文章目錄

• abstract
• 1.introduction
• • 1.1 dense connection+GCN
  • 1.2 效果突出
  • 1.3 contribution
• 2.Attention Guided GCNs
• 2.1 GCNs
• 2.2 Attention Guided Layer
• • 2.3 Densely Connected Layer
  • 2.4 線性層
  • 2.5 AGGCN for RE
• 3.實(shí)驗(yàn)
• • 3.1 數(shù)據(jù)集
  • 3.2 設(shè)置
• 3.3 n-ary
• • 3.4 句子級(jí)
• 4.ablation Study
• 4.相關(guān)工作
• • 4.1RE
  • 4.2GCN
• 5.結(jié)論

Guo, Z., et al. (2019). Attention Guided Graph Convolutional Networks for Relation Extraction. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics.
原文code,基于pytorch

abstract

依賴樹傳遞豐富的結(jié)構(gòu)信息，這些信息對(duì)于提取文本中實(shí)體之間的關(guān)系非常有用。然而，如何有效利用相關(guān)信息而忽略依賴樹中的無(wú)關(guān)信息仍然是一個(gè)具有挑戰(zhàn)性的研究問(wèn)題。現(xiàn)有的方法使用基于規(guī)則的硬剪枝策略來(lái)選擇相關(guān)的部分依賴結(jié)構(gòu)，可能并不總是產(chǎn)生最佳結(jié)果。在這項(xiàng)工作中，我們提出了注意引導(dǎo)圖卷積網(wǎng)絡(luò)(AGGCNs)，這是一種直接以全依賴樹作為輸入的新模型。我們的模型可以理解為一種軟修剪方法，自動(dòng)學(xué)習(xí)如何有選擇地關(guān)注對(duì)關(guān)系提取任務(wù)有用的相關(guān)子結(jié)構(gòu)。在包括跨句n元關(guān)系提取和大規(guī)模句子級(jí)關(guān)系提取在內(nèi)的各種任務(wù)上的大量結(jié)果表明，我們的模型能夠更好地利用全依賴樹的結(jié)構(gòu)信息，其結(jié)果顯著優(yōu)于以前的方法。

• 以前：
  • 已經(jīng)證明依賴樹有用
  • 挑戰(zhàn)：如何有效利用相關(guān)信息而忽略依賴樹中的無(wú)關(guān)信息
  • 硬剪枝策略：不能得到最優(yōu)結(jié)果
    • • 基于規(guī)則的硬剪枝會(huì)消除樹中的部分重要的信息。
• 我們：AGGCNs（注意引導(dǎo)圖卷積網(wǎng)絡(luò)）
  • 輸入：全依賴樹（ full dependency trees
  • 特點(diǎn)
    • 端到端
    • $\approx$軟剪枝方法
      • 基于規(guī)則的硬剪枝會(huì)消除樹中的部分重要的信息。
      • 給所有邊分配權(quán)重，權(quán)重以端到端的形式學(xué)習(xí)得到–>自動(dòng)學(xué)習(xí)剪枝
    • 自動(dòng)學(xué)習(xí)如何有選擇地關(guān)注對(duì)re有用的相關(guān)子結(jié)構(gòu)。
    • 效果好
    • 可并行地用于依賴樹
    • tips
      • GCN+dense connection
        • 目的：對(duì)一個(gè)大的全連通圖進(jìn)行編碼
        • 可得到局部和非局部依賴信息
        • 2層GCN效果最好（經(jīng)驗(yàn)）
        • 可以學(xué)到更好的圖形表示
  • 可用于
    • n元關(guān)系提取
    • 大規(guī)模句子級(jí)別語(yǔ)料
    • 效果更好

1.introduction

• 圖中是一個(gè)依賴樹
  
• 關(guān)系抽取用于
  • biomedical knowledge discovery (Quirk and Poon, 2017),
  • knowledge base population (Zhang et al., 2017)
  • question answering (Yu et al., 2017).

