常思杰，林浩田，江 靜

北京聯(lián)合大學(xué) 智慧城市學(xué)院 物聯(lián)網(wǎng)與機(jī)器人實(shí)驗(yàn)室，北京 100101

構(gòu)建知識(shí)圖譜需要大量的三元組，三元組的獲取除了可以通過(guò)IS-A 的上下位獲取，再就是關(guān)系抽取。關(guān)系抽取可以把文本中的實(shí)體對(duì)抽取出來(lái)，并識(shí)別出實(shí)體對(duì)之間的語(yǔ)義關(guān)系，形成（主體實(shí)體，關(guān)系，客體實(shí)體）的形式，這種包含了語(yǔ)義關(guān)鍵信息的形式，稱為實(shí)體-關(guān)系（entity-relation）三元組（triplets）。因此，關(guān)系抽取可以在知識(shí)圖譜、信息檢索、問(wèn)答系統(tǒng)、情感分析、文本挖掘中廣泛應(yīng)用。

現(xiàn)有的關(guān)系抽取主要包括有監(jiān)督方法、無(wú)監(jiān)督方法、半監(jiān)督方法和開(kāi)放式實(shí)體關(guān)系抽取方法?；谏疃葘W(xué)習(xí)階段的監(jiān)督實(shí)體關(guān)系抽取方法主要有流水線（Pipline）方法[1]和聯(lián)合（Joint）方法[2]兩種。在Pipline 中將實(shí)體抽取與關(guān)系抽取分為兩個(gè)獨(dú)立的過(guò)程，可以先做實(shí)體識(shí)別再做關(guān)系抽取，也可以先做關(guān)系抽取再做實(shí)體識(shí)別，這種方法在精度上可以達(dá)到很好的效果，但是容易造成誤差累積和實(shí)體冗余，同時(shí)也忽略了兩個(gè)任務(wù)之間的內(nèi)在聯(lián)系和依賴關(guān)系。在Joint中把實(shí)體抽取與關(guān)系抽取兩個(gè)任務(wù)同時(shí)進(jìn)行，通常用模型參數(shù)共享的方法來(lái)實(shí)現(xiàn)，相比于Pipline的方式可以有效利用兩個(gè)任務(wù)之間的潛在信息，從而緩解錯(cuò)誤傳播的缺點(diǎn)，但是如何加強(qiáng)實(shí)體抽取和關(guān)系抽取的交互、如何解決實(shí)體重疊問(wèn)題是聯(lián)合抽取的難點(diǎn)。

早期Zeng等人[3]提出基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）、Socher 等人[4]提出基于循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）進(jìn)行關(guān)系抽取，都有效提取出了單詞和句子級(jí)別的特征，但是由于網(wǎng)絡(luò)本身的特點(diǎn)，不能很好地將上下文的語(yǔ)義聯(lián)系有效提取出來(lái)。Miwa 等人[5]提出了一種基于RNN 的端到端神經(jīng)模型，該方法將單詞embedding 之后，在解碼時(shí)分別用了雙向長(zhǎng)短期記憶模型（bi-directional long-short term memory，Bi-LSTM）和Bi-TreeLSTM 建模對(duì)序列數(shù)據(jù)進(jìn)行實(shí)體檢測(cè)和關(guān)系分類。但是，并不是每個(gè)實(shí)體對(duì)之間都存在關(guān)系，這種方法[5]將兩兩配對(duì)的實(shí)體作為關(guān)系分類的輸入，會(huì)造成實(shí)體冗余。為解決這個(gè)問(wèn)題，Zheng等人[6]提出了一種新的標(biāo)簽方案，該方法將聯(lián)合抽取問(wèn)題轉(zhuǎn)換成了標(biāo)注問(wèn)題，這種端到端的模型展現(xiàn)出較好的性能，但是基于標(biāo)簽生成的實(shí)體關(guān)系對(duì)三元組采用了就近組合的方式，因此會(huì)存在很多的問(wèn)題，同時(shí)也無(wú)法解決實(shí)體關(guān)系重疊問(wèn)題[7]。為解決關(guān)系重疊問(wèn)題，Wei 等人[8]提出了一種新的級(jí)聯(lián)二進(jìn)制標(biāo)記框架（CasRel），CasRel框架首先抽取出主體實(shí)體，然后在特定的關(guān)系下抽取客體實(shí)體，這種方法直接在三元組級(jí)別上進(jìn)行優(yōu)化，在關(guān)系的兩端抽取出唯一實(shí)體對(duì)，減少了重疊問(wèn)題。

為解決端到端關(guān)系抽取中的自回歸解碼的限制，Sui 等人[9]提出了一種無(wú)需固定關(guān)系順序的集合預(yù)測(cè)網(wǎng)絡(luò)SPN 模型，模型先使用Bert 和字節(jié)對(duì)編碼（byte pair encode，BPE），然后用N個(gè)包含關(guān)系之間的self-attention、關(guān)系與句子之間的inter-attention（cross-attention）的transformer層解碼關(guān)系三元組，解決了自回歸解碼器中需要固定關(guān)系三元組順序的問(wèn)題。但是，由于主體實(shí)體、客體實(shí)體和關(guān)系同時(shí)被解碼出來(lái)，可能存在主客實(shí)體之間聯(lián)系性不強(qiáng)、實(shí)體與關(guān)系之間交互不理想的問(wèn)題。

