论文笔记--ERNIE: Enhanced Language Representation with Informative Entities_zhang 2, han x, liu 2, et al. ernie: enhanced lang

1. 文章简介

• 标题：ERNIE: Enhanced Language Representation with Informative Entities
• 作者：Zhengyan Zhang, Xu Han, Zhiyuan Liu, Xin Jiang, Maosong Sun, Qun Liu
• 日期：2019
• 期刊：ACL

2. 文章概括

  文章提出了ERNIE(Enhanced Language Representation with Informative Entities)，一种可以将外部知识融合进入预训练模型的方法。数值实验表明，ERNIE可以提升一些知识驱动的下游任务的表现，且在其它NLP任务上效果基本持平SOTA。

3 文章重点技术

3.1 模型框架

  给定token序列 { w 1 , … , w n } \{w_1, \dots, w_n\} {w1​,…,wn​}，其中$n$为序列长度，令 { e 1 , … , e m } \{e_1, \dots, e_m\} {e1​,…,em​}表示对应的实体序列，其中$m$为实体数。一般来说$m<n$，这是因为不是每个token都可以映射为知识图谱(KG)中的实体(entity)，且一个实体可能对应多个token，比如"bob dylan"两个token对应一个实体"Bob Dylan"。记所有token的词表为$\mathcal{V}$，KG中所有实体的集合为$\mathcal{E}$。如果对$v\in \mathcal{V}$，存在与其对应的实体$e\in \mathcal{E}$，则我们用$f(v)=e$表示这种对齐关系。特别地，针对上述多个token对应单个实体的情况，我们将实体对齐给第一个token，例如句子中出现"bob dylan…"时，$f(\text{"bob"})=\text{"Bob Dylan"}$。
  如下图所示，ERNIE的整体框架分为两部分：1) T-Encoder(Textual encoder)，用于捕捉基本的词义和句法信息；2) K-Encoder(Knowledgeable encoder)，用于将外部知识融合进入模型。记T-Encoder的层数为$N$，K-Encoder的层数为$M$。

  具体来说，给定输入序列 { w 1 , … , w n } \{w_1, \dots, w_n\} {w1​,…,wn​}和对应的实体序列 { e 1 , … , e m } \{e_1, \dots, e_m\} {e1​,…,em​}，T-encoder层首先将token序列、segment序列和位置序列输入得到词汇和句法层面的特征 { w 1 , … , w n } = T-Encoder ( { w 1 , … , w n } ) \{\bold{w}_1, \dots, \bold{w}_n\} = \text{T-Encoder}(\{w_1, \dots, w_n\}) {w1​,…,wn​}=T-Encoder({w1​,…,wn​})，其中T-Encoder结构和BERT[1]相同，基本架构为Transformer的Encoder层。
  然后将上述特征传入到K-Encoder层。K-Encoder还会接受外部知识信息，首先我们会通过TransE生成 { e 1 , … , e m } \{e_1, \dots, e_m\} {e1​,…,em​}对应的预训练实体嵌入 { e 1 , … , e m } \{\bold{e}_1, \dots, \bold{e}_m\} {e1​,…,em​}，然后将该嵌入同上述特征 { w 1 , … , w n } \{\bold{w}_1, \dots, \bold{w}_n\} {w1​,…,wn​}一起输入K-Encoder层从而得到融合外部知识的输出嵌入： { w 1 o , … , w n o } , { e 1 o , … , e m o } = K-Encoder ( { w 1 , … , w n } , { e 1 , … , e m } ) \{\bold{w}_1^o, \dots, \bold{w}_n^o\},\{\bold{e}_1^o, \dots, \bold{e}_m^o\} = \text{K-Encoder}(\{\bold{w}_1, \dots, \bold{w}_n\},\{\bold{e}_1, \dots, \bold{e}_m\}) {w1o​,…,wno​},{e1o​,…,emo​}=K-Encoder({w1​,…,wn​},{e1​,…,em​})，上述输出嵌入后续可用来作为特征参与下游任务。

3.2 K-Encoder(Knowledgeable Encoder)

  如上图所示，K-Encoder包含堆叠的聚合器，每个聚合器包含token和实体两部分输入。在第$i$个聚合器中，输入为来自上层聚合器的嵌入 { w 1 ( i − 1 ) , … , w n ( i − 1 ) } \{\bold{w}_1^{(i-1)}, \dots, \bold{w}_n^{(i-1)}\} {w1(i−1)​,…,wn(i−1)​}和实体嵌入 { e 1 ( i − 1 ) , … , e m ( i − 1 ) } \{\bold{e}_1^{(i-1)}, \dots, \bold{e}_m^{(i-1)}\} {e1(i−1)​,…,em(i−1)​}，然后将token和实体嵌入分别传入到两个多头自注意力机制MH-ATTs得到各自的输出： { { w ~ 1 ( i ) , … , w ~ n ( i ) } = MH-ATT ( { w 1 ( i − 1 ) , … , w n ( i − 1 ) } ) { e ~ 1 ( i ) , … , e ~ m ( i ) } = MH-ATT ( { e 1 ( i − 1 ) , … , e m ( i − 1 ) } )