為了進(jìn)一步提高性能，本文還提出了多種裁剪策略來(lái)提取依賴信息。
Xu等人(2015b,c)只在全樹實(shí)體之間的最短依賴路徑上應(yīng)用神經(jīng)網(wǎng)絡(luò)。
Miwa和Bansal(2016)將整個(gè)樹縮減為實(shí)體的最低共同祖先**(LCA)**之下的子樹。
Zhang等(2018)將graph convolutional networks **(GCNs) (**Kipf and Welling, 2017)模型應(yīng)用于修剪過(guò)的樹。這棵樹包含從LCA子樹的依賴路徑到K的標(biāo)記。
然而，基于規(guī)則的修剪策略可能會(huì)消除整個(gè)樹中的一些重要信息。圖1顯示了一個(gè)跨句n元關(guān)系提取的例子，如果模型只考慮修剪樹，那么鍵標(biāo)記部分響應(yīng)將被排除。理想情況下，模型應(yīng)該能夠?qū)W會(huì)如何在全樹中包含和排除信息之間保持平衡。
在本文中，我們提出了一種新的注意引導(dǎo)圖卷積網(wǎng)絡(luò)(AGGCNs)，它直接作用于全樹。直觀地，我們開發(fā)了一種軟修剪策略，將原始依賴樹轉(zhuǎn)換為完全連接的邊加權(quán)圖。這些權(quán)重可以被視為節(jié)點(diǎn)之間的關(guān)聯(lián)強(qiáng)度，可以通過(guò)使用自我注意機(jī)制以端到端的方式學(xué)習(xí)(Vaswani et al.， 2017)。

• 硬剪枝：
  • 基于規(guī)則的修剪策略可能會(huì)消除整個(gè)樹中的一些重要信息
• 所以提出自動(dòng)學(xué)習(xí)的軟剪枝
• 關(guān)系抽取的模型可以分為兩類
  • sequence-based（基于序列的）
    • 只對(duì)單詞序列進(jìn)行操作(Zeng et al.,2014; Wang et al., 2016)
  • dependency-based（基于依賴的）
    • 然而基于依賴的模型將依賴樹合并到模型中(Bunescu和Mooney, 2005;Peng等人，2017)
    • 依賴樹+剪枝
    • 比較：與基于順序的模型相比，基于依賴的模型能夠捕獲僅從表面形式難以理解的非局部句法關(guān)系(Zhang et al.， 2018)。
    • eg:
      • AGGCNs（軟剪枝）
      • 剪枝策略（硬剪枝）
        • Xu等人(2015b,c)只在全樹實(shí)體之間的最短依賴路徑上應(yīng)用神經(jīng)網(wǎng)絡(luò)。
        • Miwa和Bansal(2016)將整個(gè)樹縮減為實(shí)體的最低共同祖先(LCA)之下的子樹。
        • Zhang等(2018)將 (GCNs) (Kipf and Welling, 2017)模型應(yīng)用于修剪過(guò)的樹。
          • 這棵樹包含從LCA子樹的依賴路徑到K的標(biāo)記。

1.1 dense connection+GCN

目的：對(duì)一個(gè)大的全連通圖進(jìn)行編碼
我們接下來(lái)將稠密連接(Huang et al.， 2017)引入GCN模型(Guo et al.，2019)

對(duì)于GCNs，L層將被需要為了捕獲L跳躍離開到達(dá)的鄰居的信息。淺層的GCN模型可能無(wú)法捕獲大型圖的非局部交互。有趣的是，雖然較深的GCNs可以捕獲圖的更豐富的鄰域信息，但從經(jīng)驗(yàn)上可以觀察到，使用2層模型可以獲得最佳性能(Xu et al.， 2018)。在密集連接的幫助下，我們能夠?qū)ι疃鹊腁GGCN模型進(jìn)行訓(xùn)練，允許捕獲豐富的局部地和非局部依賴信息。

• 2層GCNs最好
• dense connnection幫助下可以對(duì)深度AGGCN進(jìn)行訓(xùn)練
  • 可得到局部和非局部依賴信息

1.2 效果突出

實(shí)驗(yàn)表明，該模型能夠較好地完成各種任務(wù)。對(duì)于跨句關(guān)系提取任務(wù)，我們的模型在多類三元關(guān)系和二元關(guān)系提取方面分別比現(xiàn)有模型的準(zhǔn)確率高出8%和6%。對(duì)于大型句子級(jí)提取任務(wù)(TACRED數(shù)據(jù)集)，我們的模型也始終優(yōu)于其他模型，這表明了該模型在大型訓(xùn)練集上的有效性