鑒于上述條件，本文提出了一種融合雙階段解碼的實(shí)體關(guān)系聯(lián)合抽取模型。模型遵循了端到端的工作方法，解決實(shí)體關(guān)系聯(lián)合抽取的問(wèn)題。在級(jí)聯(lián)解碼實(shí)體的基礎(chǔ)上，采用集合預(yù)測(cè)的方法抽取關(guān)系三元組，可以加強(qiáng)實(shí)體與實(shí)體之間、實(shí)體與關(guān)系之間的交互。模型由三部分組成：句子編碼器、實(shí)體解碼器和關(guān)系集合預(yù)測(cè)網(wǎng)絡(luò)。首先采用Bert[10]作為句子編碼器，然后基于多頭注意力機(jī)制識(shí)別實(shí)體，最后在生成關(guān)系時(shí)采用基于注意力機(jī)制的關(guān)系集合預(yù)測(cè)網(wǎng)絡(luò)解碼出嵌入主客實(shí)體信息的關(guān)系三元組。

本文的貢獻(xiàn)在于：

（1）提出一個(gè)新的端到端的網(wǎng)絡(luò)模型，基于級(jí)聯(lián)解碼的思想，識(shí)別主體實(shí)體和客體實(shí)體，抽取出的實(shí)體不受關(guān)系的限制，緩解了實(shí)體識(shí)別的不平衡性。

（2）提出一種新的集合預(yù)測(cè)方法，將抽取出的實(shí)體融合到全文信息后嵌入到集合預(yù)測(cè)網(wǎng)絡(luò)，抽取出關(guān)系。通過(guò)同一編碼器實(shí)現(xiàn)共享參數(shù)，加強(qiáng)實(shí)體與關(guān)系之間的聯(lián)系和交互，同時(shí)進(jìn)一步加強(qiáng)實(shí)體與實(shí)體之間的聯(lián)系。

（3）本文提出的方法在NYT 和WebNLG 兩個(gè)公開(kāi)數(shù)據(jù)集上的實(shí)驗(yàn)證明，該方法在準(zhǔn)確率和F1 值上表現(xiàn)較優(yōu)，并且在復(fù)雜情況下的抽取結(jié)果具有一定優(yōu)勢(shì)；在ACE2005 數(shù)據(jù)集上證明，該方法在準(zhǔn)確率上表現(xiàn)較優(yōu)，在解決關(guān)系抽取問(wèn)題中具有可靠性。證明了模型的有效性。

1 關(guān)系抽取的研究現(xiàn)狀

1.1 基于流水線的方法

現(xiàn)有的基于深度學(xué)習(xí)的監(jiān)督方法可以將關(guān)系抽取任務(wù)分為基于流水線的方法和基于聯(lián)合的方法?；诹魉€的方法將關(guān)系抽取任務(wù)劃分為命名實(shí)體識(shí)別[11]和關(guān)系抽取[12]兩個(gè)任務(wù)，例如Wang等人[13]和Cai等人[14]的工作。Zhong 和Chen[15]提出了一種優(yōu)于大部分聯(lián)合模型的流水線方法，該方法基于兩個(gè)獨(dú)立的編碼器，將實(shí)體模型作為關(guān)系模型的輸入，驗(yàn)證了在關(guān)系模型中融合實(shí)體信息以及合并全局上下文的重要性。由于兩個(gè)任務(wù)串聯(lián)進(jìn)行，因此，實(shí)體識(shí)別任務(wù)和關(guān)系抽取任務(wù)不能很好地交互；同時(shí)，前一個(gè)任務(wù)的錯(cuò)誤會(huì)累積到下一個(gè)任務(wù)中，從而產(chǎn)生誤差傳遞的問(wèn)題；最后，實(shí)體對(duì)是兩兩組合產(chǎn)生的，但是并不是每個(gè)實(shí)體對(duì)都存在關(guān)系，這樣就會(huì)產(chǎn)生冗余實(shí)體，也會(huì)產(chǎn)生誤差傳播，從而降低整個(gè)模型的性能。

