蔣麗媛 吳亞東 張巍瀚 王書航

摘? 要： 提出一種基于實(shí)體注意力相加機(jī)制的關(guān)系抽取模型BiLSTM-EPEA。即通過BiLSTM（雙向的長短期記憶網(wǎng)絡(luò)）對Glove表示的文本向量進(jìn)行特征提取，通過EPEA模塊分別計算每個字相對于第一個實(shí)體和第二個實(shí)體的注意力值，并將兩個有權(quán)重的語句序列逐位相加，最后利用Softmax函數(shù)劃分實(shí)體關(guān)系類別。通過實(shí)驗(yàn)證明，BiLSTM-EPEA相比于BiLSTM-ATT模型和RBERT模型，F(xiàn)1值分別提升了0.42%、1.47%，驗(yàn)證了模型的有效性。

關(guān)鍵詞： 關(guān)系類別劃分； BiLSTM-EPEA； 實(shí)體注意力相加機(jī)制； 長短期記憶網(wǎng)絡(luò)

中圖分類號：TP391.1? ? ? ? ? 文獻(xiàn)標(biāo)識碼：A? ? ?文章編號：1006-8228（2023）05-46-05

Entity relationship classification based on BiLSTM-EPEA model

Jiang Liyuan， Wu Yadong， Zhang Weihan， Wang Shuhang

（Sichuan University of Science & Engineering， Yibin， Sichuan 644002， China）

Abstract： In this paper， a relationship extraction model BiLSTM-EPEA based on entity attention summation mechanism is proposed. The text vector represented by Glove is extracted by BiLSTM， the attention value of each word relative to the first entity and the second entity is calculated separately by EPEA module， the two obtained sequences of weighted utterances are summed bit by bit， and finally the Softmax function is used to classify the entity relationship categories. It is demonstrated experimentally that the F1 value of BiLSTM-EPEA is improved by 0.42% and 1.47% compared with the BiLSTM-ATT model and RBERT model， respectively. The effectiveness of the model is verified.

Key words： relational category delineation; BiLSTM-EPEA; entity attention summation mechanism; LSTM

0 引言

關(guān)系抽取是知識圖譜構(gòu)建過程中一個重要環(huán)節(jié)，旨在從包含兩個實(shí)體的文本中，提取出兩個實(shí)體間存在的關(guān)系。通過構(gòu)成的三元組（實(shí)體1，實(shí)體2，關(guān)系）對文本進(jìn)行結(jié)構(gòu)化的表達(dá)。根據(jù)訓(xùn)練方式的不同，關(guān)系抽取可分為兩類：①遠(yuǎn)程監(jiān)督關(guān)系抽取；②全監(jiān)督關(guān)系抽取。遠(yuǎn)程監(jiān)督的方法，通過對外部知識庫對實(shí)體對之間的關(guān)系進(jìn)行實(shí)體對齊，其強(qiáng)假設(shè)造成了數(shù)據(jù)標(biāo)注錯誤的問題。在減少人力標(biāo)注的同時，也使得數(shù)據(jù)中的噪聲較大。全監(jiān)督關(guān)系抽取，實(shí)體已經(jīng)被標(biāo)注，關(guān)系抽取任務(wù)被視為一種多分類任務(wù)。重點(diǎn)在于如何提取文本中的特征以幫助關(guān)系類別的劃分。早期的關(guān)系分類是直接訓(xùn)練語句，從文本中提取特征進(jìn)行關(guān)系的分類。其文本多通過Skip-gram[1]和詞袋模型等[2-3]進(jìn)行表示，只利用了固定窗口內(nèi)的語料，而沒有充分利用所有的語料，并且忽視文本中的一些字對實(shí)體之間關(guān)系的表達(dá)有著重要作用。

為了能夠充分的利用到全局的字的信息并對表達(dá)實(shí)體關(guān)系的詞進(jìn)行強(qiáng)調(diào)，本文構(gòu)建了BiLSTM-EPEA模型。本文的主要貢獻(xiàn)在于：一是構(gòu)建了BiLSTM-EPEA模型，并將該模型應(yīng)用與實(shí)體關(guān)系類別劃分中，有效的提高了模型的運(yùn)行效率和效果；二是提出了實(shí)體注意力相加機(jī)制EPEA（Attention mechanism of entity1 plus entity2），通過計算每個字分別相對于實(shí)體1和實(shí)體2的注意力值，并將兩個注意力值相加，對實(shí)體1和實(shí)體2之間表達(dá)關(guān)系的字進(jìn)行強(qiáng)調(diào)；三是在公開數(shù)據(jù)集SemEval 2010 Task8上進(jìn)行實(shí)驗(yàn)，并對模型進(jìn)行了消融實(shí)驗(yàn)，證明了模型的有效性。

