近年來，預訓練語言模型（PLM）在各種下游自然語言處理任務中表現(xiàn)出卓越的性能，受益于預訓練階段的自監(jiān)督學習目標，PLM 可以有效地捕獲文本中的語法和語義，并為下游 NLP 任務提供蘊含豐富信息的語言表示。然而，傳統(tǒng)的預訓練目標并沒有對文本中的關系事實進行建模，而這些關系事實對于文本理解至關重要。

在這篇被ACL 2021主會錄用的文章中，清華大學聯(lián)合騰訊微信模式識別中心與伊利諾伊大學厄巴納香檳分校（UIUC），提出了一種新穎的對比學習框架ERICA，幫助PLM深入了解文本中的實體及實體間關系。具體來說，作者提出了兩個輔助性預訓練任務來幫助PLM更好地理解實體和實體間關系：（1）實體區(qū)分任務，給定頭實體和關系，推斷出文本中正確的尾實體；（2）關系判別任務，區(qū)分兩個關系在語義上是否接近，這在長文本情景下涉及復雜的關系推理。實驗結(jié)果表明，ERICA在不引入額外神經(jīng)網(wǎng)絡參數(shù)的前提下，僅僅對PLM進行少量的額外訓練，就可以提升典型PLM（例如BERT 和 RoBERTa）在多種自然語言理解任務上（包括關系抽取、實體類別區(qū)分、問題回答等）的性能。尤其是在低資源（low-resource）的設定下，性能的提升更加明顯。

一、問題背景

傳統(tǒng)的預訓練目標沒有對文本中的關系事實進行顯式建模，而這些關系事實對于理解文本至關重要。為了解決這個問題，一些研究人員試圖改進 PLM 的架構、預訓練任務等，以更好地理解實體之間的關系。但是它們通常只對文本中的句子級別的單個關系進行建模，不僅忽略了長文本場景下多個實體之間的復雜關系，也忽略了對實體本身的理解，例如圖1中所展現(xiàn)的，對于長文本來說，為了讓PLM更加充分理解地單個實體，我們需要考慮該實體和其他實體之間的復雜關系；而這些復雜的關系的理解通常涉及復雜的推理鏈，往往需要綜合多個句子的信息得出結(jié)論。針對這兩個痛點，本文提出了實體區(qū)分任務和關系區(qū)分任務來增強PLM對于實體和實體間關系的理解。

二 、文檔級預訓練數(shù)據(jù)收集

ERICA的訓練依賴于大規(guī)模文檔級遠程監(jiān)督數(shù)據(jù)，該數(shù)據(jù)的構造有三個階段：首先從wikipedia中爬取文本段落，然后用命名實體識別工具（例如spacy）進行實體標注，將所有獲得的實體和wikidata中標注的實體對應上，并利用遠程監(jiān)督（distant supervision）信號獲得實體之間可能存在的關系，最終保留長度在128到512之間，含有多于4個實體，實體間多于4個遠程監(jiān)督關系的段落。注意這些遠程監(jiān)督的關系中存在大量的噪聲，而大規(guī)模的預訓練可以一定程度上實現(xiàn)降噪。作者也開源了由100萬個文檔組成的大規(guī)模遠程監(jiān)督預訓練數(shù)據(jù)。

三 、實體與實體間關系的表示

鑒于每個實體可能在段落中出現(xiàn)多次，并且每次出現(xiàn)時對應的描述（mention）可能也不一樣，作者在使用PLM對tokenize后的段落進行編碼后，取每個描述的所有token均勻池化后的結(jié)果作為該描述的表示，接著對于全文中該實體所有的描述進行第二次均勻池化，得到該實體在該文檔中的表示；對于兩個實體，它們之間的關系表示為兩個實體表示的簡單拼接。以上是最簡單的實體/實體間關系的表示方法，不需要引入額外的神經(jīng)網(wǎng)絡參數(shù)。作者在文中還探索了其它的表示方法，并驗證了所有方法相比baseline都有一致的提升。

四 、實體區(qū)分任務

實體區(qū)分任務旨在給定頭實體和關系，從當前文檔中尋找正確的尾實體。例如在上圖中，Sinaloa和Mexico具有country的遠程關系，于是作者將關系country和頭實體Sinaloa拼接在原文檔的前面作為提示（prompt），在此條件下區(qū)分正確的尾實體的任務可以在對比學習的框架下轉(zhuǎn)換成拉近頭實體和正確尾實體的實體表示的距離，推遠頭實體和文檔中其它實體（負樣本）的實體表示的距離，具體的公式如下所示：