1.2 基于聯(lián)合抽取的方法

為解決流水線模型的弊端，越來(lái)越多的學(xué)者嘗試用聯(lián)合模型來(lái)解決關(guān)系抽取問(wèn)題。聯(lián)合學(xué)習(xí)模型可以同時(shí)識(shí)別實(shí)體和關(guān)系，直接得到實(shí)體-關(guān)系三元組。按照建模對(duì)象的不同，又將聯(lián)合模型分為共享參數(shù)的方法和序列標(biāo)注的方法。其中，共享參數(shù)的方法有效解決了錯(cuò)誤傳播的問(wèn)題。Li 等人[16]在Miwa 等人[5]提出的模型上進(jìn)行了兩點(diǎn)改進(jìn)：（1）在關(guān)系分類任務(wù)中引入了一種新的關(guān)系，以區(qū)分有效實(shí)體和無(wú)效實(shí)體；（2）為了避免單向逐步預(yù)測(cè)實(shí)體標(biāo)簽產(chǎn)生的錯(cuò)誤傳播問(wèn)題，將解碼方式由貪婪搜索換為波束搜索。Katiyar 等人[17]還提出了一種無(wú)需訪問(wèn)依賴樹(shù)的基于注意力的遞歸神經(jīng)網(wǎng)絡(luò)，模型由多層雙向遞歸網(wǎng)絡(luò)組成，并使用頂層的隱藏表示進(jìn)行聯(lián)合實(shí)體和關(guān)系提取。不同于在單個(gè)編碼器內(nèi)捕獲兩個(gè)任務(wù)信息的設(shè)計(jì)，Wang 等人[18]構(gòu)造了表編碼器和序列編碼器分別捕獲兩種不同任務(wù)的信息，并且在表示過(guò)程中相互學(xué)習(xí)，將聯(lián)合任務(wù)轉(zhuǎn)化成表格填充問(wèn)題。序列標(biāo)注的方法除了可以解決錯(cuò)誤傳播的問(wèn)題，同時(shí)還解決了實(shí)體冗余的問(wèn)題。Li 等人[19]將實(shí)體關(guān)系抽取問(wèn)題轉(zhuǎn)化為多輪問(wèn)答問(wèn)題，模型首先查詢要識(shí)別的實(shí)體類或者關(guān)系類編碼的重要信息，然后聯(lián)合建模實(shí)體和關(guān)系，利用機(jī)器閱讀理解模型抽取實(shí)體或者關(guān)系。

1.3 聯(lián)合抽中的重疊問(wèn)題

目前，按照實(shí)體的重疊程度，可以將重疊問(wèn)題劃分為三種類型[8]：正常類（Normal），單實(shí)體重疊（single entity overlap，SEO）和實(shí)體對(duì)重疊（entity pair overlap，EPO），示例如表1所示。

表1 關(guān)系重疊示例Table 1 Examples of overlapping relationships

解決關(guān)系重疊問(wèn)題又分為基于序列到序列（sequence to sequence，Seq2Seq）、基于圖（graph-based）和基于預(yù)訓(xùn)練語(yǔ)言模型（pre-trained language model，PTM）三種方法。在這些方法之下又按照解決問(wèn)題建模方式的不同分為級(jí)聯(lián)解碼（cascade decoding）的方法和編碼器-解碼器（encoder-decoder）方法。

Ma 等人[20]提出了一種級(jí)聯(lián)雙解碼抽取模型，不同于先檢測(cè)實(shí)體的模型，該方法首先檢測(cè)句子中的關(guān)系，然后在特定的關(guān)系下依次抽取主體實(shí)體和客體實(shí)體，使得該模型在解決重疊問(wèn)題上也達(dá)到了很好的效果。Dixit 等人[21]為解決span-level 特征的重疊實(shí)體建模問(wèn)題，并緩解順序解碼存在的級(jí)聯(lián)錯(cuò)誤，提出了一種可以直接建模所有可能span 的模型。田佳來(lái)等人[22]提出了一種基于BIO標(biāo)注方案的分層序列標(biāo)注方法，在抽取出主體實(shí)體的前提下，按照預(yù)先定義的關(guān)系類別抽取出客體實(shí)體，從而抽取出實(shí)體-關(guān)系三元組，該方法同時(shí)引入了GLU Dilated CNN 對(duì)句子進(jìn)行編碼，采用自注意力機(jī)制提高模型抽取能力，在WebNLG 公開(kāi)數(shù)據(jù)集上F1值達(dá)到86.4%，并成功將模型運(yùn)用到軍事領(lǐng)域，F(xiàn)1 值達(dá)到80.84%。這些級(jí)聯(lián)解碼的方法，在一定程度上都受到了特定條件的限制，使解碼的實(shí)體和關(guān)系之間的重要程度不平衡。

Zeng 等人[23]提出一種采用自回歸解碼器且具有復(fù)制機(jī)制的CopyRE模型，該模型在解決重疊問(wèn)題上取得一定的效果，但是復(fù)制機(jī)制導(dǎo)致識(shí)別實(shí)體不全，且順序解碼三元組限制了無(wú)序關(guān)系的抽取。后來(lái)，Zeng等人[24]雖然在原有的模型上進(jìn)行改進(jìn)，但是并未打破自回歸解碼器本身的限制，得到的三元組依然存在交互不平衡的問(wèn)題。

以解決關(guān)系抽取的重疊問(wèn)題為方向，解決三元組內(nèi)部及三元組之間的交互問(wèn)題和不平衡問(wèn)題為目標(biāo)。本文提出一種新的實(shí)體關(guān)系聯(lián)合抽取模型。模型首先采用Bert進(jìn)行編碼，然后采用級(jí)聯(lián)解碼的思想先解碼主體實(shí)體和客體實(shí)體，最后將初步所得的結(jié)果嵌入到非自回歸解碼器中，解碼出關(guān)系，從而得到實(shí)體-關(guān)系三元組。