1 相關(guān)工作

有監(jiān)督的關(guān)系抽取的效果提升主要有兩種方式。一是使用深度學(xué)習(xí)網(wǎng)絡(luò)對文本向量進(jìn)行特征提取并加入特征；二是使用注意力機(jī)制對文本中的重要信息進(jìn)行強(qiáng)調(diào)。

1.1 對文本向量進(jìn)行特征提取并加入特征

2014年，Zeng[4]等人提出一個最大池化卷積神經(jīng)網(wǎng)絡(luò)來提供句子級表示并自動提取句子級特征。Zhou[5]等人用BiLSTM來提取上下文的特征。隨著BERT[6]模型的提出，Wu[7]等人采用BERT模型對句子進(jìn)行編碼，通過插入不同特殊的字符，將句子分成三部分，并對三部分的信息進(jìn)行編碼。

除了通過BiLSTM、CNN和RNN對文本特征進(jìn)行提取，許多學(xué)者還通過加入外部特征的方式來提高效率。如XU等人[8]加入了實(shí)體之間的最短路徑信息。但其忽略掉了最短路徑是一種特殊的結(jié)構(gòu)，每兩個相鄰的詞都由依賴關(guān)系分隔，每個單詞設(shè)置上位詞的方式，不能學(xué)習(xí)到充足的依賴關(guān)系特征。Cai等人[9]則通過BiLSTM＋CNN的結(jié)構(gòu)，從前后兩個方向沿著最短路徑學(xué)習(xí)每個兩個相鄰單詞的局部特征。但其未考慮到文本中的一些字對實(shí)體之間關(guān)系的表達(dá)有著重要作用。

1.2 注意力機(jī)制的使用

除了加入特征，一些學(xué)者通過加入不同的注意力機(jī)制來提高分類效率。Wang等人[10]和Zhu等人[11]都采用了注意力機(jī)制去關(guān)注句子的關(guān)鍵部分。但其都沒有充分利用到實(shí)體的信息。

Ji等人[12]提出了句子級別的注意力機(jī)制用于選取有用的遠(yuǎn)程抽取實(shí)例并從Freebase和維基百科上抽取了實(shí)體描述信息，構(gòu)成（實(shí)體，實(shí)體描述）對。Jat等人[13]通過將每個詞的詞嵌入和每句話的第一個實(shí)體嵌入和第二個實(shí)體嵌入分別拼接，通過線性計算得到每個詞與實(shí)體的相關(guān)程度得分，實(shí)現(xiàn)實(shí)體注意力機(jī)制。但其是基于遠(yuǎn)程監(jiān)督關(guān)系抽取實(shí)現(xiàn)的。趙丹丹等人[14]加入了自注意力機(jī)制[15]用以計算句子中的每個字對于關(guān)系分類的重要程度。但其忽略了字對于實(shí)體關(guān)系類別劃分的作用。潘理虎等人[16]通過用TransE對實(shí)體進(jìn)行向量表示用以突出實(shí)體的信息。但TransE不適用于解決一對多的關(guān)系抽取問題。Lee等人[17]通過對實(shí)體的潛在類型進(jìn)行預(yù)測，對實(shí)體信息進(jìn)行利用，實(shí)現(xiàn)模型的端到端訓(xùn)練。

2 方法

本節(jié)主要介紹如何使用BiLSTM對Glove表示的字向量進(jìn)行特征提取和實(shí)體注意相加機(jī)制的實(shí)現(xiàn)。BiLSTM-EPEA模型如圖1所示，模型輸入層、嵌入層、實(shí)體注意力相加機(jī)制層（EPEA）和輸出層組成。

輸入層：給定一個句子[S=[w1，…，wi，…，wj，…，wk，]

[…，wm，…，wn]]，其中[n]為句子的最大長度。[wi…，wj]為實(shí)體1所在的位置，[wk，…，wm]為實(shí)體2所在的位置。[w1，…，wn]為每個字經(jīng)過Glove訓(xùn)練后得到的字嵌入，每個字嵌入的維度為100維。