五、關系區(qū)分任務

關系區(qū)分任務旨在區(qū)分兩個關系的表示在語義空間上的相近程度。由于作者采用文檔級而非句子級的遠程監(jiān)督，文檔中的關系區(qū)分涉及復雜的推理鏈。具體而言，作者隨機采樣多個文檔，并從每個文檔中得到多個關系表示，這些關系可能只涉及句子級別的推理，也可能涉及跨句子的復雜推理。之后基于對比學習框架，根據(jù)遠程監(jiān)督的標簽在關系空間中對不同的關系表示進行訓練，如前文所述，每個關系表示均由文檔中的兩個實體表示構成。正樣本即具有相同遠程監(jiān)督標簽的關系表示，負樣本與此相反。作者在實驗中還發(fā)現(xiàn)進一步引入不具有遠程監(jiān)督關系的實體對作為負樣本可以進一步提升模型效果。由于進行對比訓練的兩個關系表示可能來自于多個文檔，也可能來自于單個文檔，因此文檔間/跨文檔的關系表示交互都得到了實現(xiàn)。巧妙的是，對于涉及復雜推理的關系，該方法不需要顯示地構建推理鏈，而是“強迫”模型理解這些關系并在頂層的關系語義空間中區(qū)分這些關系。具體的公式如下所示：

為了避免災難性遺忘，作者將上述兩個任務同masked language modeling （MLM）任務一起訓練，總的訓練目標如下所示：

六、實驗結(jié)果

ERICA的訓練不需要引入除了PLM之外的任何參數(shù)，并且對于任意模型均能夠適配，具體的，作者采用了兩個經(jīng)典的PLM：BERT和RoBERTa，并對其進行一定時間的post-training，最后在文檔級關系抽取、實體類別區(qū)分、問題回答等任務上進行了測試，并對比了例如CorefBERT， SpanBERT， ERNIE， MTB，CP等基線模型，驗證了ERICA框架的有效性。具體結(jié)果如下：

a） 文檔級關系抽取，模型需要區(qū)分文檔中的多個實體之間的關系，這需要PLM對實體間關系有較好的理解。

b） 實體類別區(qū)分，模型需要區(qū)分文本中的實體的具體類別，這需要PLM對實體本身有較好的理解。

c） 問題回答，作者測試了兩種常見的問題回答任務：多選問答（multi-choice QA）和抽取式問答（extractive QA）。這需要PLM對實體和實體間關系有較好的理解。

七、分析

a） 消融分析（ablation study）。作者對ERICA框架中的所有組成成分進行了細致的分析，并證明了這些組成成分對于模型整體效果的提升是缺一不可的。

b） 可視化分析。作者對經(jīng)過ERICA訓練前后的PLM對實體和實體間關系的表示進行了可視化，結(jié)果如下圖所示。通過ERICA的對比學習訓練，PLM對于同類別的實體/實體關系的表示有明顯的聚類現(xiàn)象，這充分驗證了ERICA能夠顯著增強PLM對實體和實體間關系的理解。

c） 此外，作者分析了遠程監(jiān)督關系的多樣性/預訓練文檔數(shù)量對于模型效果的提升。實驗結(jié)果發(fā)現(xiàn)，更加多樣的遠程監(jiān)督關系與更大的預訓練數(shù)據(jù)集對于性能的提升有積極的作用。

d） 除了使用均勻池化的方式來獲得實體/關系表示，作者也嘗試使用entity marker的表示方法來測試模型的性能。實驗結(jié)果證明，ERICA對各種實體/關系表示方法均適用，進一步驗證了該架構的通用性。

八、總結(jié)

在本文中，作者提出了ERICA框架，通過對比學習幫助PLM提高實體和實體間關系的理解。作者在多個自然語言理解任務上驗證了該框架的有效性，包括關系提取、實體類別區(qū)分和問題問答。實驗結(jié)果表明ERICA顯著優(yōu)于所有基線模型，尤其是在低資源的設定下，這意味著 ERICA 可以更好地幫助 PLM捕獲文本中的相關事實并綜合有關實體及其關系的信息。

責任編輯：lq6