2 融合雙階段解碼的聯(lián)合抽取方法

把關(guān)系預(yù)測(cè)問(wèn)題轉(zhuǎn)換為三元組建模問(wèn)題。關(guān)系抽取的目標(biāo)為抽取句子中的(s,r,o)，其中，s為主體實(shí)體，o為客體實(shí)體，r為主客實(shí)體之間的關(guān)系。Seq2Seq模型的解碼方法如式（1）所示：

其中，x為先驗(yàn)句子，為解碼出的詞語(yǔ)，給定一個(gè)句子x，在所有y上建模，使生成的概率最大似然。由此，可以得出三元組的抽取方法如式（2）所示：

其中，x是輸入的句子。首先抽取出主語(yǔ)s和客體o，然后將句子x和實(shí)體解碼出關(guān)系r。最終從輸入的句子中，得到n個(gè)實(shí)體si(i=1,2,…,n)和m個(gè)客體實(shí)體oj(j=1,2,…,m)以及它們之間的關(guān)系

本章將詳細(xì)介紹模型的三個(gè)組成部分：句子編碼器、實(shí)體解碼器和非自回歸解碼器。本文模型框架如圖1 所示。其中Te表示BERT 編碼的句子向量；Sstart和Send分別表示主體實(shí)體的開(kāi)始位置和結(jié)束位置，Ostart和Oend分別表示客體實(shí)體的開(kāi)始位置和結(jié)束位置。

圖1 模型框架Fig.1 Model framework

2.1 任務(wù)定義

實(shí)體關(guān)系聯(lián)合抽取是將給定句子中所有的實(shí)體以及所有實(shí)體之間的關(guān)系三元組抽取出來(lái)。給定一個(gè)句子，句子S=(x1,x2,…,xn)中包含n個(gè)字符，給定一個(gè)目標(biāo)三元組集合，集合Y={(s1,r1,o1),(s2,r2,o2),…,(sm,rm,om)|si,oi∈E,ri∈R}包含m個(gè)三元組，其中E和R分別為實(shí)體集和關(guān)系集。整個(gè)任務(wù)的算法流程圖如圖2 所示。在實(shí)體關(guān)系聯(lián)合抽取中將抽取出每一個(gè)句子的所有實(shí)體-關(guān)系三元組作為任務(wù)目的。

圖2 算法流程圖Fig.2 Chart of algorithm flow

2.2 句子編碼器

為了加強(qiáng)句子中每個(gè)字符之間的感知，更好地獲得句子的上下文表征，本文采用來(lái)源于Transformer 雙向編碼器的Bert 為輸入模型中的句子進(jìn)行編碼，其中，Bert結(jié)構(gòu)如圖3所示，計(jì)算方法如式（3）和（4）所示：

圖3 Bert網(wǎng)絡(luò)結(jié)構(gòu)模型Fig.3 Network structure model of Bert

其中，S為輸入句子中字詞索引的one-hot 矩陣，Ws為字詞的embedding 矩陣，Wp為所有位置索引p的位置嵌入矩陣。hα為輸入句子在第α層的上下文表示。編碼后得到的每個(gè)字符的上下文特征為，其中n為句子的字符個(gè)數(shù)，d為隱藏單元數(shù)量。

2.3 實(shí)體解碼器

實(shí)體解碼器的目標(biāo)是得到實(shí)體信息。在解碼實(shí)體的過(guò)程中采用多頭注意力機(jī)制[25]來(lái)進(jìn)一步提取特征。同時(shí)，基于一個(gè)二進(jìn)制分類器，從輸入的句子中檢測(cè)到主體實(shí)體，其中包括主體實(shí)體的開(kāi)始位置和結(jié)束位置，然后將檢測(cè)到的候選實(shí)體作為下一階段解碼任務(wù)的先驗(yàn)知識(shí)。首先，將經(jīng)過(guò)Bert編碼得到的特征通過(guò)多頭注意力機(jī)制進(jìn)行建模，過(guò)程如式（5）所示：

其中，表示第i個(gè)token經(jīng)過(guò)Bert編碼和多頭注意力機(jī)制后得到的向量表示。然后經(jīng)過(guò)全連接層得到輸出代表標(biāo)簽的數(shù)量的維度，以此來(lái)標(biāo)記主體實(shí)體的開(kāi)始位置和結(jié)束位置。計(jì)算方法如式（6）和（7）所示：

2.4 關(guān)系集合預(yù)測(cè)網(wǎng)絡(luò)

非自回歸解碼器由N個(gè)transformer 層構(gòu)成，對(duì)關(guān)系的預(yù)測(cè)本身是無(wú)序的，因此采用該解碼模塊可以不考慮三元組的順序問(wèn)題。采用集合預(yù)測(cè)方法生成三元組的條件概率如式（8）所示：