1.3 contribution

我們提出了一種新穎的AGGCNs，它以端到端的方式學(xué)習(xí)一種“軟修剪”策略，學(xué)習(xí)如何選擇和丟棄信息。結(jié)合密集連接，我們的AGGCN模型能夠?qū)W習(xí)更好的圖形表示。

我們的模型在不增加額外的計(jì)算量的情況下與以前的GCNs相比獲得了最新的結(jié)果。與樹結(jié)構(gòu)模型(如TreeLSTM (Tai et al.， 2015))不同，它可以有效地并行地應(yīng)用于依賴樹。

2.Attention Guided GCNs

• AGGCN模型顯示了一個(gè)示例語(yǔ)句及其依賴樹。
• 它由M個(gè)相同的塊組成，每個(gè)塊有三種層，如圖所示。
  • 注意引導(dǎo)層
  • 密集連接層
  • 線性組合層
• 輸入：每個(gè)塊以表示圖的節(jié)點(diǎn)嵌入和鄰接矩陣作為輸入。
• 注意引導(dǎo)層：multi-head attention：然后利用左下所示的多頭注意構(gòu)造N個(gè)注意引導(dǎo)鄰接矩陣。
  • 原始的依賴樹被轉(zhuǎn)換成N個(gè)不同的完全連接的邊加權(quán)圖(為了簡(jiǎn)化，省略了自循環(huán))。
  • 靠近邊的數(shù)字表示矩陣中的權(quán)值。
• 密集連接層得到的矩陣被送入N個(gè)單獨(dú)的dense connection的層，產(chǎn)生新的表示。
  • 左上角顯示了一個(gè)密集連接層的例子，其中子層的數(shù)量(L)是3 (L是超參數(shù))。
  • 每個(gè)子層將所有前面的輸出連接起來(lái)作為輸入。
• 線性組合層：最后，應(yīng)用線性組合將N個(gè)緊密連接的層的輸出組合成隱藏的表示。
• 基本組件
  • GCNs
  • Attention Guided Layer

2.1 GCNs

• GCNs是直接作用于圖結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)(Kipf和Welling, 2017)。
• 工作原理
  • 圖：給出一個(gè)有n個(gè)節(jié)點(diǎn)的圖，我們可以用一個(gè)n×n鄰接矩陣A來(lái)表示圖。
  • 加方向：使得GCNs對(duì)依賴樹進(jìn)行編碼。(Marcheggiani和Titov(2017))
    • 它們?yōu)闃渲械拿總€(gè)節(jié)點(diǎn)添加一個(gè)自循環(huán)。
    • 還包括一個(gè)依賴弧的反方向，即
      • 邊i->j：
        • 有則$A_{ij}=1and{A}_{ji}=1$
        • 無(wú)則$A_{ij}=0and{A}_{ji}=0$
    • l層節(jié)點(diǎn)i的卷積運(yùn)算
      • 輸入：$h^{(l?1)}$
      • 輸出：$h_i^{(l)}$
      • 公式：$$\begin{gathered} h_i^{(l)}=\rho ({\Sigma }_{j=1}^n{A}_{ij}{W}^{(l)}{h}_j^{(l?1)}+b^{(l)}) \\ \rho ?激活函數(shù)（如，relu) \\ {h}_i^{(0)}是x_i(d維向量） \end{gathered}$$
      • 表示全連接圖的鄰接矩陣的大小和原始樹的大小一樣

2.2 Attention Guided Layer

• 如前：硬剪枝的缺點(diǎn)
  • 硬剪枝->硬-attention

正如我們?cè)诘?節(jié)中討論的，大多數(shù)現(xiàn)有的修剪策略都是預(yù)定義的。他們將整棵樹修剪成一個(gè)子樹，并在此基礎(chǔ)上構(gòu)造鄰接矩陣。事實(shí)上，這樣的策略也可以被視為一種硬注意的形式(Xu et al.， 2015a)，其中連接不在結(jié)果子樹上的節(jié)點(diǎn)的邊將被直接分配零權(quán)重(無(wú)人值守)。這樣的策略可能會(huì)從原始依賴樹中刪除相關(guān)信息。
我們沒有使用基于規(guī)則的剪枝，而是在注意引導(dǎo)層開發(fā)了一種“軟剪枝”策略，它為所有邊緣分配權(quán)重。這些權(quán)重可以由模型以端到端方式學(xué)習(xí)。

