RASADIET：Dual Intent and Entity Transformer

Posted 2022-01-31 卓寿杰SoulJoy

最近工作中使用到rasa，其nlu部分有一个rasa自己提出的DIETClassifier框架组建，可用于意图分类与实体识别。今天有空，就来研究下它~

论文地址：https://github.com/RasaHQ/DIET-paper

1. 简介

先总结下DIET出彩的地方：

• DIET是一种用于意图分类和实体识别的多任务体系结构。
• 它能够以即插即用的方式结合语言模型的预训练单词嵌入，并将它们与单词和字符级 n-gram 稀疏特征结合起来。
• 实验表明，即使没有预训练的嵌入，仅使用单词和字符级 n-gram 稀疏特征，DIET 仍可以在复杂 NLU 数据集上取得state of art的结果。
• 添加预训练语言模型的单词和句子嵌入，可进一步提高所有任务的整体准确性。
• 性能最好的模型明显优于fine-tune的 BERT，训练速度快六倍。

2. 框架介绍

整体框架：

下面，我们结合上图进行逐个模块的讲解

2.1 Featurization

• token化之后，在每个句子后面添加一个特殊的分类token：_CLS_
• 每个token都会经过稀疏特征表示（one-hot编码以及n-grams(n < 5)的multi-hot编码）+全连接 与 稠密特征表示（如 ConveRT、BERT或 GloVe）。其中全连接网络权重是共享的，且输出的维度与稠密特征表示一致。
• 最好全连通层的输出与密集特征concatenate起来，再输入到一个全连接网络

2.2 Transformer

使用一个2层的transformer和相对位置attention，对整个句子进行encode，由于transformer架构要求它的输入与transformer层的维度相同，因此，concatenate后的特征通过另一个全连接层，在所有序列步骤中共享权值，以匹配transformer层的维度，在实验中是256维。

2.3 NER

通过CRF)在tranformer输出序列之上标记一个与token输入序列对应的层来预测实体。

2.4 Intent Classification

将transformer输出的__CLS__token表示 和 意图标签表示的语义向量空间，进行相似度比较，使用类似于triplet loss的思想：

2.5 Masking

受masked language modelling task的启发，作者额外增加一个MASK损失函数来预测randomly masked input tokens。在序列中随机选择输入词符的 15％， 对于选定的词符，在70％的情况下，将输入替换为特殊屏蔽词符 MASK 对应的向量，在 10％ 情况下，用随机词符的向量替换输入，并在其余的 20％ 情况下保留原始输入.。同样，使用类似于triplet loss的思想：：

模型假设，为重建masked输入而增加一个训练目标应该起到正则化的作用，并且帮助模型从文本中学习更多的一般特征，而不仅仅是用于分类的识别特征。

2.6 Total loss

这个结构可以配置，可以随时关闭上述总和中的任何一种损失。该体系结构的设计方式可以打开或关闭多个组件，旨在处理意图和实体分类，但是如果只希望模型进行intent classification，则可以关闭Entity loss和Mask loss，而只专注于优化训练期间的Intent loss。

2.7 Batching

使用balanced batching策略来减轻类别不平衡，因为某些意图可能比其它意图更为频繁。 另外，还在整个训练期间增加批次大小，作为正则化的另一个来源。

3. 实验评估

3.1 联合训练的重要性

对比单任务学习性能：

可以看到相比之下，单任务的意图分类效果会有一点的提升（90.18->90.90）,但是实体识别效果却降低了非常多（86.04->82.57）。这可能是由于特定意图与特定实体的存在之间的强相关性。 例如，几乎所有属于 play_game 意图的语句都有一个名为 game_name 的实体。 同样，实体 game_name 仅与意图 play_game 一起出现。 我们认为，这一结果进一步表明拥有像 DIET 这样的模块化和可配置架构的重要性，以便处理这两项任务之间的性能折中。

3.2 各模块的重要性

• 当使用sparse特征和mask损失，而没有任何预训练的embeddings时，DIET 的性能具有竞争力。 在目标和实体上增加mask损失都会使性能提高绝对值约 1％。但有了预训练的embeddings时，使用sparse特征，效果会更好，但如果加入mask损失，效果反而可能变差。所以，在rasa的DIETClassifier组件中，use_masked_language_model参数默认配置为 False
• 具有 GloVe emb的 DIET 也具有同等的竞争力，并且在与sparse特征和mask损失结合使用时，在意图和实体上都将得到进一步增强。
• 使用BERT emb作为dense特征的效果要比 GloVe 差。这应该是由于BERT 的预训练任务使得输出的向量不适应作为文本表示，因此在转移到对话任务之前需要微调。
• 由于ConveRT 专门针对会话数据进行微调，因此使用 ConveRT 嵌入的 DIET 的性能支持了这种假设。sparse特征 和 ConveRT 嵌入的结合在意图分类上获得了最佳的 F1 得分，并且在意图分类和实体识别方面都比现有最好结果高出 3％ 左右。

3.3 与finetuning BERT 比较

将 可进行finetuning Bert的DIET 与 sparse特征+冻结预训练ConveRT Emb的 DIET进行比较：

可以看到，sparse特征+冻结预训练ConveRT Emb的 DIET在实体识别上表现优于fine-tuned BERT的DIET，而在意图分类方面表现持平。 但要知道，在所有 10 个 NLU-Benchmark 数据集上**，finetuning的 DIET 中的 BERT 需要 60 个小时，而使用 ConveRT 嵌入和稀疏特征的 DIET 只需要 10 个小时。**

3.4 可迁移性

作者采用在 NLU-Benchmark 数据集上性能最佳的 DIET 模型配置，并在 ATIS 和 SNIPS 上对其进行评估。 下表中列出 ATIS 和 SNIPS 数据集上的意图分类准确性和命名实体识别 F1 得分。* 表示使用 BILOU 标记模式对数据进行标注。†表示未使用Mask Loss。

值得注意的是，DIET 仅使用稀疏特征而没有任何预训练的嵌入，即使这样其性能仅比 Joint BERT 模型低 1-2％之内。 利用 NLU-Benchmark 数据集上性能最佳模型的超参数，DIET 在 ATIS 和 SNIPS 上均获得与 Joint BERT 有竞争力的结果。