​GPLinker：基于GlobalPointer的实体关系联合抽取

©PaperWeekly 原创 · 作者 | 苏剑林

单位 | 追一科技

研究方向 | NLP、神经网络

两年前，在百度的“2019 语言与智能技术竞赛”（下称 LIC2019）中，笔者提出了一个新的关系抽取模型（参考《基于 DGCNN 和概率图的轻量级信息抽取模型》），后被进一步发表和命名为“CasRel”，算是当时关系抽取的 SOTA。然而，CasRel 提出时笔者其实也是首次接触该领域，所以现在看来 CasRel 仍有诸多不完善之处，笔者后面也有想过要进一步完善它，但也没想到特别好的设计。

后来，笔者提出了 GlobalPointer 以及近日的 Efficient GlobalPointer，感觉有足够的“材料”来构建新的关系抽取模型了。于是笔者从概率图思想出发，参考了 CasRel 之后的一些 SOTA 设计，最终得到了一版类似 TPLinker 的模型。

基础思路

关系抽取乍看之下是三元组 （即 subject, predicate, object）的抽取，但落到具体实现上，它实际是“五元组” 的抽取，其中 分别是 的首、尾位置，而 则分别是 的首、尾位置。

从概率图的角度来看，我们可以这样构建模型：

1. 设计一个五元组的打分函数 ；

2. 训练时让标注的五元组 ，其余五元组则 ；

3. 预测时枚举所有可能的五元组，输出 的部分。

然而，直接枚举所有的五元组数目太多，假设句子长度为 ， 的总数为 ，即便加上 和 的约束，所有五元组的数目也有

这是长度的四次方级别的计算量，实际情况下难以实现，所以必须做一些简化。

简化分解

以我们目前的算力来看，一般最多也就能接受长度平方级别的计算量，所以我们每次顶多能识别“一对”首或尾，为此，我们可以用以下的分解：

要注意的是，该等式属于模型假设，是基于我们对任务的理解以及算力的限制所设计出来的，而不是理论推导出来的。其中，每一项都具直观的意义，比如 、 分别是 subject、object 的首尾打分，通过 和 来析出所有的 subject 和 object。至于后两项，则是 predicate 的匹配， 这一项代表以 subject 和 object 的首特征作为它们自身的表征来进行一次匹配，如果我们能确保 subject 内和 object 内是没有嵌套实体的，那么理论上 就足够析出所有的 predicate 了，但考虑到存在嵌套实体的可能，所以我们还要对实体的尾再进行一次匹配，即 这一项。

此时，训练和预测过程变为：

1. 训练时让标注的五元组 、、、，其余五元组则 、、、；

2. 预测时枚举所有可能的五元组，逐次输出 、、、 的部分，然后取它们的交集作为最终的输出（即同时满足 4 个条件）。

在实现上，由于 、 是用来识别 subject、object 对应的实体的，它相当于有两种实体类型的 NER 任务，所以我们可以用一个 GlobalPointer 来完成；至于 ，它是用来识别 predicate 为 的 对，跟 NER 不同的是，NER 有 的约束而它没有，这里我们同样用 GlobalPointer 来完成，但为了识别出 的部分，要去掉 GlobalPointer 默认的下三角  mask；最后 跟 同理，不再赘述。

这里再回顾一遍：我们知道，作为 NER 模块，GlobalPointer 可以统一识别嵌套和非嵌套的实体，而这是它基于 token-pair 的识别来做到的。所以，我们应该进一步将 GlobalPointer 理解为一个 token-pair 的识别模型，而不是局限在 NER 范围内理解它。认识到这一点之后，我们就能明白上述 、、、 其实都可以用 GlobalPointer 来实现了，而要不要加下三角 mask，则自行根据具体任务背景设置就好。

损失函数

现在我们已经把打分函数都设计好了，那么为了训练模型，就差损失函数了。这里继续使用 GlobalPointer 默认使用的、在《将“softmax+交叉熵”推广到多标签分类问题》中提出的多标签交叉熵，它的一般形式为：

其中 分别是正、负类别的集合。在之前的文章中，我们都是用“multi hot”向量来标记正、负类别的，即如果总类别数为 ，那么我们用一个 维向量来表示，其中正类的位置为 1，负类的位置为 0。然而，在 和 的场景，我们各需要一个 的矩阵来标记，两个加在一起并算上 batch_size 总维度就是 ，以 为例，那么 。这也就意味着，如果我们还坚持用“multi hot”的形式表示标签的话，每一步训练我们都要创建一个 1 亿参数量的矩阵，然后还要传到 GPU 中，这样不管是创建还是传输成本都很大。

