背景介绍
实体链指是指对于给定的一个文本（如搜寻Query、微博、对话内容、文章、视频、图片的题目等），将其中的实体与给定知识库中对应的实体进行关联。实体链指个别有两种工作设计形式：Pipeline式和端到端式。
赛题阐明
百度飞桨举办的千言数据集：面向中文短文本的实体链指工作给出了中文短文本、短文本中的mention以及对应地位，须要预测文本中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，须要再给出实体类别。
训练集数据共7W条，query均匀长度22，蕴含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。能够发现有三个特点：
- 文本长度短，上下文信息无限
- 候选实体数量多
- NIL数量多，占比超过了10%
模型计划
这次较量曾经给出了mention信息，咱们只须要思考两个工作：实体消歧和NIL分类。工作的要害有以下几点：如何设计输出样本、如何设计模型构造、NIL实体如何与其余实体一起排序、如何开掘更丰盛和多维度的特色等。
样本结构
咱们选取了ERNIE、RoBERTa等预训练语言模型进行语义特色抽取，将须要链指的文本和实体形容信息用[SEP]符号拼接，作为模型的输出。
query样本结构：query样本输出时须要将mention的地位信息传入模型，让模型能判断mention在query中的具体位置，例如：“海绵宝宝：海绵宝宝和派大星致力工作，两人来到高速公路上！”中呈现了两次海绵宝宝，别离链接到了动画片《海绵宝宝》和动画人物海绵宝宝，须要加以辨别。为了解决这一问题咱们通过引入标识符将地位信息传入，在mention两边退出对立的标识符“#”，样本如下：
实体形容样本结构：数据库中的实体蕴含了实体的规范说法subject，实体的类型type和实体的一些相干SPO信息。结构样本时将mention字段和实体规范名用“-”拼接作为输出，强化规范名和mention是否雷同这一特色。实体类型是消歧重要的信息，咱们结构了“类型：实体类型”这种形容，提供实体类型信息，为了避免截断，将其放在实体规范名之后。SPO信息只应用了属性值，这样能够使超过最大输出长度的样本数量缩小35%。
统计特色样本结构：数据和特色决定了模型的上界，为了丰盛模型输出，将实体类型、实体长度、mention长度、实体和mention的Jaccard类似度等特色进行embedding了之后，和模型输入的特征向量拼接。
模型构造
实体消歧实质上是对候选实体进行排序的过程，应用query和实体信息作为输出，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须要TOP1的排序工作，并不需要思考候选实体之间的顺关系，只思考全局相关性，因而咱们选取了pointwise办法。
实体分类工作和实体链指工作看起来没有间接分割，然而Shuang Chen [2] 提出当能够预测出mention的类型时，消歧就相当容易。因而咱们设计了多任务模型框架，同时进行排序和分类，两个工作共享模型参数，一起训练，损失函数一起优化，通过共享排序工作和分类工作的信息，模型能够有更好的体现，多任务损失函数如下。
最终咱们模型构造如下，将query和实体形容拼接，输出预训练语言模型，将CLS、mention开始和完结地位的向量拼接作为特征向量。排序工作将特征向量输出全连贯层，而后通过tanh最终输入[-1,1]区间的分数，分数越高代表越有可能是指标实体。分类工作将特征向量输出全链接层，通过softmax层输入各个分类的得分。
模型优化
数据荡涤
基于相信学习数据清理：剖析数据集咱们发现，数据之中存在局部标注谬误，依据Northcutt [6] 相信学习的思维，咱们在原始数据上用n-flod形式训练了5个模型，用这些模型预测原始训练集的标签，而后交融5个模型输入的标签作为实在标签，再从原始训练集中清理实在标签与原标签不统一的样本，依据教训清理的样本数量最好不大于10%。
NIL实体排序形式试验
实体消歧过程中NIL实体如何和其余实体一起排序，是独自作为一个分类工作，还是将NIL转换为特定类型的实体参加排序，针对这个问题，咱们设计了三种计划：
- 计划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；
- 计划2：结构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”，示意该实体是一个未知实体。预测和训练时，所有mention候选实体中减少一个未知实体，参加排序；
