论文浅尝 | 引入“引用”的语言模型

笔记整理:杨帆,浙江大学硕士,研究方向知识图谱.

论文链接:https://arxiv.org/pdf/1611.01628.pdf

动机

Referring expression(RE)在自然语言中十分常见,并且在信息交流中扮演了十分重要的角色,但是之前的工作并没有在语言模型中明确地引入RE,作者在这篇论文中明确对RE建模,将其纳入语言模型之中,用以提高文本生成的表现。

贡献

1.提出了对自然语言中的reference(引用)进行建模的框架

2.提出了第一个对引用建模的神经模型,可以根据上下文生成引用的具体表现形式

3.在三个数据集上对模型进行综合评估,验证了提出的模型比baseline表现更好

 

模型

和传统的语言模型相比不同的是,作者在每个位置引入了一个随机变量 z_i,用以决定该位置如何生成相应的单词,形式化的条件概率如下:

其中 z_i 在不同的上下文中有着不同的含义。作者分别从三项具体的任务出发详细阐述了对应的模型,分别为1)referenceto lists 2)referenceto databases 3)referenceto document context。

1)Reference to lists

该项任务主要考虑引用一个列表中的元素,这种任务有着很广泛的应用,比如根据文本生成对应文档,作者此处以根据食材生成食谱为例。

首先利用encoder对list中各个元素(食材)编码,将最后的输出作为decoder的初始输入,然后将decoder的每个输出与list中所有项目做attention得到 ,再利用decoder输出和attention值生成 以及传统sequence to sequence 模型的输出 可以看作一个开关,用于控制下一个单词是从list中复制还是根据softmax生成,而 分别对应最终生成的单词。具体的计算过程如下:

2)Reference to databases

此类任务基础框架和前一项任务相同,但是外部数据源从列表变为了表格(数据库), 则通过下列过程生成。

3)Reference document context

该项任务旨在生成文本时生成对前文出现的实体的引用,当 z_i=0,下一个单词通过softmax生成,当z_i=1,下一个单词根据 h_e 生成,此处与前两项任务不同的是,前两项任务从外部数据源(列表或数据库)直接复制,而该任务是前文出现的实体变换之后得到对应的单词,概率形式如下:

其中 h_e 是一个动态维护的前文出现的实体集合,当出现新的实体,则将其加入至集合之中,当实体已在集合中出现,则用其新的表示替换旧的表示,示意图如下:

实验

上述三个表格分别对应三项任务的实验结果,可以看出在语言模型中引入RE的确提升了文本生成的性能表现。


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