综述 | 知识图谱实体链接:一份“由浅入深”的综述

 

PaperWeekly

PaperWeekly是一个推荐、解读、讨论和报道人工智能前沿论文成果的学术平台,致力于让国内外优秀科研工作得到更为广泛的传播和认可。社区:http://paperweek.ly | 微博:@PaperWeekly

本文转载自公众号:PaperWeekly

 

作者丨Nicolas

单位丨追一科技 AI Lab 研究员

研究方向丨信息抽取、机器阅读理解

本文介绍实体链接(Entity Linking)这一技术方向,会先从最基础的概念讲起,然后对 EL 中的三个主要模块做一个清晰的梳理。在此基础上,选取三篇比较有代表性的论文,详述其中的核心方法和思想。

EL入门

1. 任务定义

实体链接,就是把文本中的 mention 链接到 KG 里的 entity 的任务。如下图所示 [1]:

▲ Entity Linking示意图

有些读者可能对知识图谱的概念不甚了解,这边先解释一下图谱里常用的一些概念。

Knowledge Graph(知识图谱):一种语义网络,旨在描述客观世界的概念实体及其之间的关系,有时也称为 Knowledge Base(知识库)。

  • 图谱由三元组构成:<实体1,关系,实体2> 或者 <实体,属性,属性值>;
  • 例如:<姚明,plays-in,NBA>、<姚明,身高,2.29m>;
  • 常见的KB有:Wikidata、DBpedia、YOGO。

Entity(实体):实体是知识图谱的基本单元,也是文本中承载信息的重要语言单位。

Mention(提及):自然文本中表达实体的语言片段。

回过头再看,上面的这个图中,“乔丹”、“美国”、“NBA”这些蓝色的片段都是 mention,其箭头所指的“块块”就是它们在图谱里对应的 entity。

2. 几个应用

EL 有什么用呢?一般有 KB 的地方就离不开 EL。以下是 EL 的几个应用 [2]:

Question Answering:EL 是 KBQA 的刚需,linking 到实体之后才能查询图数据库;

Content Analysis:舆情分析、内容推荐、阅读增强; 

Information Retrieval:基于语义实体的搜索引擎,google 搜索一些实体,右侧会出现 wikipedia 页面;

Knowledge Base population:扩充知识库,更新实体和关系。

3. Taxonomy

▲ Taxonomy

大体来说,EL 的工作可以分为两类 [3]:

End-to-End:先从文本中提取到实体 mention(即 NER),对应到候选实体,然后将提取到的 entities 消除歧义,映射到给定的 KB 中。

Linking-Only:与第一种方法对比,跳过了第一步。该方法直接将 text 和 mention 作为输入,找到候选实体并消除歧义,映射到给定的 K B中。

由于端到端的工作比较少,且 NER 也没太多可讲的。本文着重介绍 Linking-Only 的相关技术方向和工作。

EL的三大模块

EL 的工作非常有挑战性,主要有两个原因:

1. Mention Variations:同一实体有不同的 mention。(<科比>:小飞侠、黑曼巴、科铁、蜗壳、老科)

2. Entity Ambiguity:同一 mention 对应不同的实体。(“苹果”:中关村苹果不错;山西苹果不错)

针对上述两个问题,一般会用 Candidate Entity Generation (CEG) 和 Entity Disambiguation (ED) 两个模块 [2] 来分别解决:

1. Candidate Entity Generation:从 mention 出发,找到 KB 中所有可能的实体,组成候选实体集(candidate entities);

2. Entity Disambiguation:从 candidate entities 中,选择最可能的实体作为预测实体。

下面我们来讲讲这两个模块里都有些啥东西。其中,CEG 的方法都比较朴素,没什么可讲的,笔者会把重点放在 ED 上。 

1. Candidate Entity Generation (CEG) 

最重要的方法:Name Dictionary ( {mention: entity} )

哪些别名:首字母缩写、模糊匹配、昵称、拼写错误等。

构建方法:

  • Wikipedia (Redirect pages, Disambiguation pages, Hyperlinks);
  • 基于搜索引擎:调 google api,搜 mention。若前 m 个有 wiki entity,建立 map;
  • Heuristic Methods;
  • 人工标注、用户日志。

CEG 这部分,最主流也最有效的方法就是 Name Dictionary,说白了就是配别名。虽然 CEG 很朴素,但作为 EL 任务中的第一道门槛,其重要性不言而喻。对于每一个 entity,紧凑而充分地配置别名,才能保证生成的 candidate entites 没有遗漏掉 ground truth entity。

