一文详解自然语言处理任务之共指消解

会员服务 ·

一文详解自然语言处理任务之共指消解

2020 年 6 月 13 日 深度学习自然语言处理

点击上方，选择星标或置顶，每天给你送干货！

阅读大概需要10分钟

跟随小博主，每天进步一丢丢

作者: 龚俊民(昵称: 除夕)

学校: 新南威尔士大学

单位：Vivo AI LAB 算法实习生

方向: 自然语言处理和可解释学习

知乎: https://www.zhihu.com/people/gong-jun-min-74

前言

在所有的 NLP 任务中，有一些任务比较例外。它的输出不属于一个序列，一个类别，或者是多个序列，多个类别，而可能是一个图、或是一棵树，一种数据结构。每个 NLP 任务都有属于自己的领域知识和求解框架。但这里我们主要来说一下共指解析的解决框架和深度学习的做法。

共指解析的目标是要找出文中指代相同的代指。图中的"它"指的是什么呢？它是指拳头，"他"的拳头是谁的拳头呢？指的是钟佳播的全头。如果是一个 QA 模型，它就只会从字面意思去回答问题。把会锤倒高墙的东西变成代词"它"，而不是这个"它"实际指代的对象。

共指解析是一个非常重要的问题。有一个叫 winograd 的比赛，希望取代图灵测试。在图灵测试中，AI 可以有太多方法去狡猾地欺骗人类。有一些话术，可以让不聪明的机器伪装成聪明的机器。winograd 是一个 QA 问题。比如它会问，这个奖杯放不进行李箱中，因为它太大了。问：什么太大了？对机器来说，这不是一个容易的问题。再比如，它还会问，这个奖杯放不进行李箱中，因为它太小了。问：什么太小了？要回答这种问题，需要机器对世界知识有一定的理解，才有可能得到正确的答案。

共指解析真正在做的是，通过一些文字片段，去指涉场景中对应的实体。文中那些建立场景理念的词汇，就叫作 mention。我们把两个 mention 找到它们是同一个实体的过程，叫作共指 corefer。我们目标是找出哪些 mention 是共指，哪些 mention 不是共指。对于先出现在共指中的 mention，称之为先行词 antecedent，后出现的则叫作 anaphor，没有共指单独出现的 mention 叫作 singleton。

一个共指解析的任务要做几件事情。一是要把所有的 mention 都标注出来。有时 mention 的定义是比较模糊的。一般我们会有一个语料参照，要把哪些作为 mention，哪些忽略。这些 mention 与 mention 之间，有时候会有边界重叠包含关系。比如他的拳头整体是一个 mention，它又可以是另外一个 mention。这些 mention 要被分成不同的簇类。相同簇的 mention 指代的对象会是同一个。如果是复数要怎么办呢？一般我们会单独作为新的实体簇来划分。它与 NER 不同在。NER 找的实体几乎不存在交叉。

第一步，针对找出 mention 这个问题，我们需要有一个二分类器。它的输入是一串 tokens 序列，输出是这一串 tokens 是不是 mention。Mention Detection 与分割和填槽有一点点不同。这个二分类器，输入是要一整个 span，决定它是不是 mention。之所以要这么做，是因为在做 mention detection 的时候，mention 之间会有互相包含的关系。假如有一个长度为 N 的序列，我们需要找出 N(N-1)/2 的可能 span 组合输入给模型去分类。这是一个有监督学习。监督信息来自于人工标注的 mention 作为正例，和未标注到的 token 作为负例。

第二步，是思考哪些 mention 应该要放在同一个类别簇中。这也是用一个二分类器，输入是两个 mention，输出是这两个 mention 有无共指的关系。如果我们有 K 个 mentions，则两两组合有 K(K-1)/2 次分类。

我们可以把上面两个步骤联合起来，只用一个分类器来端对端地训练。输入分类器的是两个 span，若二者是mention 且共指，则分类器输出 1。反之两个 span 任意一个不是 mention，或不共指，则输出0。它的复杂度为 O(N^4)。当 N 稍微大一点时，算法性能就会受限。