$$\begin{cases}\{\bold{\tilde{w}}_1^{(i)}, \dots, \bold{\tilde{w}}_n^{(i)}\} = \text{MH-ATT}(\{\bold{w}_1^{(i-1)}, \dots, \bold{w}_n^{(i-1)}\})\\ \{\bold{\tilde{e}}_1^{(i)}, \dots, \bold{\tilde{e}}_m^{(i)}\} = \text{MH-ATT}(\{\bold{e}_1^{(i-1)}, \dots, \bold{e}_m^{(i-1)}\})\end{cases}$$ {{w~1(i)​,…,w~n(i)​}=MH-ATT({w1(i−1)​,…,wn(i−1)​}){e~1(i)​,…,e~m(i)​}=MH-ATT({e1(i−1)​,…,em(i−1)​})​。然后模型通过将每个token与其对应的实体进行拼接，将外部实体信息融合进入嵌入。具体来说，针对一个有与之对应的实体的token，假设$e_k=f(w_j)$，则$${\mathbf{h}}_j=\sigma ({\tilde{\mathbf{W}}}_t^{(i)}{\tilde{\mathbf{w}}}_j^{(i)}+{\tilde{\mathbf{W}}}_e^{(i)}{\tilde{\mathbf{e}}}_k^{(i)}+{\tilde{\mathbf{b}}}^{(i)})$$为整合了实体和token信息的隐藏层输出，$$\begin{gathered} {\mathbf{w}}_j^{(i)}=\sigma ({\mathbf{W}}_t^{(i)}{\mathbf{h}}_j+{\tilde{\mathbf{b}}}_t^{(i)}) \\ {\mathbf{e}}_k^{(i)}=\sigma ({\mathbf{W}}_e^{(i)}{\mathbf{h}}_j+{\tilde{\mathbf{b}}}_e^{(i)}) \end{gathered}$$表示当前聚合器的输出嵌入，其中$\sigma$为GELU激活函数。对于没有与之对应实体的token，只需要把上述涉及$e$的部分拿掉即可：$$\begin{gathered} {\mathbf{h}}_j=\sigma ({\tilde{\mathbf{W}}}_t^{(i)}{\tilde{\mathbf{w}}}_j^{(i)}+{\tilde{\mathbf{b}}}^{(i)}) \\ {\mathbf{w}}_j^{(i)}=\sigma ({\mathbf{W}}_t^{(i)}{\mathbf{h}}_j+{\tilde{\mathbf{b}}}_t^{(i)}) \end{gathered}$$

3.3 预训练任务

  为了将知识融合进入语言表达，文章提出了一种新的预训练任务：dEA(denoising entity auto-encoder)：随机掩码一些token-entity的对齐，然后让模型给予对齐的tokens来预测被掩码的实体。具体来说，给定输入序列 { w 1 , … , w n } \{w_1, \dots, w_n\} {w1​,…,wn​}和对应的实体序列 { e 1 , … , e m } \{e_1, \dots, e_m\} {e1​,…,em​}，通过下述公示预测token$w_i$对应的实体分布：$$p(e_j|w_i)=\frac{\exp (\text{linear}({\mathbf{w}}_i^o)\cdot {\mathbf{e}}_j)}{{\sum }_{k=1}^m\exp (\text{linear}({\mathbf{w}}_i^o)\cdot {\mathbf{e}}_k)}$$。
  考虑到实际对齐过程中可能存在一些错误，我们增加如下策略：1）5%的时间用随机的实体替代当前实体，使得模型纠正token-实体对齐错误的情况 2）15%的时间将token-实体对齐进行掩码，使得模型可以纠正当实体对齐为被识别到的情况 3）其余时间保持token-实体对齐不变，从而使得模型学习到token和实体之间的对齐方法。
  最终，ERNIE使用MLM、NSP和上述dEA三种训练目标。

3.4 微调

  类似于BERT，我们使用[CLS]的嵌入作为句子的最终嵌入表示来进行分类。针对关系分类任务，我们增加[HD]和[TL]表示head/tail实体的开头和结尾；针对实体抽取任务，我们增加[ENT]表示实体位置。

4. 文章亮点

  文章提出了一种可以将外部信息融合至预训练的ERNIE模型。实验表明，ERNIE可以有效地将KG中的信息注入到预训练模型，从而使得模型在处理实体提取、关系分类等需要外部知识的任务时更加出色，且实验证明外部知识可以帮助模型充分利用少量的训练集。

5. 原文传送门

ERNIE: Enhanced Language Representation with Informative Entities

6. References

[1] 论文笔记–BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding
[2] 百度ERNIE论文笔记–ERNIE: Enhanced Representation through Knowledge Integration