特征提取層：使用雙向的LSTM來提取每個字在其上下文的語義表達(dá)向量。得到輸出序列為[x1，…，xi…，xj，…xk，…，xm…，xn]。

其具體步驟如下：

⑴ 計算遺忘門的值，，選擇要遺忘的信息[ft]。其中[xt]當(dāng)前時刻的輸入詞，[ht-1]為上一時刻的隱藏層狀態(tài)。

[ft=σwf?ht-1，xt+bf]? ⑴

⑵ 計算記憶門的值，選擇要記憶的信息。

[it=σwiht-1，xt+bi]? ⑵

[Ct=tanh （wcht-1，xi+bc）]? ⑶

⑶ 計算當(dāng)前的細(xì)胞狀態(tài)。

[Ct=ft?Ct-1+it?Ct]? ⑷

⑷ 計算當(dāng)前時刻隱藏層狀態(tài)和輸出門。

[ot=σ（wo[ht-1，xt]+bo]? ⑸

[ht=ot?tanh （Ct）]? ⑹

然后得到兩個隱藏層狀態(tài)序列，將兩者進(jìn)行結(jié)合，最終得到BiLSTM模塊的輸出序列[h1，h2，h3...，hn-1，hn]。通過BiLSTM模塊的輸出，得到每個字的特征序列、頭實(shí)體的特征序列及尾實(shí)體的特征序列。

實(shí)體注意力相加機(jī)制層：EPEA層用于分別計算每個字相對于第一個實(shí)體的注意力值和第二個實(shí)體的注意力值。其具體實(shí)現(xiàn)過程如下：

假設(shè)[si;i∈1…N]（N為batch數(shù)）和實(shí)體對[epm，m∈1，2]，一個句子有j個字[xij，j∈1…M]，[xij]是每個字的嵌入表示，每個字相對于實(shí)體1和實(shí)體2的注意力計算值表示如下：

[ui，j，qk=xij×Ak×Ek]? ⑺

其中，[xij]為BiLSTM模型輸出的每個字的特征表示，[Ak]和[rk]是學(xué)習(xí)到的參數(shù)，[Ak]確定每個字和實(shí)體嵌入向量[Ek]的相關(guān)性。然后對[ui，j，qk]歸一化，得到注意力值。即每個字相對于實(shí)體1和實(shí)體2的注意力分?jǐn)?shù)值[ae1ij]、[ae2ij]，然后，注意力分?jǐn)?shù)值和BiLSTM模型輸出的特征表示向量相乘，得到有權(quán)重的語句序列。

[ae1ij=expuijl=1Mexpuij]? ⑻

[xe1mbij=aij×wij]? ⑼

[xembij=xe1mbij+xe2mbij]? ⑽

[xemb=[xembi，…，xembj，…，xembn]]? ⑾

全連接層：將EPEA模塊輸出的帶有權(quán)重的序列[xemb]、實(shí)體1的嵌入表示[eemb1]和實(shí)體2的嵌入表示[eemb2]進(jìn)行拼接，即全連接層的輸入為[I=eemb1，eemb2，xemb]，使用激活函數(shù)對[I]進(jìn)行激活后，輸入全連接層。

[h'=w1eemb1，eemb2，xemb）+b1]? ⑿

其中，[w∈RL×3d]，L為關(guān)系類別數(shù)，[b1]為偏置向量。

通過[Softmax]函數(shù)得到每一個句子相對于19類關(guān)系的概率值。取出其中的最大概率即為所分類的關(guān)系類別。

[p=softmaxh']? ⒀

3 實(shí)驗(yàn)

3.1 數(shù)據(jù)集及其評價標(biāo)準(zhǔn)

實(shí)驗(yàn)的數(shù)據(jù)集為SemEval-Task8。其中共有19種關(guān)系。其關(guān)系類別和數(shù)量如表1所示。

本文實(shí)驗(yàn)的效果評價指標(biāo)為召回率F1值。數(shù)據(jù)集的數(shù)據(jù)總共有10717條，采用8：2的比例對實(shí)驗(yàn)集和測試集進(jìn)行劃分。實(shí)驗(yàn)中的參數(shù)設(shè)置如表2所示。

3.2 實(shí)驗(yàn)結(jié)果分析

本文從兩個角度對模型進(jìn)行分析。一是用Glove表示訓(xùn)練字向量和BERT預(yù)訓(xùn)練模型訓(xùn)練的字向量對于關(guān)系類別的劃分的影響；二是實(shí)體注意機(jī)制是否有效。本文的對比模型主要有：