具体的,要配置哪些别名,要用什么构建方法,往往取决于 EL 的使用场景。比如做百科问答或是通用文本的阅读增强,就很依赖于 wikipedia 和搜索引擎;但如果是某个具体的行业领域,就需要通过一些启发式的方法、用户日志、网页爬取,甚至人工标注的方法来构建 Name Dictionary。

2. Entity Disambiguation (ED) (手动划重点) 

Features:

  • Context-Independent Features:
    • LinkCount: #(m->e),知识库中某个提及 m 指向实体 e 的次数;
    • Entity Attributes: Popularity, Type;
  • Context-Dependent Features:
    • Textual Context: BOW, Concept Vector
    • Coherence Between Entities: WLM, PMI, Jaccard Distance

实体消歧时,不同场景的特征选取是非常重要的。总的来说,实体消歧的特征分为,context 独立和 context 不独立的。

特征里,独立的有:mention 到实体的 LinkCount、实体自身的一些属性(比如热度、类型等等)。其中,LinkCount 作为一个先验知识,在消歧时,往往很有用,比如当我们在问“姚明有多高?”时,大概率都是在问<篮球运动员姚明>,而不是其他不为人知的“姚明”。

虽然 context 中完全没有包含篮球运动员这一信息,但大多数情况下,根据“姚明”到<篮球运动员姚明>的 LinkCount 最高,选其作为实体进行查询,都会是一个不错的答案。

不独立的有:文本的 context、实体间的 coherence(一致性)。这部分,可深入挖掘的东西比较多,文本 context 可以用一些深度学习的方法去深度理解文本的语义,从而实现消歧;实体间的一致性更加有趣,由于文本包含的所有的 mention 都没有确定,所以全局地进行 entities 的消歧实际上是一个 NP-hard 的问题。因此,如何更加快速有效地利用一致性特征,是一个非常有趣的方向。

基于这些常用的特征,消歧的方法可以大致分为以下几种:

Learning to Rank Methods: Point-wise、Pair-wise、List-wise。由于 ED 任务 ground truth 只有一个实体,一般都是用 point-wise 来做。输入是文本的 context、mention、某个 entity 的一些 attributes,输出 mention 指向该 entity 的置信度,以此 rank,选出最可信的 entity;

Probabilistic Methods: Incorporate heterogeneous knowledge into a probabilistic model。结合不同信息,得到条件概率 P(e|m,c),其中 c 是输入文本,e 为实体, m 是 mention。比如用归一化的 LinkCount 信息,作为先验概率 P(e|m);

Graph-Based Approaches: maximize coherene between entities。利用图特征(entity embedding、relation),在消歧时,考虑全局消歧后实体的一致性;

一般来说,现在的 ED 工作都会综合以上的方法来设计,后面我们会具体介绍几篇近期的论文,大家可以对照这三类方法看看。

3. 还有个小问题:Unlinkable Mention Prediction 

除了上面的两大模块,还有一个小问题,就是如何拒识掉未知实体,毕竟你不可能建立一个能穷举万物的 KB。这就涉及到 Unlinkable Mention Prediction,不是很复杂,一般就三种做法:

NIL Threshold: 通过一个置信度的阈值来卡一下; 

Binary Classification: 训练一个二分类的模型,判断 Top-rankeded Entity 是否真的是文中的 mention 想要表达的实体;

Rank with NIL: 在 rank 的时候,在候选实体中加入 NIL Entity。

一般就阈值卡一下就好了,不是太大的问题。但如果具体的场景是做 KB Population 且实体还不是很全的时候,就需要重点关注一下了。

EL的近期工作

为了让读者能更清楚地了解 EL,笔者在这里选取了三篇近两年出的,比较有代表性的工作 [4] [5] [6],给大家具体讲讲:

1. Deep Joint Entity Disambiguation with Local Neural Attention. (Ganea and Hofmann, 2017, EMNLP)

2. Improving entity linking by modeling latent relations between mentions. (Le et al., 2018, ACL)

3. DeepType: multilingual entity linking by neural type system evolution. (Raiman et al., 2018, AAAI)

1. Deep Joint Entity Disambiguation with Local Neural Attention 

早期的 EL 工作都非常依赖 manually-designed 的特征,这篇文章是 EL 领域第一篇不依赖特征工程,用深度学习来学习基础特征的工作。主要的创新点和关键部件有三个:

  • Entity Embeddings: 用到了知识库里实体的 embedding;
  • Context Attention: 用 attention 机制来获得 context 的表征;
  • Collective Disambiguation: 考虑实体间的 coherence,联合消歧。

给定文本 D,其中有一堆 mention   对应的实体为  ,对应的 context 为  ,对应的候选实体集为  。文章提出了两种模型:Local model、Global model。local 只考虑 mention 的 context;global 还需要考虑实体间的一致性,联合消歧。

Local model: 令   为local score function,local model 要解决的问题即:

Global model: 除了 context,还考虑实体间的 coherence(为了简化,只考虑两元一致性)。令   为实体之间的 pair-wise coherence score function, ,全局搜索:

Local and pair-wise score function 的计算方法如下:

其中,   是实体   的 embedding,  是对角矩阵。  是在上下文 上取 attention 后的表征,具体的 attention 计算如下图所示:

▲ Local Model里的Attention机制

这里是用 candidate entity embeddings 做 key,context word embeddings 做 value,得到 score matrix 之后,按列取 max,如果某个 word 的 score 较高表示这个 word 至少和一个 entity 相关度高。为了去除 stop words 的影响,作者只取了 top R 的 score,剩下的置为负无穷。

得到 score 后,还会结合 m 到 e 的 LinkCount 先验概率,计算出最终各个实体的概率。该工作在 AIDA 数据集上取得了 SOTA ( local: 88.8、global: 92.22)。

2. Improving entity linking by modeling latent relations between mentions 

上一篇论文开创性地在 EL 中引入 entity embedding 作为信息,很自然的,我们会思考一个问题,KB 中还有别的可利用的信息吗?参考本文一开始的那张图片,“乔丹”、“美国”、“Nike”这些实体之间还有着“公民”、“赞助商”等关系信息,显然,若加以利用,一定能成大器。

于是 Le et al. 在 Ganea and Hofmann 工作的基础上,增加了隐关系信息。假定图谱中有 K 个关系,令   之间为关系 k 的置信度为  ,上文中的 pair-wise coherence score function 可以写成:

其中,  都是用来表示关系 k 的对角矩阵(类似于关系 k 的 embedding),   为归一化因子,  为将   映射到 的函数。这样一来,我们就隐式地添加了关系 k,丰富了计算全局实体一致性时所参考的信息。

看起来很 fancy!但是有一个问题,这个归一化因子我们要咋算呢?作者提供了两种思路:

1. Rel-norm: Relation-wise normalization。就是以关系 k 维度来 norm;

2. Ment-norm: Mention-wise Normalization。就是以实体 j 维度来 norm。

▲ 两种norm方式的示意图

看一下上面这张图,就很清晰了。该工作在 AIDA 数据集上得到了新的 SOTA (global: 93.07)。

3. DeepType: multilingual entity linking by neural type system evolution 

前两篇论文都是在联合消歧的这个角度,做了一定的工作。DeepType 这篇文章则另辟蹊径,从优化知识库的 type 系统来做。文章很重要的一个观点是:当我们能预测出实体 mention 的 type,消歧这个任务就做的差不多了。EL 系统主要分成三个模块:

1. Type System: 一组正交的 type 轴和一个 type 标注函数;

 

  • type 轴:一组互斥的 type 集合 A (e.g. {IsHuman} ∩ {IsPlant} = {})
  • type 标注函数:
  • 举个例子,假定一个包含两个轴 {IsA, Topic} 的 type 系统,<追一科技>对应的就是 {公司,人工智能}

2. Type Classifier: 给定 mention 和 text,输出 mention 对应实体的 type;

3. Entity Prediction Model: 给定 mention、text 和候选实体,预测概率最高的实体(文中直接用的 LinkCount)。

很显然,这三个模块的核心点在于 Type System 的构建。由于 Entity Prediction Model 是直接用的 LinkCount,实际上整个 EL 系统就只有两组参数,一组是 Type System 的离散参数 A,一组是 Type Classifier 的连续参数 θ。给定 text 及其所含的 mention:

其中   为 ground truth 的实体,  为候选实体集,令   为 EL 系统的消歧准确率,则我们的问题可以定义为:

其中:

这个 entity score 可以看成是给定 m 后,EL 系统给出的置信度,后面会给具体公式。

同步优化两组参数很耗时,因此文章分成 Type System 和 Type Classfier 两个部分独立优化。

a. Discrete Optimization of Type System: 