所以，为了提高训练速度，我们需要实现一个“稀疏版”的多标签交叉熵，即每次都只传输正类所对应的的下标就好，由于正类远远少于负类，这样标签矩阵的尺寸就大大减少了。而“稀疏版”多标签交叉熵，意味着我们要在只知道 和 的前提下去实现式（3）。为此，我们使用的实现方式是：

如果即 ，那么可以写为

这样就通过 和 算出了负类对应的损失，而正类部分的损失保持不变就好。

最后，一般情况下的多标签分类任务正类个数是不定的，这时候我们可以将类的下标从 1 开始，将 0 作为填充标签使得每个样本的标签矩阵大小一致，最后在 loss 的实现上对 0 类进行 mask 处理即可。相应的实现已经内置在 bert4keras 中，详情可以参考“sparse_multilabel_categorical_crossentropy” [1]。

实验结果

为了方便称呼，我们暂且将上述模型称为 GPLinker（GlobalPointer-based Linking），一个基于 bert4keras 的参考实现如下：

脚本链接：task_relation_extraction_gplinker.py [2]

在 LIC2019 上的实验结果如下（CasRel 的代码为 task_relation_extraction.py [3]）：

预训练模型是 BERT base，Standard 和 Efficient 的区别是分别使用了标准版GlobalPointer 和 Efficient GlobalPointer。该实验结果说明了两件事情，一是 GPLinker 确实比 CasRel 更加有效，二是 Efficient GlobalPointer 的设计确实能在更少参数的情况下媲美标准版 GlobalPointer 的效果。要知道在 LIC2019 这个任务下，如果使用标准版 GlobalPointer，那么 GPLinker 的参数量接近 1 千万，而用 Efficient GlobalPointer 的话只有 30 万左右。

此外，在 3090 上，相比于“multi hot”版的多标签交叉熵，使用稀疏版多标签交叉熵的模型在训练速度上能提高 1.5 倍而不会损失精度，跟 CasRel 相比，使用了稀疏版多标签交叉熵的 GPLinker 在训练速度上只慢 15%，但是解码速度快将近一倍，算得上又快又好了。

相关工作

而对于了解这两年关系抽取 SOTA 模型进展的同学来说，理解上述模型后，会发现它跟 TPLinker [4] 是非常相似的。确实如此，模型在设计之初确实充分借鉴了 TPLinker，最后的结果也同样跟 TPLinker 很相似。

大体上来说，TPLinker 与 GPLinker 的区别如下：

1. TPLinker 的 token-pair 分类特征是首尾特征后拼接做 Dense 变换得到的，其思想来源于 Additive Attention；GPLinker 则是用 GlobalPointer 实现，其思想来源于 Scaled Dot-Product Attention。平均来说，后者拥有更少的显存占用和更快的计算速度。

2. GPLinker 分开识别 subject 和 object 的实体，而 TPLinker 将 subject 和 object 混合起来统一识别。笔者也在 GPLinker 中尝试了混合识别，发现最终效果跟分开识别没有明显区别。

3. 在 和 ，TPLinker 将其转化为了 个 3 分类问题，这会有明显的类别不平衡问题；而 GPLinker 用到了笔者提出的多标签交叉熵，则不会存在不平衡问题，更容易训练。事实上后来 TPLinker 也意识到了这个问题，并提出了 TPLinker-plus [5]，其中也用到了该多标签交叉熵。

当然，在笔者看来，本文的最主要贡献，并不是提出 GPLinker 的这些改动，而是对关系联合抽取模型进行一次“自上而下”的理解：从开始的五元组打分 出发，分析其难处，然后简化分解式（2）来“逐个击破”。希望这个自上而下的理解过程，能给读者在为更复杂的任务设计模型时提供一定的思路。

文章小结

本文分享了一个基于 GlobalPointer 的实体关系联合抽取模型——“GPLinker”，并提供了一个“自上而下”的推导理解给大家参考。

参考文献

[1] https://github.com/bojone/bert4keras/blob/4dcda150b54ded71420c44d25ff282ed30f3ea42/bert4keras/backend.py#L272

[2] https://github.com/bojone/bert4keras/tree/master/examples/task_relation_extraction_gplinker.py

[3] https://github.com/bojone/bert4keras/tree/master/examples/task_relation_extraction.py

[4] https://arxiv.org/abs/2010.13415

[5] https://github.com/131250208/TPlinker-joint-extraction/tree/master/tplinker_plus

更多阅读

#投 稿 通 道#

 让你的文字被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。 

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。

📝 稿件基本要求：

• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注 

• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题

• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算

📬 投稿通道：

• 投稿邮箱：[e-mail] 

• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者

• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿

△长按添加PaperWeekly小编

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

·