RBRET[7]：通過BERT提取文本特征，通過加入特殊字符，用于標(biāo)注實(shí)體的位置。其最終用于分類的輸入為[contact（CLSemb，eemb1，eemb2）]。一是句首[CLS]的表示，二是實(shí)體1的向量表示，三是實(shí)體2的向量表示。

BiGRU-EA[13]：通過BiGRU提取文本特征，通過實(shí)體注意力關(guān)注文本中的與關(guān)系有關(guān)的詞。其輸入為[aijhfij，hbij]。其中[aij]為注意力值的大小。

BiLSTM-EA[13]：通過BiLSTM提取文本特征，通過實(shí)體注意力關(guān)注文本中的與關(guān)系有關(guān)的詞。其輸入為[aijhfij，hbij]。

BERT-GRU-ATT[14]：通過BERT得到每個字的向量表示，將向量表示通過BiGRU層提取特征。將BiGRU層的輸出通過注意力層得到關(guān)系類別的劃分。其輸入為[aijxij]。

從表3可知，BiLSTM-EPEA取得了較好的效果，相比于RBERT模型，F(xiàn)1值提升了1.47%，其原因在于BiLSTM中加入了文本的特征向量表示，并且對關(guān)系劃分有重要關(guān)系的詞增加了權(quán)重。相比于BiLSTM-Attention模型提升了0.42%，其原因在于BiLSTM-EPEA加入了實(shí)體的特征表示。相比于BiGRU-Attention提升了1.52%，其原因在于BiLSTM性能優(yōu)于BiGRU。本文將EA層加入了RBERT模型中，發(fā)現(xiàn)其分類效果不如BiLSTM- EPEA。其原因在于，RBERT中有大量的線性層，使得模型結(jié)構(gòu)復(fù)雜，分類效果下降。RBERT-EPEA模型的效果優(yōu)于BERT-EPEA模型的原因在于，RBERT-EPEA模型中加入了實(shí)體1和實(shí)體2嵌入。

3.3 消融實(shí)驗(yàn)

實(shí)驗(yàn)主要從兩個方面展開，一是實(shí)體1和實(shí)體2的注意力對于關(guān)系分類的影響。二是BiLSTM-EPEA中的輸入是否應(yīng)該拼接實(shí)體的信息，即輸入為[contactxemb，eemb1，eemb2]對關(guān)系分類效果的影響。

由于每句話都有兩個實(shí)體，因此計算每個字相對于實(shí)體對的注意力值，會產(chǎn)生兩個權(quán)重序列。本文對這兩個權(quán)重序列進(jìn)行了評估。EA1表示計算每個詞對實(shí)體1的注意力的得分，從而得到的權(quán)重序列。同理可得實(shí)體2的注意力權(quán)重序列EA2。EA1+EA2則表示將兩個權(quán)重加在一起所得的權(quán)重序列。

由圖2（a）可知，通過計算每個字對于實(shí)體2的注意力值所取得的分類效果相比于計算每個字對于頭實(shí)體的注意力值的分類效果。其原因在于關(guān)系的方向性。通過統(tǒng)計測試集的數(shù)據(jù)發(fā)現(xiàn)，由實(shí)體1指向?qū)嶓w2的關(guān)系共有1318條，由實(shí)體2指向?qū)嶓w1的關(guān)系共937條。其他的是Other關(guān)系類別。通過實(shí)體注意力相加機(jī)制可以發(fā)現(xiàn)實(shí)體2對于關(guān)系類別的影響大于實(shí)體1對于關(guān)系類別的影響。

由圖2（b）可知，通過對兩個實(shí)體的注意力值進(jìn)行逐位相加的關(guān)系分類效果更好一些。其原因在于，同一個句子對于關(guān)系類別有重要作用的字通過逐位相加之后會得到更高的注意力值，從而提高了關(guān)系分類的效果。通過導(dǎo)出每個詞的注意力值，本文通過注意力值的大小來決定每個字的顏色深淺，直觀的表示每個字對關(guān)系的影響。由圖可知句子為“The company fabricates plastic chairs .”。通過EPEA模塊得到每個字的注意力值，可發(fā)現(xiàn)“fabricates”對于實(shí)體關(guān)系類別“Product-Producer（e2，e1）”的劃分有著重要作用。