• 我們：軟剪枝
  • 給所有邊分配權(quán)重，權(quán)重以端到端的形式學(xué)習(xí)得到
  • 實(shí)現(xiàn)自動(dòng)學(xué)習(xí)剪枝
• 原：樹
• 注意力引導(dǎo)層：將一個(gè)樹->多個(gè)全連接有權(quán)圖
  • 從第二個(gè)塊開始有這層
  • 方法：構(gòu)造注意引導(dǎo)鄰接矩陣$\tilde{A}$
    • self-attention mechanism (Cheng et al., 2016)來(lái)得到$\tilde{A}$
      • 可以捕獲單個(gè)序列的任意位置之間的交互。
    • 本文:用multi-head attention 計(jì)算
      • 它允許模型聯(lián)合處理來(lái)自不同表示子空間的信息。
      • 計(jì)算：包括一個(gè)查詢和一組鍵值對(duì)。
      • 輸出：計(jì)算為值的加權(quán)和，其中的
        • 權(quán)重：由具有相應(yīng)鍵的查詢函數(shù)計(jì)算。
      • 公式$$\begin{gathered} {\tilde{A}}^{(t)}=softmax(\frac{Q{W}_i^Q\times (K{W}_i^K{)}^T}{\sqrt{d}})V \\ Q,K:等于AGGCN的h^{(l?1)} \\ t:第t個(gè)attentionhead，共有N個(gè)（超參數(shù)) \end{gathered}$$
  • ${\tilde{A}}^{(1)}?>G^{(1)}$
  • $\tilde{A}$和A尺寸相同
    • 所以沒有增加計(jì)算消耗
  • 關(guān)鍵思想
    • 使用注意力來(lái)誘導(dǎo)節(jié)點(diǎn)之間的關(guān)系，
    • 特別是那些通過(guò)間接的多跳路徑連接的節(jié)點(diǎn)。
• 圖卷積層（在其后）：
  • 輸入：$\tilde{A}$

圖2給出了將原始鄰接矩陣轉(zhuǎn)換為多個(gè)注意引導(dǎo)鄰接矩陣的示例。因此，輸入依賴樹被轉(zhuǎn)換成多個(gè)完全連接的邊緣加權(quán)圖。在實(shí)踐中，我們將原始鄰接矩陣作為初始化處理，以便在節(jié)點(diǎn)表示中捕獲依賴項(xiàng)信息，以便以后進(jìn)行注意計(jì)算。注意力引導(dǎo)層從第二個(gè)塊開始。

2.3 Densely Connected Layer

• 優(yōu)點(diǎn)
  • 我們將稠密連接(Huang et al.， 2017)引入AGGCN模型，
  • 目的：在大圖上捕獲更多的結(jié)構(gòu)信息。
  • 在密集連接的幫助下，我們能夠訓(xùn)練更深的模型，
  • 允許捕獲豐富的局部和非局部信息，從而學(xué)習(xí)更好的圖表示。
• 做法：
  • 直接連接從任何層引入到它前面的所有層。
  • $g_j^{(l)}=[x_j;h_j^{(1)};...;h_j^{(l?1)}]$
  • 超參數(shù)L:L個(gè)子層
  • 子層的維度：輸入維度d和L共同決定$d_{hidden}=d/L$
    • 輸入維度：d->h_j的維度
  • 子層是什么？
  • 輸出：每個(gè)子層的輸出又會(huì)被連接起來(lái)->仍是d維
    • 隨子層數(shù)增加而縮小隱層size–>提高效率

與隱藏維度大于或等于輸入維度的GCN模型不同，AGGCN模型隨著層數(shù)的增加而縮小隱藏維度，以提高與DenseNets類似的參數(shù)效率(Huang et al.， 2017)。