其中，PL(m|S)表示目標(biāo)三元組集合的大小，m表示三元組個(gè)數(shù)，P(Yi|S,Yi≠j;θ)表示Yi不僅與給定句子S有關(guān)，還與其他三元組Yj≠i有關(guān)。

由于將解碼得到的實(shí)體嵌入到了預(yù)測(cè)三元組的解碼器中，同時(shí)又受到SPN 模型[9]和DSPNEF 模型[26]的啟發(fā)，將式（8）中條件概率公式展開(kāi)為式（9）所示：

其中，ki是經(jīng)過(guò)transformer層得到的第i個(gè)三元組的嵌入信息，最后通過(guò)前饋神經(jīng)網(wǎng)絡(luò)將ki解碼成預(yù)測(cè)的實(shí)體-關(guān)系三元組。為加強(qiáng)實(shí)體信息在三元組預(yù)測(cè)中的作用，本文將得到的實(shí)體信息拼接到Bert 編碼的輸出中，構(gòu)建實(shí)體信息增強(qiáng)的原始數(shù)據(jù)信息表示。

在具體操作中，首先需要將三元組初始化，同時(shí)設(shè)定PL(m|S)的大小為m，其中m的個(gè)數(shù)遠(yuǎn)大于句子中真實(shí)三元組的數(shù)量。初始化過(guò)程表示為式（10）所示：

其中，表示第i個(gè)三元組的嵌入信息，gi表示初始化的三元組，Wg∈Rm×d表示訓(xùn)練權(quán)重，bg表示偏置項(xiàng)。初始化的三元組首先經(jīng)過(guò)多頭自注意力的建模，建模過(guò)程如式（11）所示：

其中，ci表示融合了其他三元組特征的第i個(gè)三元組經(jīng)過(guò)多頭自注意力的輸出。然后，通過(guò)多頭間注意力將新的句子信息融合到初始建模的三元組中，具體過(guò)程如式（12）所示：

其中，表示第i個(gè)三元組經(jīng)過(guò)多頭間注意力的輸出，te表示給定句子中帶有上下文信息的Bert 編碼器的輸出，es=sstart+send表示主體實(shí)體，eo=ostart+oend表示客體實(shí)體。最后，采用前饋神經(jīng)網(wǎng)絡(luò)將關(guān)系解碼出來(lái)，計(jì)算方法如式（13）所示：

其中，pr為預(yù)測(cè)的關(guān)系類型，Wr∈Rt×d表示可訓(xùn)練的權(quán)重。并且通過(guò)四個(gè)分類器分別預(yù)測(cè)主體和客體的開(kāi)始位置和結(jié)束位置索引，計(jì)算方法如下式所示：

2.5 損失函數(shù)

3 實(shí)驗(yàn)數(shù)據(jù)與分析

3.1 數(shù)據(jù)集

為完成實(shí)體關(guān)系聯(lián)合抽取任務(wù)并解決重疊問(wèn)題，本文在三個(gè)公開(kāi)數(shù)據(jù)集上評(píng)估本文模型：NYT 數(shù)據(jù)集、WebNLG數(shù)據(jù)集和ACE2005數(shù)據(jù)集。

NYT 數(shù)據(jù)集是由遠(yuǎn)程監(jiān)督生成的新聞?wù)Z料庫(kù)，數(shù)據(jù)集中包括了24種預(yù)定義的關(guān)系。WebNLG數(shù)據(jù)集起初是為自然語(yǔ)言生成準(zhǔn)備的，數(shù)據(jù)集包括了246種預(yù)定義的關(guān)系。這兩個(gè)數(shù)據(jù)集都按照三元組的不同重疊程度劃分出了三種類型[8]，即正常類（Normal）、單實(shí)體重疊（SEO）和實(shí)體對(duì)重疊（EPO），需要注意的是一個(gè)句子既可以屬于SEO類型也可以屬于EPO類型。本文采用SPN[9]中的數(shù)據(jù)集。

ACE2005 數(shù)據(jù)集包含7 種實(shí)體類型和6 種關(guān)系類型，有英語(yǔ)、阿拉伯語(yǔ)和普通話三種語(yǔ)言文本，并對(duì)實(shí)體、關(guān)系和事件進(jìn)行了注釋。可以進(jìn)行實(shí)體識(shí)別、值、關(guān)系和事件等系統(tǒng)性能的評(píng)估。本文將ACE2005英文文本數(shù)據(jù)集進(jìn)行預(yù)處理，實(shí)現(xiàn)抽取與重構(gòu)。具體是：抽取非結(jié)構(gòu)化數(shù)據(jù)中的“sentence”信息；“entity_mentions”中的實(shí)體名稱和具體實(shí)體類型，“relation_mentions”中的18種具體關(guān)系類型，并將這兩部分重構(gòu)，形成新的三元組。最后，對(duì)處理后的數(shù)據(jù)進(jìn)行Normal、SEO和EPO三種分類統(tǒng)計(jì)。各數(shù)據(jù)集的統(tǒng)計(jì)數(shù)據(jù)如表2所示。