本文通過實(shí)現(xiàn)發(fā)現(xiàn)，RBERT-EPEA模型和BERT-EPEA模型帶來的效果不同，對是否加入實(shí)體1和實(shí)體2的嵌入進(jìn)行了實(shí)驗(yàn)。通過實(shí)驗(yàn)可知，加入了頭實(shí)體和尾實(shí)體的嵌入的效果更好。

4 結(jié)束語

本文通過使用Glove訓(xùn)練字向量，將訓(xùn)練好的字向量放入BiLSTM模型中進(jìn)行特征提取，通過EPEA模塊計算每個字相對于頭實(shí)體和尾實(shí)體的注意力值，得到兩個權(quán)重序列，將兩個權(quán)重序列逐位相加，得到特征向量表示。然后將特征向量、實(shí)體1和實(shí)體2的嵌入表示三者進(jìn)行拼接，通過線性層輸出關(guān)系類別的概率，從而進(jìn)行關(guān)系類別的劃分。通過實(shí)驗(yàn)表明，加入實(shí)體注意力相加機(jī)制和實(shí)體對的嵌入有助于關(guān)系類別的劃分。由于中文的語句表達(dá)和英文的語句表達(dá)有區(qū)別，下一步還應(yīng)考慮BiLSTM-EPEA模型在中文數(shù)據(jù)集上的效果。

參考文獻(xiàn)（References）：

[1] Mikolov T， Sutskever I， Chen K， et al. Distributed

representations of words and phrases and their compositionality[J]. Advances in neural information processing systems，2013，26

[2] Mikolov T， Chen K， Corrado G， et al. Efficient estimation

of word representations in vector space[J]. arXiv preprint arXiv：1301.3781，2013

[3] Pennington J， Socher R， Manning C D. Glove： Global

vectors for word representation[C]//Proceedings of the 2014 conference on empirical methods in natural language processing （EMNLP），2014：1532-1543

[4] Zeng D， Liu K， Lai S， et al. Relation classification via

convolutional deep neural network[C]//Proceedings of COLING 2014， the 25th international conference on computational linguistics： technical papers，2014：2335-2344

[5] Zhou P， Shi W， Tian J， et al. Attention-based bidirectional

long short-term memory networks for relation classification[C]//Proceedings of the 54th annual meeting of the association for computational linguistics （volume 2： Short papers），2016：207-212

[6] Devlin J， Chang M W， Lee K， et al. Bert： Pre-training of

deep bidirectional transformers for language understanding[J]. arXiv preprint arXiv：1810.04805，2018

[7] Wu S， He Y. Enriching pre-trained language model with

entity information for relation classification[C]//Proceedings of the 28th ACM international conference on information and knowledge management，2019：2361-2364

[8] Xu Y， Mou L， Li G， et al. Classifying relations via long short

term memory networks along shortest dependency paths[C]//Proceedings of the 2015 conference on empirical methods in natural language processing，2015：1785-1794

[9] Cai R， Zhang X， Wang H. Bidirectional recurrent

convolutional neural network for relation classification[C]//Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics （Volume 1： Long Papers），2016：756-765

[10] Wang L， Cao Z， De Melo G， et al. Relation classification

via multi-level attention cnns[C]//Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics （Volume 1： Long Papers），2016：1298-1307

[11] Zhu J， Qiao J， Dai X， et al. Relation classification via

target-concentrated attention cnns[C]//International Conference on Neural Information Processing. Springer，Cham，2017：137-146

[12] Ji G， Liu K， He S， et al. Distant supervision for relation

extraction with sentence-level attention and entity descriptions[C]//Proceedings of the AAAI conference on artificial intelligence，2017，31（1）

[13] Jat S， Khandelwal S， Talukdar P. Improving distantly

supervised relation extraction using word and entity based attention[J]. arXiv preprint arXiv：1804.06987，2018

[14] 趙丹丹，黃德根，孟佳娜，等.基于BERT-GRU-ATT模型的中文實(shí)體關(guān)系分類[J].計算機(jī)科學(xué)，2022，49（6）：319-325

[15] Vaswani A， Shazeer N， Parmar N， et al. Attention is all

you need[J].Advances in neural information processing systems，2017，30

[16] 潘理虎，陳亭亭，閆慧敏，等.基于滑動窗口注意力網(wǎng)絡(luò)的關(guān)系分類模型[J].計算機(jī)技術(shù)與發(fā)展，2022，32（6）：21-27，33

[17] Lee J， Seo S， Choi Y S. Semantic relation classification

via bidirectional lstm networks with entity-aware attention using latent entity typing[J]. Symmetry，2019，11（6）：785