• N個(gè)注意力頭–>N個(gè)分離的densely connection
  • 原來(lái)GCN：$h_i^{(l)}=\rho ({\Sigma }_{j=1}^n{A}_{ij}{W}^{(l)}{h}_j^{(l?1)}+b^{(l)})$
  • 計(jì)算變?yōu)?span id="ozvdkddzhkzd" class="katex--inline">$$\begin{gathered} h_{ti}^{(l)}=\rho ({\Sigma }_{j=1}^n{\tilde{A}}_{ij}^{(t)}{W}_t^{(l)}{g}_j^{(l?1)}+b_t^{(l)}) \\ {W}_t^{(l)},b_t^{(l)}與{\tilde{A}}^{(t)}有關(guān) \\ {W}_t^{(l)}:(d_{hidden},d^{(l)}），d^{(l)}=d+d_{hidden}\times (l?1)??g的維度 \end{gathered}$$

2.4 線性層

$$\begin{gathered} h_{comb}=W_{comb}{h}_{out}+b_{comb} \\ {W}_{comb}：(d\times N,d) \\ {h}_{o}ut=[h^{(1)};...;h^{(N)}] \end{gathered}$$

2.5 AGGCN for RE

在依賴樹上應(yīng)用AGGCN模型之后，我們獲得了所有令牌的隱藏表示。根據(jù)這些表示，關(guān)系提取的目標(biāo)是預(yù)測(cè)實(shí)體之間的關(guān)系。接下來(lái)(Zhang et al.， 2018)，我們將句子表示和實(shí)體表示連接起來(lái)，得到最終的分類表示。

• 首先，我們需要獲得$h_{sent}$句子表示。它可以被計(jì)算為
  • $$\begin{gathered} h_{sent}=f(h_{mask})=f(AGGCN(x)) \\ f:(d\times n)??>(d\times 1),max?poolingfunction \end{gathered}$$
• 相似地得到實(shí)體表示
  • $h_{e_i}=f(h_{e_i}^{\prime }),h_{e_i}^{\prime }:第i個(gè)實(shí)體的隱層表示$
• 最終：
  • 由前饋神經(jīng)網(wǎng)絡(luò)得到最終表示（連接實(shí)體表示和句子表示）
  • $h_{final}=FFNN([h_{sent};h_{e_1};...;h_{e_i}]$
• 最終表示輸入到logistic regression classifier分類器中做預(yù)測(cè)。

3.實(shí)驗(yàn)

3.1 數(shù)據(jù)集

我們?cè)u(píng)估了該模型在兩個(gè)任務(wù)上的性能，即

• 跨句n元關(guān)系提取
  • PubMed
• 句子級(jí)關(guān)系提取
  • TACRED數(shù)據(jù)集(收費(fèi)）
    • (Zhang et al., 2018)
  • Semeval-10 Task 8
    • (Hendrickx et al., 2010)

3.2 設(shè)置

我們根據(jù)開發(fā)集的結(jié)果調(diào)整超參數(shù)。對(duì)于跨句nary關(guān)系提取任務(wù)，我們使用與(Song et al.， 2018b)4相同的數(shù)據(jù)分割，而對(duì)于句子級(jí)關(guān)系提取任務(wù)，我們使用與(Zhang et al.， 2018)5相同的開發(fā)集。

• n-ary
  • 與(Song et al.， 2018b)4相同的數(shù)據(jù)分割
• 句子級(jí)
  • (Zhang et al.， 2018)相同的開發(fā)集
• embedding:840B-300d-glove
• 超參數(shù)
  • N(attention head數(shù)目）
    • {1,2,3,4}
  • L(densely connected中每層的維度）
    • {2,3,4,5,6}
  • M（塊數(shù)）
    • {1,2,3}
• 測(cè)試得到最好的超參數(shù)：
  • cross-sentence n-ary
    • {N=2,M=2,L=5,d_{hidden}=340}
    • {N=3,M=2,L=5,d_{hidden}=300}
• 度量
  • 和(Song et al., 2018b; Zhang et al., 2018).一樣
  • n-ary
    • test:5-fold cross validation
  • 句子
    • micro-F1 score
      • TACRED
      • SemEval

3.3 n-ary

• 三種模型
• a feature-based classifier (Quirk and Poon, 2017) based on shortest dependency paths between all entity pairs,
• Graph-structured LSTM methods,
  • including Graph LSTM (Peng et al., 2017),
  • bidirectional DAG LSTM (Bidir DAG LSTM) (Song et al., 2018b) and
  • Graph State LSTM (GS GLSTM) (Song et al., 2018b).
  • These methods extend LSTM to encode graphs constructed from input sentences with dependency edges,
• Graph convolutional networks (GCN) with pruned trees, which have shown efficacy on the relation extraction task (Zhang et al., 2018)
• the tree-structured LSTM method (SPTree) (Miwa and Bansal, 2016) on drug-mutation binary relation extraction.
  