表2 數(shù)據(jù)集統(tǒng)計(jì)信息Table 2 Statistics of dataset

3.2 評(píng)價(jià)指標(biāo)

本文采用評(píng)價(jià)模型性能的指標(biāo)分別為：精準(zhǔn)率（Precision）、召回率（Recall）、F1 值。當(dāng)預(yù)測(cè)產(chǎn)生的實(shí)體-關(guān)系三元組與真實(shí)的實(shí)體-關(guān)系三元組完全一致時(shí)，作為正確識(shí)別的三元組。

3.3 基線模型

為驗(yàn)證本文模型的有效性，將本文模型與以下基線模型進(jìn)行比較：

（1）CasRel[8]：提出一種級(jí)聯(lián)二進(jìn)制標(biāo)記方案，首先識(shí)別主體實(shí)體，然后基于特定關(guān)系識(shí)別客體實(shí)體，直接抽取出實(shí)體-關(guān)系三元組。

（2）SPN[9]：提出一種基于Transformer的非自回歸解碼器的集合預(yù)測(cè)網(wǎng)絡(luò)，同時(shí)設(shè)計(jì)一種基于集合的損失，直接預(yù)測(cè)三元組。

（3）PURE[15]：提出一種基于兩個(gè)獨(dú)立編碼器的流水線方法，采用實(shí)體模型構(gòu)建關(guān)系模型的輸入。

（4）Model[17]：提出一種新的基于注意的遞歸神經(jīng)網(wǎng)絡(luò)，用于實(shí)體提及和關(guān)系的聯(lián)合提取。

（5）Multi-turn QA[19]：提出一種新的實(shí)體關(guān)系提取范式，將實(shí)體和關(guān)系的提取轉(zhuǎn)化為從上下文中識(shí)別答案范圍的多輪問(wèn)答任務(wù)。

（6）Model[21]：提出一種可以直接建模所有可能跨度的模型，打破了無(wú)法輕松定義和實(shí)現(xiàn)span-level 特征的局限性。

（7）HSL[22]：采取一種新的標(biāo)記方案，基于GLU Dilated CNN編碼和Bi-LSTM模型分層次解碼標(biāo)記的主體實(shí)體和客體實(shí)體。

（8）CopyR[23]：提出一種基于序列到序列學(xué)習(xí)和復(fù)制機(jī)制方案，采用統(tǒng)一解碼和分離解碼兩種策略抽取實(shí)體和關(guān)系信息。

（9）CopyMTL[24]：提出一種帶有復(fù)制機(jī)制的多任務(wù)學(xué)習(xí)框架，可以預(yù)測(cè)多標(biāo)記實(shí)體，有效緩解重疊問(wèn)題。

（10）GraphRel[26]：提出一種基于圖卷積神經(jīng)網(wǎng)絡(luò)（GCN）的實(shí)體關(guān)系聯(lián)合抽取模型，首先采用Bi-LSTM和GCN 抽取順序和區(qū)域依賴詞特征，然后基于預(yù)測(cè)的第一階段關(guān)系構(gòu)建完整的關(guān)系圖，進(jìn)一步考慮實(shí)體和關(guān)系之間的交互。

3.4 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)環(huán)境在Windows 系統(tǒng)下使用PyTorch 深度學(xué)習(xí)框架，使用CUDA框架10.2。GPU為NVIDIA GeForce RTX 3060，內(nèi)存16 GB。實(shí)驗(yàn)復(fù)現(xiàn)了SPN[9]模型，在一定條件下本文模型與復(fù)現(xiàn)優(yōu)秀模型有一定優(yōu)勢(shì)，但與優(yōu)秀模型中的最好結(jié)果有一定差距，baseline 中展示復(fù)現(xiàn)結(jié)果，參數(shù)設(shè)置batch_size 為8，eopch 為100，NYT 數(shù)據(jù)集上初始化三元組個(gè)數(shù)為15，解碼層個(gè)數(shù)為3，na_rel_coef為1，max_grad_norm為1，encoder_lr為1E-5，decoder_lr為2E-5，WebNLG數(shù)據(jù)集上初始化三元組個(gè)數(shù)為10，解碼層個(gè)數(shù)為4，na_rel_coef為0.25，max_grad_norm為20，encoder_lr為2E-5，decoder_lr為5E-5。除此之外，還復(fù)現(xiàn)了用Bert進(jìn)行編碼的PURE[15]模型。

3.4.1 模型性能的實(shí)驗(yàn)評(píng)估

如表3所示，本文模型在NYT數(shù)據(jù)集上準(zhǔn)確率達(dá)到80.5%，比SPN 模型提升了1.7 個(gè)百分點(diǎn)，F(xiàn)1 值達(dá)到73.6%，比SPN 模型提升了0.4 個(gè)百分點(diǎn)。在WebNLG數(shù)據(jù)集上召回率達(dá)到88.6%，比SPN 模型提升了1.6 個(gè)百分點(diǎn)，F(xiàn)1值達(dá)到88.6%，比SPN模型提升了0.5個(gè)百分點(diǎn)。在ACE2005 數(shù)據(jù)集上準(zhǔn)確率比Model[21]模型提升了1.1個(gè)百分點(diǎn)，比PURE模型提升了2.7個(gè)百分點(diǎn)。

