【论文阅读】Attention Guided Graph Convolutional Networks for Relation Extraction

绝地灬酷狼 2022-11-11 05:57 126阅读 0赞

> 把句法依存树当成输入  
> 在n元关系抽取，大规模句子级别关系抽取都能充分利用依存树的信息  
> [https://github.com/Cartus/AGGCN\_TACRED][https_github.com_Cartus_AGGCN_TACRED]

### 文章目录 ###

*   *  创新：
     *  GCN
     *  注意力引导层
     *  密连接层
     *  线性组合层
     *  关系抽取层

## 创新： ##

提出soft pruning策略，把一颗完整的依存树送到全连通边加权图里。  
这里的权重就通过attention学习得到

![在这里插入图片描述][20210319182838210.png]

## GCN ##

给定一个图，有n个节点，我们可以用 n ∗ n n\*n n∗n的邻接矩阵表达这个图结构。  
可以把边的方向性扩展到模型中，用来编码依存树  
每个结点都添加一个自环  
如果依存树里节点i到节点j有边，那在邻接矩阵里 A i j = 1 A\_\{ij\}=1 Aij=1， A j i = 1 A\_\{ji\}=1 Aji=1。否则就都是0  
第 l l l层节点 i i i卷积的运算，把输入特征的表示 h l − 1 h^\{l-1\} hl−1作为输入，输出就叫 h l h^\{l\} hl  
![在这里插入图片描述][202103191844269.png]  
最外面套的激活函数 ρ \\rho ρ是ReLU  
![在这里插入图片描述][2021031918454790.png]

## 注意力引导层 ##

大多数现在的修建策略，都是预定义好的。根据一个已经建立好的邻接矩阵，把full tree修建成子树。

可以看作是hard attention。  
（hard attention我记得就是，把权重最高的那个设为1，其他的不考虑了，都搞0）

作者认为这种修剪策略太粗暴了，丢失了很多信息。提出soft pruning策略，在attention层，也就是把权值赋给每个边。

在attention层，我们把早期的依存树，扔到一个全连通边加权图，通过构建邻接矩阵 A → \\overrightarrow\{A\} A

邻接矩阵里的值 A i j A\_\{ij\} Aij，就表示从结点i到节点j的权值，可以通过attention构建。

拿到 A → \\overrightarrow\{A\} A，就可以把他作为后面的输入

在本文， A → \\overrightarrow\{A\} A用的多头注意力，可以使得模型获得不同子空间的信息。

![在这里插入图片描述][20210319190353430.png]  
Q K都等于 h l − 1 h^\{l-1\} hl−1

图里就显示了，把一个标准的邻接矩阵转换成多头注意力引导的邻接矩阵

## 密连接层 ##

为了捕获更加结构化的信息，需要加个密连接  
加上以后可以训练更深层的网络，学到局部和远程信息  
已经知道GCN有L层，比如第i层，他的每一层都连接到 他前面的i-1层上。图里画了。  
定义g作为初始结点表示，和层里节点表示的连接。  
![在这里插入图片描述][20210319192053349.png]  
每一个密连接，都有L个子层  
这些子层的维度， d h i d d e n d\_\{hidden\} dhidden可以由层数 L L L和初始特征维度 d d d决定。  
作者定义 d h i d d e n = d / L d\_\{hidden\} =d/L dhidden=d/L

比如说，密连接层有3个子层，输入维度是300，每个子层的 d h i d d e n d\_\{hidden\} dhidden=100  
搞完以后把每个子层的输出拼接起来，输出的维度就还是300

因为我们有N个attention guide 临接矩阵，就需要N个密连接层  
因此，计算改成这样的  
![在这里插入图片描述][20210319193000744.png]

## 线性组合层 ##

![在这里插入图片描述][20210319193253774.png]  
来一个线性组合层，去把N个密连接的输出整合起来。  
![在这里插入图片描述][20210319193328992.png]  
 h o u t h\_\{out\} hout把N个密连接的输出拼接起来。

## 关系抽取层 ##

经过上面一系列操作，就获得了所有token的隐藏表示  
首先获得句子的表征  
![在这里插入图片描述][2021031919432643.png]  
这里的mask就选择句子中，不是实体的标注表示  
![在这里插入图片描述][20210319194427884.png]  
 f f f是一个max pooling

相似的，也可以获得第i个实体的表示  
![在这里插入图片描述][202103191945136.png]  
实体表示和句子表示拼接起来，送到前馈神经网络，得到 h f i n a l h\_\{final\} hfinal  
![在这里插入图片描述][20210319194718593.png]  
最后， h f i n a l h\_\{final\} hfinal再逻辑回归做个分类

--------------------

本质上还是一个关系分类任务，为什么都要说自己是关系抽取呢，疑惑

[https_github.com_Cartus_AGGCN_TACRED]: https://github.com/Cartus/AGGCN_TACRED
[20210319182838210.png]: /images/20221022/6f83e3b7b9134289ace4b939a8405d8e.png
[202103191844269.png]: /images/20221022/e418378e00c44979900008925a64a43e.png
[2021031918454790.png]: https://img-blog.csdnimg.cn/2021031918454790.png
[20210319190353430.png]: https://img-blog.csdnimg.cn/20210319190353430.png
[20210319192053349.png]: https://img-blog.csdnimg.cn/20210319192053349.png
[20210319193000744.png]: https://img-blog.csdnimg.cn/20210319193000744.png
[20210319193253774.png]: https://img-blog.csdnimg.cn/20210319193253774.png
[20210319193328992.png]: https://img-blog.csdnimg.cn/20210319193328992.png
[2021031919432643.png]: https://img-blog.csdnimg.cn/2021031919432643.png
[20210319194427884.png]: https://img-blog.csdnimg.cn/20210319194427884.png
[202103191945136.png]: https://img-blog.csdnimg.cn/202103191945136.png
[20210319194718593.png]: https://img-blog.csdnimg.cn/20210319194718593.png