• 本文結(jié)果好，因?yàn)?
  • 能用圖卷積從樹中得到更多信息：AGGCN is able to extract more information from the underlying graph structure to learn a more expressive representation through graph convolutions
  • 比GCN好，因?yàn)?
    • densely connection
      • 使之可在大圖中信息傳遞
      • 使之可有效地學(xué)習(xí)到長(zhǎng)距離依賴
    • attention
      • 可篩去噪音，得到相關(guān)信息
    • 本文的模型可從全樹中得到更好的表達(dá)

3.4 句子級(jí)

• model
  • dependency-based models,
    • the logistic regression classifier (LR) (Zhang et al., 2017),
    • Shortest Path LSTM (SDPLSTM) (Xu et al., 2015c),
    • Tree-structured neural model (Tree-LSTM) (Tai et al., 2015),
    • GCN
    • Contextualized GCN (C-GCN) (Zhang et al., 2018).
    • （Both GCN and C-GCN models use the pruned trees.）
  • sequence-based models
    • Position Aware LSTM (PA-LSTM) (Zhang et al., 2017).–最新成果
• TACRED
  

表2所示，logistic回歸分類器(LR)的精度得分最高。我們假設(shè)這背后的原因是由于數(shù)據(jù)不平衡的問(wèn)題。這種基于特征的方法傾向于預(yù)測(cè)一個(gè)頻繁出現(xiàn)的標(biāo)簽之間的關(guān)系(例如，“per:title”)。因此，它具有較高的查全率，但查全率相對(duì)較低。另一方面，神經(jīng)模型能夠更好地平衡精度和回憶分?jǐn)?shù)。
由于GCN和C-GCN已經(jīng)顯示出它們相對(duì)于其他基于依賴的模型和PA-LSTM的優(yōu)越性，我們主要將我們的AGGCN模型與它們進(jìn)行比較。我們可以觀察到AGGCN比GCN多1.1個(gè)F1點(diǎn)。我們推測(cè)這種有限的改進(jìn)是由于缺乏有關(guān)詞序或消歧的上下文信息。

• 比GCN好
  • GCN：這種有限的改進(jìn)是由于缺乏有關(guān)詞序或消歧的上下文信息。

與C-GCN類似(Zhang et al.， 2018)，我們使用雙向LSTM網(wǎng)絡(luò)擴(kuò)展AGGCN模型，以捕獲隨后被送入AGGCN層的上下文表示。我們將修改后的模型稱為C-AGGCN。我們的C-AGGCN模型F1得分為69.0，比目前最先進(jìn)的C-GCN模型高出2.6分。我們也注意到AGGCN和C-AGGCN分別比GCN和C-GCN獲得更好的精確度和回憶分?jǐn)?shù)。

• 經(jīng)驗(yàn)表明，AGGCN模型能夠更好地區(qū)分相關(guān)和不相關(guān)信息，從而獲得更好的圖表示。

• SemEval
  

我們還在與(Zhang et al.， 2018)相同的設(shè)置下，在SemEval數(shù)據(jù)集上評(píng)估我們的模型(Zhang et al.， 2018)。結(jié)果如表3所示。這個(gè)數(shù)據(jù)集比TACRED小得多(僅為TACRED的1/10)。我們的C-AGGCN模型(85.7)始終優(yōu)于C-GCN模型(84.8)，具有良好的泛化能力。

4.ablation Study

• 各組件的貢獻(xiàn)
  • AG>DG>FF
  • AG,DG更重要
    • 這兩層可以幫助GCNs更好地學(xué)習(xí)信息聚合，產(chǎn)生更好的圖形表示

