EMNLP 2021 最新综述：语言模型中的关系性知识

©作者 | 张义策

单位 | 哈尔滨工业大学（深圳）

研究方向 | 自然语言处理

论文标题：

Relational World Knowledge Representation in Contextual Language Models: A Review

论文来源：

EMNLP 2021

论文地址：

https://arxiv.org/pdf/2104.05837.pdf

这是 EMNLP 2021 上的一篇综述，作者来自美国密西根大学。

 

知识库与语言模型

以关系三元组为核心的知识库是目前关系性知识的典型表达方法，其中关系三元组由 头实体、关系和尾实体构成，如 （ 玛丽居里 ， 出生于，华沙）。

• 以 知识库 的 方式保存关系性知识的优点是精确、可解释性强；
• 但其缺点也是明显的，需要定义复杂的实体和关系类型，灵活性不够，不够全面。

而很多工作也表明，语言模型携带了一些关系性的知识。

Language Models as Knowledge Bases? ^[1]

于是两个方面问题自然地出现了：

• 语言模型保存了多少关系性的知识？如何从语言模型中推理出这些知识？

• 是否可以向语言模型中注入更多的关系性知识？

回答以上两方面问题便是这篇文章的主要内容了，其中问题 2 中注入关系性知识又分为 实体级别的知识 和 关系级别的知识。下面本文依次对这三部分内容进行简要叙述。

推理语言模型中的知识

读者不禁会思考：为什么通过 language modeling 训练的语言模型中会存在关系性的知识呢？文章给出了答案：这是因为维基百科中的很多文本都是关系性知识的陈述，而维基百科又是典型的预训练语料。 

正如前面提到的，推理语言模型中知识的典型方法就是完形填空 (cloze prompting)，即将带空位的自然语言陈述输入到 BERT 中，然后让模型预测空位中的单词。可以看到，在该方法中，如何将关系性知识转化为陈述句便是关键了。

人工模板：典型的方法便是针对某个关系，人工撰写一个模板，如“出生于”对应的模板为“[marie curie] was born in [warsaw]”；“职业”对应的模板为“[obama] worked as a [president]”。 

自动模板：人工模板的劣势是显然的，耗时耗力、也不一定好使。于是很多工作研究了如何自动产生模板。以Jiang et al(2020) [2] 为例，对于某个关系实例 (x, r, y)，它首先识别维基百科中同时包含 x 和 y 的句子，然后将句子中 x 和 y 去掉，变成模板。这些针对关系 r 的模板通过重构（如翻译两次），生成更多模板。然后从这些候选模板中，选择性能最好的模板。下面是一些模板的例子。当然，自动模板的方法中也有不同流派，这里不展开了。

除了完形填空之外，句子打分（statement scoring）也是一种典型的抽取知识方法。我想该方法应该是主要是面向生成模型的。

注入实体级别的知识

entity-level masking 是最简单直接的方法，即在对句子进行 masking 的时候，将实体作为一个整体进而选择 mask 或者不 mask。此外，也可以增加实体对应的 mask 概率，让模型更关注实体信息。有工作 [3][4] 称之为 Salient Span Masking。

将实体视作 token 当然我们也可以将实体整体作为一个 token。在 E-BERT [5] 中，作者将实体对应的 token 合并为一个 token，如下图中的 Jean_Marais；作者发现将合并后的 token 和原本的 tokens 一起保留下来 (E-BERT-concat)，效果会比较好。但是该方法带来的一个明显问题是词表的规模大大增加了（30k->6m）。

上面两种方法可以说都是在输入层面对 mask language modeling 进行改动。也有研究者通过增加其他训练目标的方式，在预训练阶段注入实体级别的知识，典型的两种为：

entity replacement detection [6]： 将句子中的实体替换为同类型的其他实体，然后让模型预测替换是否存在。这有些类似 ELECTRA [7] 中的 replaced token detection。

entity linking[8]： 实体链接是指将文本中的字符映射到知识库对应的实体上。将该任务加入到预训练过程中，相应的标注便是来源于百科文本中指向其他词条的链接。

entities as embeddings 以 transE [9] 为代表的知识嵌入（knowledge embeddings）可以为知识图谱中的实体的得到一个表示。一些工作将这些实体表示和 BERT 中的 token 表示结合在一起。 

• align & fusion： Peters et al (2019)[10] 通过 word-to-entity attention，融合实体表示和 BERT 输出 token 表示。 
  