- 计划3：将所有候选实体拼接，和query样本一起输出模型进行分类，判断是不是NIL实体，实践上这样能够带来更多全局信息。思考到训练速度，咱们先用1)中的计划进行排序，而后将top3的实体形容拼接，训练一个分类模型。
反抗训练
反抗训练是指在模型的训练过程中构建反抗样本，参加模型训练的办法。失常训练过程中，如果梯度方向平缓，那么很小的扰动都会产生很大的影响。为了避免这种扰动，反抗训练在模型训练的过程中应用带扰动的反抗样本进行攻打，从而晋升模型的鲁棒性。咱们试验了FGM和PGD两种生成反抗样本的形式。
试验后果剖析
模型可解释性
在训练完模型后，咱们首先会想要晓得模型学到了哪些特色。C Guan [7] 提出了一种基于互信息的可视化办法，这种办法相较其余可视化办法，具备普适性和一贯性的特点，即解释指标有明确的意义，同时又能比拟神经元之间、层与层之间和模型与模型之间的差别。
为了理解模型到底关注哪些输出特色，咱们基于Paddle2.0复现了该算法，对各个词的重要水平进行了可视化，色彩越深重要水平越高。通过可视化发现，模型偏向于关注实体的类型和用来辨别实体的片段，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，能够看到多任务模型关注的特色都是对消歧有帮忙的。
试验后果剖析
相干试验中参数配置如下：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，均采纳了基于指数衰减的学习率衰减策略。
比照不同预训练模型和置信度学习的后果，发现模型成果RoBERTa-Large > ERNIE+置信度学习>ERNIE>BERT。能够看到ERNIE专门针对中文数据进行了工作优化，的确比BERT的成果更好，然而ERNIE（12层）和RoBERTa-Large（24层）的比照阐明了一寸长一寸强，更多的参数能够有更好的体现。
比照单任务和多任务时，咱们应用了基于ERNIE的模型。通过比照多任务和单任务的模型成果，咱们发现多任务岂但流程简略，而且成果也比单任务联结好。排序时模型须要借助类型信息判断mention与候选实体是否统一；NIL分类时能学习到知识库中其余候选实体的信息，所以两个工作共享参数能够使模型提取到两个工作的共性，晋升模型成果。
从模型1、2、3能够看到反抗学习是一种通用的模型优化办法，在各种模型上都有显著晋升，然而FGM和最强一阶反抗形式PGD实体链指工作上差距并不显著。
NIL不同形式参加排序的试验中，咱们发现应用结构NIL样本参加匹配和对排序TOP1的score卡阈值这两种形式后果差异不大，AUC别离为0.97和0.96，训练NIL分类器的AUC仅为0.94，猜想是因为对候选实体进行top3采样时，曾经有了误差积攒。
通过将体现好的模型进行交融咱们在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。
小布助手的摸索
小布助手每天解决千万级别的用户问题，其中波及实体词的query高达30%。这些由不同人收回的实在对话里，既蕴含千人千面的主观表白，更蕴含大量的翻新词汇，多义词，同义词，同时也常常会面对“李白是谁”、“我要听《李白》”这类mention有歧义的问题。
小布助手的技术积攒不仅帮忙咱们在较量中名落孙山，而且曾经帮用户解决“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会的用户问题。黑格尔说过：人是靠思维站立起来的。思考赋予人类尊严，驱动文化一直向前。小布助手汇聚有数背地英雄的思维，也在默默致力，而后用乏味贴心有灵魂惊艳所有人。
赛后感想
工欲善其事，必先利其器，本次较量应用了飞桨2.0框架进行训练，动态图模式下程序可即时执行并输入后果，进步了编码效率。借助百度的PaddleNLP工具包，能够无缝切换ERNIE、BRART、RoBERTa等预训练模型，非常适合较量时疾速试验。
PaddleNLP工具包链接：https://github.com/PaddlePadd…
这次较量的赛题也很值得摸索，实体消歧和分类两个工作如何有机联合，能够做很多尝试。一个实体链指工作就有形象成多种形式，足以见得兵无常势，水无常形，咱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形象问题，找到最佳的解决方案。
本我的项目链接：
除了实体链指工作，千言我的项目还有情感剖析、浏览了解、凋谢域对话、文本类似度、语义解析、机器同传、信息抽取等方向继续打榜中。
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
负责对话和常识图谱相干工作，钻研方向包含用意分类、序列标注、关系抽取、实体链指等。
发表回复