燒蝕研究。
我們使用TACRED數(shù)據(jù)集上性能最好的C-AGGCN模型，研究了兩個(gè)主要組件的貢獻(xiàn)，即密集連接層和注意力引導(dǎo)層。表4顯示了結(jié)果。我們可以觀察到添加注意力引導(dǎo)層或者密集連接的層提高了模型的性能。這表明，這兩層可以幫助GCNs更好地學(xué)習(xí)信息聚合，產(chǎn)生更好的圖形表示，其中注意力引導(dǎo)層似乎發(fā)揮了更重要的作用。我們也注意到前饋層在我們的模型中是有效的。沒有前饋層，結(jié)果下降到F1得分67.8。

• 自己相比較AGGCN
  
• 軟修剪”策略在充分利用樹信息方面優(yōu)于硬修剪策略。

修剪樹木的表現(xiàn)。
表5顯示了使用修剪樹的C-AGGCN模型的性能，其中K表示修剪后的樹包含距離LCA子樹中的依賴路徑K以內(nèi)的標(biāo)記。我們可以看到，所有具有不同K值的C-AGGCN模型都能夠超越最先進(jìn)的C-GCN模型(Zhang et al.， 2018)(見表2)F1成績(jī)1.5分。這說(shuō)明，在密集連接層和注意力引導(dǎo)層的結(jié)合下，C-AGGCN可以比C-GCN更好地學(xué)習(xí)下游任務(wù)的圖形表示。此外，我們注意到全樹的C-AGGCN性能優(yōu)于所有修剪過(guò)的C-AGGCNs。這些結(jié)果進(jìn)一步證明了“軟修剪”策略在充分利用樹信息方面優(yōu)于硬修剪策略。

• C-AGGCN可以從更大的圖(全樹)中獲益更多。

句子長(zhǎng)度的性能。
圖4顯示了三個(gè)模型在不同句子長(zhǎng)度下的F1得分。我們將句子長(zhǎng)度劃分為5類(< 20，[20,30]，[30,40)，[40,50)，50)。一般來(lái)說(shuō)，在不同的句子長(zhǎng)度下，有完整樹的C-AGGCN比有修剪過(guò)的樹的C-AGGCN和C-GCN表現(xiàn)更好。我們還注意到，在大多數(shù)情況下，經(jīng)過(guò)修剪的C-AGGCN比C-GCN表現(xiàn)得更好。此外，C-AGGCN對(duì)修剪后的樹的改進(jìn)效果隨著句子長(zhǎng)度的增加而減弱。這種性能下降可以通過(guò)使用全樹來(lái)避免，全樹提供了有關(guān)底層圖結(jié)構(gòu)的更多信息。直觀地說(shuō)，隨著句子長(zhǎng)度的增加，包含的節(jié)點(diǎn)越多，依賴關(guān)系圖就越大。

• 我們的模型在使用訓(xùn)練資源方面更加有效。

性能與訓(xùn)練數(shù)據(jù)大小的對(duì)比。圖3顯示了C-AGGCN和C-GCN在不同訓(xùn)練設(shè)置下的性能，訓(xùn)練數(shù)據(jù)量不同。我們考慮五種培訓(xùn)設(shè)置(20%、40%、60%、80%、100%的培訓(xùn)數(shù)據(jù))。C-AGGCN持續(xù)優(yōu)于C-GCN
當(dāng)訓(xùn)練數(shù)據(jù)量增加時(shí)，我們可以觀察到績(jī)效差距變得更加明顯。具體來(lái)說(shuō)，使用80%的訓(xùn)練數(shù)據(jù)，C-AGGCN模型可以獲得66.5的F1分，高于完整訓(xùn)練集上訓(xùn)練的C-GCN。這些結(jié)果表明，我們的模型在使用訓(xùn)練資源方面更加有效。

