保生成的实体在知识库中，文章提出一种受限的Beam Search，从而强制只解码出有效的实体名称。在解码过程中，Beam Search 只考虑提前一步，所以解码时只能以前一步为条件控制下一个token的生成。因此，文章通过前缀树定义受限条件，树上的每一个节点表示词表中的一个token，节点的孩子表示所有可能的后续tokens。下图是前缀树的一个例子：

从上图可以看出Enligh这个token的后续tokens是language和literature，则解码时Enligh的下一个token只能从language和literature中选择。

自回归的端到端实体链接

在实体消歧和页面级的文档检索任务上，直接将数据集输入到语言模型即可，但是生成式的端到端实体链接任务相对复杂。所谓的端到端实体链接是给定一个文档，系统需要检测其中的entity mentions，并将mentions链接到知识库中相应的实体。比如输入是 In 1503, Leonardo began painting the Mona Lisa, 则需要模型检测出其中的mention是 Leonardo 和 Mona Lisa，然后将其链接到知识库中的实体 Leonardo da Vinci 和 Mona Lisa 。为此，GENRE 进一步扩展了其自回归框架使其能够进行实体链接，这就要求能够同时检测和链接实体。

由于mention的文本形式千变万化(free-form)，很难预定义所有mentions的前缀树，即使做到搜索空间也会非常大。因此文章采用动态解码的方案。具体示例如Figure 2所示。

每个生成步骤的 decoder 可能生成3种结果：mention span 、mention 链接的实体和输入源。在生成 mention/实体 阶段之外，decoder 有两个可能:(1)从输入源直接复制下一个token (2)生成mention 的起始token(即’[’)，这使得decoder进入mention生成阶段。在生成 mention 时，decoder 也有2种可能：(1)从输入源中拷贝生成mention的下一个token (2)生成 mention的终止token(即’]’)，这使得 decoder 进入实体链接阶段。生成实体时，decoder使用之前所说的前缀树以确保输出一个符合要求的实体。最后生成")"结束实体生成。

实验结果

文章在实体消歧、端到端实体链接和文档检索任务的20多个数据集上对 GENRE 进行了实验，实验结果表明 GENRE 确实高效可行。GENRE 非常能打，以很少的内存即可取得SOTA或非常有竞争力的结果。

实体消歧

GENRE 在在6个实体消歧数据集上的性能提升整体较小，Micro F1只比之前的SOTA高出了0.8。具体如 Table 1所示。由于对这些实体消歧基准数据的研究已有十多年，整体刷榜差不多到头了，即使是3年前的模型也有较高的得分，所以，想要进一步大幅提升比较困难~

实体链接

GENRE 在8个实体链接数据集上的Micro F1比之前的SOTA高出1.8。具体如 Table 2所示。

从中可以看出 GENRE 在Der和K50这两个数据集的提升最大，在 Micro F1 上分别提升13和4.7。

页面级文档检索

在页面级文档检索任务上，GENRE所展示出来的优越性非常显著。GENRE 在所有数据集上几乎都取得了SOTA，整体的R-Precision比之前的SOTA模型高出13.7。具体如 Table 3所示。

节省内存

文章对比了DPR 、RAG 、BLINK 和 GENRE在文档检索任务上的内存占用，具体如 Table 4所示。GENRE使用一个数量级较小的参数(数百万而不是数十亿)来存储实体索引，因为它只需要使用实体名称的前缀树，而不是为每个实体构建一个稠密向量。

从以上表格可以看出 GENRE 的内存占用比 BLINK 少14倍，比 DPR 省了34倍。

实体名称比实体ID更好

文章在实体消歧任务上对比了生成实体名称和生成实体ID的区别。具体如Table 5所示。

上图对比了3种mention和实体名称的匹配类型在不同模型上的效果，可以看出：

• 当mention和实体名称完全匹配时，GENRE取得了非常高的Micro F1，而使用IDs则降低了20.6。
• 当部分匹配时，GENRE依旧碾压IDs，说明实体名称确实是提供了有意义的信息。这种情况下实体名称的优势是，实体名称可以与mention的cotnext进行更多的细粒度交互，以帮助选择正确的候选实体。
• 当完全不匹配时，使用实体名称和IDs的区别相对较小，这说明：1）GENRE依赖于文本，2)即使是生成数值信息，模型也是有一定的实体消歧能力。

此外，文中还进一步讨论了 GENRE 对尾部实体的处理，实验结果表明GENRE确实可以有效处理链接罕见的实体。

总结

文章提出一种名为GENRE的方法进行实体检索，该方法以自回归的方式生成实体名称。GENRE有以下优点：

• 输入和实体名称之间的细粒度交互。实体名称(文章title)提供更详细的实体描述，使实体与mention及其context之间的编码可以有更细粒度的交互。换句话说，引入文章title来替代实体的ID，因为这里实体名称可以提供更多更多细粒度信息。
• 减少内存占用。在解码阶段使用前缀树来做beam search，使得内存占用仅与词表大小有关，而和实体数量无关，从而减少了存储空间。
• 避免负采样。因为准确的softmax loss可以直接计算得到，所有的非标准的token都被当做负样本，所以无需负采样。

简而言之，GENRE开创以seq2seq的生成方式进行实体检索之先河，且结果取得SOTA或近似SOTA。