BERT泛读系列(三)—— ERNIE: Enhanced Language Representation with Informative Entities论文笔记

一、写在前面的话

这篇论文发表于2019ACL,其主要思路是在BERT的基础上引入了知识(具体来说是实体向量),并且在预训练任务方面提出了Pre-training for Injecting Knowledge。在实验结果方面,ERNIE较bert在部分测评中有所提升,另外ERNIE还加入了Entity Typing和Relation Classification上的fine-tune,取得了不错的效果。

二、论文笔记

1. 论文整体架构

下图是论文网络的整体架构,可以看出在模型上主要的改进是在bert的后段加入了实体向量和经过bert编码后的向量拼接,另外在输出时多加了实体自编码的任务,从而帮助模型注入实体知识信息。

2. T-Encoder

这部分就是纯粹的bert结构,在该部分模型中主要负责对输入句子(token embedding, segment embedding和positional embedding)进行编码,整个的过程直接参考bert即可。

2. K-Encoder

这部分是该论文创新的重头戏。

先是实体信息的引入,该论文使用了TransE训练实体向量,再通过多头Attention进行编码(其实可以用更复杂一点的训练方法,应该还有一定的提升空间),然后通过实体对齐技术,将实体向量加入到对应实体的第一个token编码后的向量上。(例如姚明是一个实体,在输入时会被分割成姚、明,最后在这部分引入的姚明这个实体的向量会被加入到要这个字经过bert之后的向量上去)

由于直接拼接后向量维度会与其他未拼接的向量维度不同,所以作者在这里加入information fusion layer,另外考虑到后面的实体自编码任务,所以这里在融合信息之后,有实体向量加入的部分需要另外多输出一个实体向量:

加入实体信息之后的融合输出过程:

未加入实体信息之后的融合输出过程:

3. 实体自编码

为了更好地使用实体信息,作者在这里多加入了一个预训练任务 entity auto-encoder(dEA)。

该预训练任务和bert相似,按以下方式进行训练:

  1. 15% 的情况下:用 [MASK] 替换被选择的单词,例如,my dog is hairy → my dog is [MASK]
  2. 5% 的情况下:用一个随机单词替换被选择的单词,例如,my dog is hairy → my dog is apple
  3. 80% 的情况下:保持被选择的单词不变,例如,my dog is hairy → my dog is hairy

4. Fine-tuning

除了正常的任务之外,ERNIE引入了两个新任务Entity Typing和Relation Classification:

三、结果

上表可以看出,ERNIE在通用任务其实相比bert而已优势不大,尽管文章提到了ERNIE更鲁棒以及GLUE的评估对ERNIE不是很友好,但是不可否认的是,在增加复杂度的同时,并没有取得期待的效果。

另外该论文还给出了在Entity Typing和Relation Classification两类任务上的测评,可以看出ERNIE取得了非常不错的效果,但至于bert本身是否就能取得这样的效果,其实值得商榷。

总体来说,ERNIE是一篇思路非常好的论文,提供了一种很好的实体信息引入思路,并且其新提出的预训练方法也给希望将bert这一模型引入关系抽取领域提供了很好的例子。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,324评论 5 476
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,303评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,192评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,555评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,569评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,566评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,927评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,583评论 0 257
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,827评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,590评论 2 320
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,669评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,365评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,941评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,928评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,159评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,880评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,399评论 2 342

推荐阅读更多精彩内容