这个模型实际是怎样的呢？输入序列会先丢给预训练语言模型，得到每个 token 的嵌入。接着，我们会通过一个特别的模块专门把 span 提取出来，聚合成一个向量。接下来，我们会有一个 mention detection 的模块，输入一个向量，输出判断它是不是 mention。与此同时，两个 mention 向量还会输入给一个 mention pair 的模块，判断它们是不是共指。最后我们把三个分数直接加起来，作为最终输出。

span extraction 一种常见的做法是，假如一个 span 中有四个 embedding，我们先会把它的开头和结尾取出来，再把四个向量取平均，或把它们两两做自注意力，来做加权平均，得到注意过后的向量。比如湖边小屋，真正决定它是 mention 的词在小屋上。模型通过自动学得在小屋这类词上做更多的关注。从而获得一定的泛化能力，学到海边小屋，街边小屋，森林小屋，都是 mention。

如果我们要用这种端对端的方式训练，怎样把它的运算量变得更小呢？推断的时候，我们可以先做 mention detection，跑 N(N-1)/2 次，找出 K 个 mention。再去用 K 个 mention 两两分类看是不是共指。由于 K << N，后面的分类计算量大大减小了。另一个技巧是限制 span 的长度，比如最多不超过 10 个 tokens。这样复杂度就成了固定的数值。

各式各样抽取词嵌入的方法包括了 GLoVe + LSTM，ELMo 和 BERT。图中，小括号代表一个 mention。颜色越深代表注意的权重越大。模型是能够判断在一段 span 的 tokens 中，最重要的是哪些 token。像 fire 和 blaze 指的是同一个东西。factory 和 building 也指的是同一个东西。不过模型也有些 case 把握的不是很好，比如会把 region 和 area 看成是同一个指代。其中有一些比较难的case，需要模型理解一些常识才能去解。这就不是单纯读这篇文章就可以解决的问题。

共指解析可以怎么应用呢？有一种 Seq2seq 的方法，可以用来考虑聊天机器人容易忽略对话历史的问题。因为对话中很容易出现各种指代。Seq2Seq 的共指解析模型就会把上下文中的代指，解析成其实际指代。就能够让模型更好地考虑上下文历史。

在共指解析中，我们不是真的做聚类，而是把指代相同的放在同一个簇中。但对于全局信息，比如 Lee 指代 Mr. Lee，she 指代 Lee。它们在两两共指的时候是合理的。但三个放在一起就存在矛盾了。因此我们需要考虑簇类的层级关系。目前大部分的共指解析都是有监督的。EMNLP 19 里，有人想出了一种无监督的方法。通过 MASK 代词"他"的方式，让模型去预测这个"他"是什么词汇，从而找出共指的 mention。当然，单纯这样做会有一些问题，比如 he 只是一个 token。把他丢到 BERT 中，它也只会补一个 token。这算是一个未解的问题。

该笔记来自于李宏毅视频， 视频地址为： https:/ /link.zhi hu.com/?target=htt ps% 3A//www.youtube.com/watch%3Fv%3D2BemmceHKOU%26feature%3Dyoutu.be

Reference

李宏毅《人类语言处理 2020》Deep Learning for Coreference Resolution
[Lee, et al., EMNLP’17] Kenton Lee, Luheng He, Mike Lewis, Luke Zettlemoyer, End-to-end Neural Coreference Resolution, EMNLP, 2017
[Su, et al., ACL’19] Hui Su, Xiaoyu Shen, Rongzhi Zhang, Fei Sun, Pengwei Hu, Cheng Niu, Jie Zhou, Improving Multi-turn Dialogue Modelling with Utterance ReWriter, ACL, 2019
[Wu, et al., ACL’20] Wei Wu, Fei Wang, Arianna Yuan, Fei Wu, Jiwei Li, Coreference Resolution as Query-based Span Prediction, ACL, 2020
[Lee, et al., NAACL’18] Kenton Lee, Luheng He, and Luke Zettlemoyer, Higher- order coreference resolution with coarse-to-fine inference, NAACL, 2018
[Joshi, et al., EMNLP’19] Mandar Joshi, Omer Levy, Luke Zettlemoyer, Daniel Weld, BERT for Coreference Resolution: Baselines and Analysis, EMNLP, 2019
[Kantor, et al., ACL’19] Ben Kantor, Amir Globerson, Coreference Resolution with Entity Equalization, ACL, 2019
[Kocijan, et al., EMNLP’19] Vid Kocijan, Oana-Maria Camburu, Ana-Maria Cretu, Yordan Yordanov, Phil Blunsom, Thomas Lukasiewicz, WikiCREM: A Large Unsupervised Corpus for Coreference Resolution, EMNLP, 2019