• early fusion： 在 BERT 内部，进行句子的编码时，显式地引入 entity embeddings。输入的实体表示可以来源模型外部 [11]，也可以是在模型中学习 [12]。以 ERNIE-THU [11] 为例，如下图，除了建模原本句子内部 token 之间交互外，还建模 entity 与对应的 token 的交互，以及 entity 之间的交互。

注入关系级别的知识

这部分内容可大致分为两类方法： 

1. relations as templated assetions: 将关系三元组转化为陈述句，作为预训练的文本。将关系三元组转化为文本，和前面提到的完形填空有些类似，具体方法不展开。 

2. relations as pretraining objective: 引入一个或多个额外的训练目标。这个思路下感觉还是有很大做的空间。接下来，本文选择下面三个工作进行介绍：

• Matching the Blanks [13] 

• ERICA [14] 

• KEPLER [15] 

Matching the Blanks 这是 2019 年的工作，算 BERT+relation 的工作中比较早期了。其思路是具有相同关系的句子表示应当相似。考虑到大规模的关系标注语料的缺乏，因此将“具有相同关系”这一限制放松为 “包含相同实体对”。进一步，考虑到实体对本身可能泄露答案，因此将句子中实体对 mask 掉。

ERICA 与 Matching the Blanks 类似，从“具有相同关系的句子表示应当相似”这个出发点训练模型。而关系标签则是通过远程监督获得的。该任务被称为关系鉴别任务。此外，这个工作还引入了实体鉴别任务，具体来说，输入头实体+关系以及一段包含尾实体的文本，让模型找到尾实体。下图给出了一个例子。

KEPLER 与 ERICA 一样，都是 21 年发布的工作。相比之外，KEPLER 看来更加科学一点（个人观点）。TransE 的目标是头实体的表示 h，尾实体的表示t，与关系的表示 r，满足 h+t=r。在原本的 TransE 的工作中，实体的表示都是没有结合上下文的；而在 KEPLER 中，则是结合了上下文。在 KEPLER 中，知识嵌入和 language modeling，是共享编码器，同时训练的。不得不说，这个框架看起来简洁有力。

参考文献

[1] Petroni, Fabio, et al. "Language models as knowledge bases?." arXiv preprint arXiv:1909.01066 (2019). 

[2] Jiang, Zhengbao, et al. "How can we know what language models know?." Transactions of the Association for Computational Linguistics 8 (2020): 423-438. 

[3] Guu, Kelvin, et al. "Retrieval augmented language model pre-training.“ ICML 2020. 

[4] Roberts, Adam, et al. "How Much Knowledge Can You Pack Into the Parameters of a Language Model?." EMNLP 2020. 

[5] Poerner, Nina, Ulli Waltinger, and Hinrich Schütze. "E-BERT: Efficient-yet-effective entity embeddings for BERT." EMNLP 2020. 

[6] Xiong, Wenhan, et al. "Pretrained encyclopedia: Weakly supervised knowledge-pretrained language model.“, ICLR 2020. 

[7] Clark, Kevin, et al. "Electra: Pre-training text encoders as discriminators rather than generators." arXiv preprint arXiv:2003.10555 (2020). 

[8] Ling, Jeffrey, et al. "Learning cross-context entity representations from text." ICLR 2020. 

[9] Bordes, Antoine, et al. "Translating embeddings for modeling multi-relational data." Advances in neural information processing systems 26 (2013). 

[10] Peters, Matthew E., et al. "Knowledge enhanced contextual word representations." EMNLP 2019. 

[11] Zhang, Zhengyan, et al. "ERNIE: Enhanced language representation with informative entities." ACL 2019. 

[12] Févry, Thibault, et al. "Entities as experts: Sparse memory access with entity supervision." EMNLP 2020. 

[13] Soares, Livio Baldini, et al. "Matching the Blanks: Distributional Similarity for Relation Learning." ACL 2019. 

[14] Qin, Yujia, et al. "ERICA: improving entity and relation understanding for pre-trained language models via contrastive learning." ACL 2021. 

[1] 5Wang, Xiaozhi, et al. "KEPLER: A unified model for knowledge embedding and pre-trained language representation." TACL 2021.

特别鸣谢

感谢 TCCI 天桥脑科学研究院对于 PaperWeekly 的支持。TCCI 关注大脑探知、大脑功能和大脑健康。

更多阅读

#投 稿 通 道#

 让你的文字被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。 

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。

📝 稿件基本要求：

• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注 

• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题

• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算

📬 投稿通道：

• 投稿邮箱：hr@paperweekly.site 

• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者

• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿

△长按添加PaperWeekly小编

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

·