为了避免同时训练 Type System 和 Type Classifier,我们得先固定 classifier,然后优化 Proxy Objective  ,这里我们假设两个 classifier model 的极端:

1. Oracle(极端优秀):假设 Type Classifier 开了天眼,不管 A 咋变,都能预测对 mention 的 type,然后从该 type 对应的候选实体集的子集中选 LinkCount 最高的,令:

2. Greedy(极端蠢):不预测 type,直接从候选实体集中选 linkcount 最高的。

最简单的思路直接   其实就完事了,但是我们要考虑到真正的 classifier 并没有开天眼,假设 classifier 的 Learnability(学习能力)是 l(A),那么更合理的目标函数应该是:

但是怎么才能不依赖 A 去计算学习能力呢,如果是用 softmax 多分类,那就糟了,每换一次 A,就得重新训练一个 classifier。因此作者巧妙的用二元分类器代替了多分类,令:

这样就只需要最开始计算一次就好了,如下图所示:

▲ a为训练type系统时的classifier,b为后面真正用的classifier

b. Type Classifier 

就按照上图 b 优化就是了,没什么可说的。

c. Inference 

在训练完 Type System 和 Type Classifier 之后,我们就可以计算我们上面说的 EntityScore 了:

其中   是 k 个 type 组成 type 轴,α,β∈(0,1) 是 smoothing 系数。最终在 AIDA 数据集上取得了新的 SOTA(94.88)。

4. 三篇论文效果对比和思考

前两篇都是联合消歧的,而 DeepType 其实是个 Local 模型。这么看来,如果考虑联合消歧的话,应该还会有提升。

总结

Entity Linking 其实算是个很复杂的技术领域,因为优化过程中,不仅要考虑 text 的文本信息、KB 的信息、消歧后的一致性,还需要根据具体的业务场景采用不同的方案,同时也不能为了效果去暴力搜索 NP-hard 的离散优化问题。在具体实施的过程中不可能面面俱到,需要一定程度的 trade-off。总结起来,四大特征:LinkCount、Context、Attributes、Coherence。方法千千万,大家灵活运用。

Appendices

数据集:

1. Knowledge Base:Wikipedia, YAGO, DBpedia, Freebase;

2. EL 监督数据:

  • 中文:
https://www.biendata.com/competition/ccks_2019_el/data/
  • 英文:
    • TAC KBP 2010 EL: 
https://catalog.ldc.upenn.edu/LDC2019T02
    • AIDA CoNLL-YAGO: 
https://www.mpi-inf.mpg.de/departments/databases-and-information-systems/research/yago-naga/aida/downloads/

一个不错的多因子消歧总结:

https://cloud.tencent.com/developer/article/1491361

ccks实体链接第一名方案:

https://github.com/panchunguang/ccks_baidu_entity_link

DeepType原作博客(有一些可玩的插件):

https://openai.com/blog/discovering-types-for-entity-disambiguation/

References

[1] 韩先培,实体链接:从文本到概念:

https://docs.huihoo.com/infoq/baidu-salon51-entity-links.pdf

[2] Wei Shen, Jiawei Han: Entity Linking with a Knowledge Base: Issues, Techniques, and Solutions.

http://dbgroup.cs.tsinghua.edu.cn/wangjy/papers/TKDE14-entitylinking.pdf

[3] Sebastian Ruder: NLP Progress of Entity Linking.

https://github.com/sebastianruder/NLP-progress/blob/master/english/entity_linking.md

[4] Ganea and Hofmann, 2017, EMNLP: Joint Entity Disambiguation with Local Neural Attention.

https://arxiv.org/abs/1704.04920Deep

[5] Le et al., 2018, ACL: Improving entity linking by modeling latent relations between mentions.

https://arxiv.org/abs/1804.10637

[6] Raiman et al., 2018, AAAI: DeepType: multilingual entity linking by neural type system evolution.

https://arxiv.org/abs/1802.01021

– End –

推荐阅读:

技术动态 | 知识图谱上的实体链接

论文浅尝 | 知识图谱中的链接预测:一种基于层次约束的方法

论文浅尝 | 用于知识图中链接预测的嵌入方法 SimplE

 

OpenKG

开放知识图谱(简称 OpenKG)旨在促进中文知识图谱数据的开放与互联,促进知识图谱和语义技术的普及和广泛应用。

发表评论

邮箱地址不会被公开。 必填项已用*标注