【论文阅读】Joint Entity and Relation Extraction with Set Prediction Networks

r囧r小猫 2023-01-07 07:21 159阅读 0赞

> 作者提供的代码链接404了，[https://github.com/DianboWork/SPN4RE][https_github.com_DianboWork_SPN4RE]

目前在NYT和WebNLG上都是SOTA  
[https://paperswithcode.com/task/relation-extraction][https_paperswithcode.com_task_relation-extraction]  
![在这里插入图片描述][20210116103319710.png]![在这里插入图片描述][20210116113535759.png]

## 1.编码器 ##

用bert

## 2.非自回归解码器 ##

传统的seq2seq方法进行关系抽取的时候，将三元组集合转化为三元序列，然后利用自回归解码器逐个生成三元组。它的目标集合的条件概率是这样的：  
![在这里插入图片描述][20210116192931411.png]  
它需要学习多个三元组的提取顺序。给模型带来不必要的负担。

**非自回归解码器**解决了这个问题，它可以根据双向信息生成三元组，而非单纯的从左到右。  
![在这里插入图片描述][20210116131423732.png]  
PL代表句子可能包含的三元组个数，论文中统一设置为m个，m大于所有句子包含的三元组个数。  
![在这里插入图片描述][20210116131719155.png]代表某个三元组Yi，不仅和给定的句子X有关系，而且与其他某个三元组Yj有关系。

使用transformer作为解码器，并行产生三元组。由N个相同的transformer堆叠而成，transformer内部的多头自注意机制可以模拟三元组之间的关系，各个三元组之间先做多头自注意。多头相互注意力机制可以融合给定句子的信息，也就是和给定的句子做注意力。  
输出的HD维度是m\*d。HD送入前馈网络FFN，得到m个预测的三元组。

前馈网络FFN的架构如下：  
对于每个hd，送入softmax预测关系。  
![在这里插入图片描述][2021011613332312.png]  
对于关系的主客体预测，类比span的预测，融合了句子He以及输出的三元组embedding。He是bert的输出。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpX2ppYW95YW5n_size_16_color_FFFFFF_t_70]

## 3.损失函数 ##

由于交叉熵损失对于输出的顺序的敏感的，所以在这里不合适。（SPN利用的transformer是双向的，不考虑输出三元组的顺序）

采用二部图匹配损失函数（Bipartite Matching Loss）  
![在这里插入图片描述][20210116134718289.png]  
设ground truth有n个关系，如果n<m，就用null补全ground truth  
![在这里插入图片描述][20210116134837261.png]  
这样表示ground truth，关系，主体开始，主体结尾，客体开始，客体结尾。  
![在这里插入图片描述][20210116135642858.png]  
这是预测的结果。  
预测集合大小为m，如果ground truth Y的集合小于m，那就用null补充到m个。

损失函数的设计分成了两步，寻找最优匹配，和计算损失。

### 3.1 寻找最优匹配 ###

![在这里插入图片描述][2021011613582666.png]  
从所有长度为m的排列找出cost最低的排列π星，作者使用的思想是**匈牙利算法**。  
这个过程相当于对m个人分配m个任务，第i个人做到第j个任务的代价为Cij，寻找最优的方式分配，使得总cost最小，这就是二部图匹配问题。  
![在这里插入图片描述][20210116135922874.png]

### 3.2 计算损失函数 ###

算出cost最小的m个三元组排列，对其计算Loss。  
如果预测关系不存在，对于此类关系的实体的损失也就不参与计算了。  
![在这里插入图片描述][20210116140144177.png]

[https_github.com_DianboWork_SPN4RE]: https://github.com/DianboWork/SPN4RE
[https_paperswithcode.com_task_relation-extraction]: https://paperswithcode.com/task/relation-extraction
[20210116103319710.png]: https://img-blog.csdnimg.cn/20210116103319710.png
[20210116113535759.png]: /images/20221119/b77e3fcf237d495a95bd9f1f7d9e19ac.png
[20210116192931411.png]: /images/20221119/fdf7109290ba4bcda4ff8c54801bce4e.png
[20210116131423732.png]: https://img-blog.csdnimg.cn/20210116131423732.png
[20210116131719155.png]: https://img-blog.csdnimg.cn/20210116131719155.png
[2021011613332312.png]: https://img-blog.csdnimg.cn/2021011613332312.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpX2ppYW95YW5n_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20210116133419922.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2xpX2ppYW95YW5n,size_16,color_FFFFFF,t_70
[20210116134718289.png]: https://img-blog.csdnimg.cn/20210116134718289.png
[20210116134837261.png]: https://img-blog.csdnimg.cn/20210116134837261.png
[20210116135642858.png]: https://img-blog.csdnimg.cn/20210116135642858.png
[2021011613582666.png]: https://img-blog.csdnimg.cn/2021011613582666.png
[20210116135922874.png]: https://img-blog.csdnimg.cn/20210116135922874.png
[20210116140144177.png]: https://img-blog.csdnimg.cn/20210116140144177.png