4.相關(guān)工作

4.1RE

• 早期的研究工作是基于統(tǒng)計(jì)方法。
  • 研究了基于樹的內(nèi)核(Zelenko et al.， 2002)和
  • 基于依賴路徑的內(nèi)核(Bunescu and Mooney, 2005)，以提取這種關(guān)系。
  • McDonald等人(2005)構(gòu)建最大的實(shí)體團(tuán)來(lái)預(yù)測(cè)關(guān)系。
  • Mintz等人(2009)在統(tǒng)計(jì)分類器中包含語(yǔ)法特征。
• 基于序列的模型利用不同的神經(jīng)網(wǎng)絡(luò)來(lái)提取關(guān)系，包括
  • 卷積神經(jīng)網(wǎng)絡(luò)(Zeng et al.， 2014;Nguyen和Grishman, 2015年;(Wang et al.， 2016)，
  • 遞歸神經(jīng)網(wǎng)絡(luò)(Zhou et al.， 2016;Zhang et al.， 2017)
  • 兩者的結(jié)合(Vu et al.， 2016)和
  • transformer (Verga et al.， 2018)。
• 基于依賴的方法還試圖將結(jié)構(gòu)信息合并到神經(jīng)模型中。
  • Peng et al.(2017)首先將依賴關(guān)系圖分成兩個(gè)dag，
    • 然后將樹LSTM模型(Tai et al.， 2015)擴(kuò)展到這兩個(gè)圖上進(jìn)行n元關(guān)系提取。
  • Song等人(2018b)使用圖遞歸網(wǎng)絡(luò)(Song等人，2018a)直接對(duì)整個(gè)依賴圖編碼，而不破壞它。
    • AGGCN:和他們的模型的對(duì)比讓人聯(lián)想到CNN和RNN的對(duì)比。
  • 為了進(jìn)一步提高性能，還提出了各種各樣的裁剪策略來(lái)提取依賴信息。
    • Xu等(2015b,c)采用神經(jīng)模型編碼最短依賴路徑。
    • Miwa和Bansal(2016)將LSTM模型應(yīng)用于兩個(gè)實(shí)體的LCA子樹。Liu等(2015)將最短依賴路徑與依賴子樹相結(jié)合。
    • Zhang等人(2018)采用了一種以路徑為中心的修剪策略。
    • AGGCNs:與這些在預(yù)處理中去除邊緣的策略不同，我們的模型以端到端的方式學(xué)會(huì)給每個(gè)邊緣分配不同的權(quán)重

4.2GCN

• Gori等人(2005)布魯納(2014)介紹了嘗試擴(kuò)展神經(jīng)網(wǎng)絡(luò)以處理任意結(jié)構(gòu)圖的早期工作。
• 隨后的工作通過(guò)局部譜卷積技術(shù)提高了計(jì)算效率(Henaff et al.， 2015;Defferrard等人，2016)。
• AGGCN:與GCNs (Kipf和Welling, 2017)密切相關(guān)，GCNs將過(guò)濾器限制在每個(gè)節(jié)點(diǎn)周圍的一階鄰域上運(yùn)行。
• Velickovic等人(2018)提出了圖形注意網(wǎng)絡(luò)(GATs)，利用掩蔽的自注意層來(lái)總結(jié)鄰域狀態(tài)(Vaswani等人，2017)。
  • 與AGGCN相比，他們的動(dòng)機(jī)和網(wǎng)絡(luò)結(jié)構(gòu)是不同的。
    • 特別地，GATs中的每個(gè)節(jié)點(diǎn)只關(guān)心它的鄰居，而AGGCNs則度量所有節(jié)點(diǎn)之間的關(guān)聯(lián)性。
    • GATs中的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)保持不變，而AGGCNs中將構(gòu)建完全連接的圖，以捕獲長(zhǎng)期的語(yǔ)義交互。

5.結(jié)論

介紹了一種新的注意引導(dǎo)圖卷積網(wǎng)絡(luò)(AGGCNs)。實(shí)驗(yàn)結(jié)果表明，AGGCNs在各種關(guān)系提取任務(wù)上都取得了較好的效果。與以前的方法不同，AGGCNs直接對(duì)整個(gè)樹進(jìn)行操作，并學(xué)習(xí)以端到端方式從其中提取有用的信息。未來(lái)的工作有多個(gè)場(chǎng)所。我們想要問(wèn)的一個(gè)很自然的問(wèn)題是，如何利用所提出的框架對(duì)與圖相關(guān)的任務(wù)執(zhí)行改進(jìn)的圖表示學(xué)習(xí)(Bastings et al.， 2017)。

總結(jié)

以上是生活随笔為你收集整理的论文阅读课1-Attention Guided Graph Convolutional Networks for Relation Extraction（关系抽取，图卷积,ACL2019，n元）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。