表3 模型在數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果Table 3 Experimental results of model on datasets 單位：%

如表4所示，展示了本文方法對(duì)實(shí)體識(shí)別和關(guān)系抽取的作用。本文模型在NYT 數(shù)據(jù)集上，對(duì)關(guān)系的抽取表現(xiàn)較好，這種優(yōu)勢(shì)主要體現(xiàn)在準(zhǔn)確率（P）指標(biāo)上；在WebNLG 數(shù)據(jù)集上，在實(shí)體和關(guān)系的抽取上都表現(xiàn)較好，這種優(yōu)勢(shì)主要體現(xiàn)在關(guān)系實(shí)體識(shí)別和關(guān)系抽取的召回率（R）指標(biāo)上。

表4 模型在三元組上的實(shí)驗(yàn)結(jié)果Table 4 Experimental results of model on triples 單位：%

3.4.2 重疊問(wèn)題的實(shí)驗(yàn)評(píng)估

為了驗(yàn)證模型在解決重疊問(wèn)題上的效果，本文在NYT數(shù)據(jù)集和WebNLG數(shù)據(jù)集上做進(jìn)一步的實(shí)驗(yàn)。

如表5 所示，對(duì)于NYT 數(shù)據(jù)集，本模型在抽取正常類（Normal）三元組時(shí)效果與其他模型差距不大，在抽取單實(shí)體重疊類（SEO）時(shí)略高于SPN模型，在抽取實(shí)體對(duì)重疊類（EPO）三元組時(shí)比SPN 模型提升了0.5 個(gè)百分點(diǎn)；對(duì)于WebNLG數(shù)據(jù)集，本模型在抽取正常類（Normal）三元組時(shí)效果不理想，比SPN模型的F1值低了1.9個(gè)百分點(diǎn)，在抽取單實(shí)體重疊類（SEO）和實(shí)體對(duì)重疊類（EPO）三元組時(shí)比SPN模型分別提升了0.5個(gè)百分點(diǎn)。

表5 模型和其他方法在測(cè)試集上的F1得分Table 5 F1 scores of model and other methods on test set 單位：%

如圖4 所示，從（a）（b）（c）中看出，部分模型在處理重疊問(wèn)題時(shí)出現(xiàn)下降趨勢(shì)，說(shuō)明SEO 問(wèn)題和EPO 問(wèn)題相比于Normal 問(wèn)題是較為復(fù)雜的問(wèn)題，本文模型在處理這類問(wèn)題時(shí)有一定優(yōu)勢(shì)，且對(duì)SEO 問(wèn)題和EPO 問(wèn)題的處理更好一些。

圖4 不同重疊模式的句子中提取關(guān)系三元組的F1得分Fig.4 F1 score for extracting relational triples from sentences with different overlapping patterns

為了探究本文模型在不同數(shù)據(jù)集上的性能，分別在NYT 數(shù)據(jù)集、WebNLG 數(shù)據(jù)集和ACE2005 數(shù)據(jù)集上就Normal、SEO 和EPO 三個(gè)問(wèn)題進(jìn)行實(shí)驗(yàn)結(jié)果分析。實(shí)驗(yàn)結(jié)果如表5所示。

從表6 可以看出，在解決關(guān)系抽取中的重疊問(wèn)題時(shí)，本文模型在WebNLG數(shù)據(jù)集上綜合表現(xiàn)最優(yōu)，在NYT數(shù)據(jù)集上綜合表現(xiàn)次之，且二者都遠(yuǎn)高于在ACE2005數(shù)據(jù)集上的表現(xiàn)。在ACE2005 數(shù)據(jù)集中，解決Normal類問(wèn)題的F1 得分遠(yuǎn)高于SEO 類和EPO 類，結(jié)合表2 中的數(shù)據(jù)集統(tǒng)計(jì)信息發(fā)現(xiàn)，在訓(xùn)練集和測(cè)試集中所有存在EPO類問(wèn)題的句子均包含于存在SEO類問(wèn)題的句子，考慮是因?yàn)樵摂?shù)據(jù)集中句子含有復(fù)雜的三元組信息較少，導(dǎo)致了模型在ACE2005數(shù)據(jù)集上的表現(xiàn)不理想。

表6 不同數(shù)據(jù)集上三類問(wèn)題的F1得分Table 6 F1 scores for three types of problems on different data sets 單位：%

3.4.3 不同數(shù)量的三元組的實(shí)驗(yàn)評(píng)估

為了進(jìn)一步驗(yàn)證重疊問(wèn)題中模型對(duì)句子中不同數(shù)量三元組的性能，本文將在NYT 數(shù)據(jù)集和WebNLG 數(shù)據(jù)集上繼續(xù)實(shí)驗(yàn)。

