【信息抽取】如何使用BERT进行关系抽取

【NLP】GPT：第一个引入Transformer的预训练模型

【NLP】XLnet：GPT和BERT的合体，博采众长，所以更强

【技术综述】深度学习在自然语言处理中的应用

【每周NLP论文推荐】从预训练模型掌握NLP的基本发展脉络

既然预训练模型这么有效，自然会有用它来做关系抽取和分类的了，我们今天就介绍基于BERT的关系抽取模型。

本文涉及的模型参考论文如下：

[1] Wu S , He Y . Enriching Pre-trained Language Model with Entity Information for Relation Classification[J]. 2019.

[2] Giorgi J , Wang X , Sahar N , et al. End-to-end Named Entity Recognition and Relation Extraction using Pre-trained Language Models[J]. 2019.

2 关系分类

引入BERT进行关系分类，主要目的是为了利用BERT预训练时学到的大量语言本身的知识。基于此，结合关系分类任务的特点，下面介绍一种典型的基于BERT的关系分类模型，并做一些有益的讨论。

1) 模型结构

如上图所示，是该模型的结构，下面做一个简单的介绍：

1.输入层，跟典型的BERT输入层无异。需要注意的是，在这个模型中，分别用特殊符号$和#号标识两个实体的位置。

2.利用了BERT特征抽取后2个部分的特征：

BERT【CLS】位置的embeding和两个实体相对应的embeding

3.将上述3个特征拼接起来，再接一个全连接层和softmax层输出关系的分类。

论文中用到的模型参数如下，感兴趣同学可以复现一下：

2) 模型结果

模型结构并不复杂，但是取得了不错的效果：

我们可以认为模型对分类任务起到关键效果的部分有3个：

1.BERT【CLS】embedding，学习到了句子级的特征

2.BERT实体embedding，学习到了实体的语义特征

3.特殊符号，带给了模型实体的边界及位置信息

论文做了实验来论证这3部分特征的作用，如下图所示：

1.R-BERT-NO-SEP-NO-ENT 代表既没有分隔符也没有实体embedding特征的模型

2.R-BERT-NO-SEP代表既没有分隔符的模型

3.R-BERT-NO-ENT代表既没有实体embedding特征的模型

4.R-BERT代表完整的模型结构

结果可以看出，实体embedding和分隔符对模型效果贡献了很大。这主要是因为，在关系分类的任务中，句子的语义信息和两个实体的词级信息均很重要。通过两个分隔符，能够帮助BERT学习两个实体的位置，从而提高模型对实体的表征能力。

3 BERT Joint抽取模型

上述模型是一个单纯的关系分类模型，在前面的关系抽取文章中我们提到过，联合抽取通常具有更好的效果，下面介绍一种基于BERT的联合抽取模型，即通过一个模型能够得到输入文本中的实体以及实体之间的关系，供读者参考。

1) 模型结构

如上图所示，是本文要介绍的联合抽取模型的结构图，可以把这个模型分成3个部分：

1.NER Module，实体抽取模块。

2.RE Module，关系分类模块。

3. BERT，共享特征抽取模块。

对于实体抽取模块，跟此前我们介绍的基于BERT的实体抽取模型没有差别，不了解的同学可以出门左转先看一下：

【NLP-NER】如何使用BERT来做命名实体识别

RE模块相对复杂一点，我们详细介绍一下，

RE模块的输入将两个部分的输入近拼接得到：

1.BERT对输入序列编码得到的特征序列；

2.NER模块的输出，经过argmax函数得到一个跟输入序列长度相同的，转化为固定维度的序列。

拼接得到的向量分别通过一个Feed Forward层，通过一个biaffine分类器，预测出实体之间的关系。

biaffine分类器的实际作用如下：

2) 模型结果

如上图所示，该模型在几个数据集中均取得了不错的效果，感兴趣的同学可以实现一下试试。

总结

目前，基于预训练模型的关系抽取即分类模型均取得了SOTA的效果，在实际的生产中也都得到了一定的应用。从事NLP相关工作的读者，务必要熟悉相关的模型。

下期预告：暂无

知识星球推荐

扫描上面的二维码，就可以加入我们的星球，助你成长为一名合格的自然语言处理算法工程师。

知识星球主要有以下内容：

(1) 聊天机器人。

(2) 知识图谱。

(3) NLP预训练模型。

转载文章请后台联系

侵权必究

其他内容

• 【完结】 12篇文章带你完全进入NLP领域，掌握核心技术

• 【年终总结】2019年有三AI NLP做了什么，明年要做什么？
  

• 【NLP-词向量】词向量的由来及本质

• 【NLP-词向量】从模型结构到损失函数详解word2vec

• 【NLP-NER】什么是命名实体识别？

• 【NLP-NER】命名实体识别中最常用的两种深度学习模型

• 【NLP-NER】如何使用BERT来做命名实体识别
  

• 【NLP-ChatBot】我们熟悉的聊天机器人都有哪几类？

• 【NLP-ChatBot】搜索引擎的最终形态之问答系统（FAQ）详述

• 【NLP-ChatBot】能干活的聊天机器人-对话系统概述

• 【知识图谱】人工智能技术最重要基础设施之一，知识图谱你该学习的东西

• 【知识图谱】知识表示：知识图谱如何表示结构化的知识？

• 【知识图谱】如何构建知识体系：知识图谱搭建的第一步

• 【知识图谱】获取到知识后，如何进行存储和便捷的检索？

• 【知识图谱】知识推理，知识图谱里最“人工智能”的一段

• 【文本信息抽取与结构化】目前NLP领域最有应用价值的子任务之一

• 【文本信息抽取与结构化】详聊文本的结构化【上】

• 【文本信息抽取与结构化】详聊文本的结构化【下】

• 【信息抽取】NLP中关系抽取的概念，发展及其展望

• 【信息抽取】如何使用卷积神经网络进行关系抽取

• 【NLP实战】tensorflow词向量训练实战

• 【NLP实战系列】朴素贝叶斯文本分类实战

• 【NLP实战系列】Tensorflow命名实体识别实战

• 【NLP实战】如何基于Tensorflow搭建一个聊天机器人

• 【NLP实战】基于ALBERT的文本相似度计算