如表7 所示，當(dāng)句子含有多個(gè)三元組的情況下，本文模型效果整體接近優(yōu)秀模型，在NYT數(shù)據(jù)集上，當(dāng)三元組個(gè)數(shù)為1、2、4 個(gè)時(shí)，本文模型效果均優(yōu)于SPN 模型，當(dāng)三元組個(gè)數(shù)為3個(gè)和4個(gè)時(shí)，本文模型效果穩(wěn)定略低于SPN模型；在WbNLG數(shù)據(jù)集上，當(dāng)三元組個(gè)數(shù)為1個(gè)、2 個(gè)和大于5 個(gè)時(shí)，本文模型效果均優(yōu)于SPN 模型，當(dāng)三元組個(gè)數(shù)為3 個(gè)和4 個(gè)時(shí)，本文模型效果穩(wěn)定略低于SPN模型。

表7 句子中不同數(shù)量三元組的F1得分Table 7 F1 scores for different number of triples in sentence 單位：%

如圖5所示，在（a）代表的NYT數(shù)據(jù)集上，模型在處理句子中包含多個(gè)三元組的問(wèn)題時(shí)，模型效果與句子中包含三元組的個(gè)數(shù)成反比，在（b）代表的WebNLG 數(shù)據(jù)集上，本文模型與SPN 模型在效果中整體優(yōu)于其他模型，并且本文模型在現(xiàn)有的數(shù)據(jù)中呈現(xiàn)出隨著三元組個(gè)數(shù)的增加則模型效果更好的情況，說(shuō)明本文模型可以更好地抽取復(fù)雜場(chǎng)景中的三元組。

為探究本文模型在不同數(shù)據(jù)集上的性能，本文首先統(tǒng)計(jì)了NYT、WebNLG 和ACE2005 三個(gè)數(shù)據(jù)集中三元組個(gè)數(shù)分別為1、2、3、4、5及以上的句子總數(shù)，然后對(duì)句子中包含不同數(shù)量三元組的文本數(shù)據(jù)進(jìn)行實(shí)驗(yàn)評(píng)估。數(shù)據(jù)統(tǒng)計(jì)如表8所示，實(shí)驗(yàn)結(jié)果如表9所示。

表8 不同數(shù)據(jù)集包含不同數(shù)量三元組的數(shù)據(jù)統(tǒng)計(jì)Table 8 Data statistics for different data sets containing different number of triples

表9 不同數(shù)據(jù)集包含不同數(shù)量三元組的F1得分Table 9 F1 scores for different data sets containing different number of triads 單位：%

如表8所示，ACE2005數(shù)據(jù)集比NYT數(shù)據(jù)集和WebNLG數(shù)據(jù)集中可訓(xùn)練的包含多個(gè)三元組的樣本數(shù)量少。

從表9 可以看出，對(duì)于不同數(shù)量的三元組，模型在NYT 數(shù)據(jù)集和WebNLG 數(shù)據(jù)集上表現(xiàn)較優(yōu)，且隨著三元組數(shù)量的不斷增多，模型表現(xiàn)更好。相比于模型在ACE2005數(shù)據(jù)集上表現(xiàn)不理想的情況，考慮數(shù)據(jù)自身如表8所示，在訓(xùn)練集和測(cè)試集中包含的多個(gè)三元組數(shù)量較少，導(dǎo)致訓(xùn)練和評(píng)估不足，影響了模型的效果。

4 結(jié)束語(yǔ)

本文提出一種融合雙階段解碼的實(shí)體關(guān)系聯(lián)合抽取模型，在實(shí)體解碼階段主要抽取實(shí)體集合，在關(guān)系集合預(yù)測(cè)網(wǎng)絡(luò)階段主要融合上級(jí)解碼結(jié)果并抽取數(shù)據(jù)中的關(guān)系三元組。

實(shí)驗(yàn)結(jié)果表明，模型在NYT 和WebNLG 公開(kāi)數(shù)據(jù)集上效果較好，在ACE2005公開(kāi)數(shù)據(jù)集上的表現(xiàn)一般，驗(yàn)證了模型的有效性。模型又在三個(gè)數(shù)據(jù)集上分別對(duì)Normal、SEO 和EPO 三類問(wèn)題以及不同數(shù)量的三元組進(jìn)行驗(yàn)證，其中，在NYT和WebNLG數(shù)據(jù)集上整體表現(xiàn)良好，驗(yàn)證了模型為解決三元組重疊問(wèn)題的可靠性。對(duì)比SPN 模型原文，復(fù)現(xiàn)效果與原文有一定差距，且本文模型在NYT數(shù)據(jù)上的表現(xiàn)與WebNLG數(shù)據(jù)集上的表現(xiàn)也有一定差距，主要考慮參數(shù)設(shè)置等帶來(lái)的影響。在ACE2005數(shù)據(jù)集上的抽取效果不理想，由于該數(shù)據(jù)集處理重疊問(wèn)題的Baseline較少，考慮到可能是復(fù)雜樣本數(shù)據(jù)量較少的原因。