臺灣大學黃意堯：深度殘差網絡下的弱監督關係抽取

臺灣大學黃意堯：深度殘差網絡下的弱監督關係抽取

 

在今年的 EMNLP 2017 上，臺灣大學黃意堯與加州聖塔芭芭拉大學 (UCSB)William Wang 教授有一篇合作論文被錄用。黃意堯撰寫了關於這篇論文的研究歷程，以供學習與參考。我們做了不改動原意的編輯與修改，將繁體字轉換爲簡體，並將一些臺灣常用表述轉換爲大陸的通用說法。

論文名稱：Deep Residual Learning for Weakly-Supervised Relation Extraction

論文地址：https://arxiv.org/abs/1707.08866

近年來，越來越多人關注在關係抽取 (Relation Extraction) 的題目上，大部分的研究集中在使用更復雜、更結構化的神經網絡，並測量在 SemEval 2010 的關係抽取數據庫上。

但在這個數據庫上，最大的問題是數據太少，總共只有 10,717 條數據，導致大部分的模型參數不能太多，要不然會有過度擬合 (over fitting) 的現象發生。

相較於另一個數據庫，NYT dataset，總共有 695,059 條數據，採用半監督式學習：distant supervision 來收集數據。這個數據庫有足夠大的數量來進行大型神經網絡的實驗。

出於這個動機，本文進行大型神經網絡在 NYT dataset 數據庫的實驗，並提出深度殘差網絡來解決 distant supervision 帶來的噪聲干擾。

 

問題探討

 

我們使用卷積神經網絡來進行關係抽取，取經於計算機視覺與深度卷積神經網絡的成功，我們透過增加層數，來增加神經網絡的參數，希望可以幫助關係抽取的學習。結果如圖一：

 

 

圖一、各式卷積網絡的結果

但我們卻發現，使用 9 層卷積神經網絡 (CNN-9) 的效果，並沒有單層 (CNN) 的好。這個結果跟過往的經驗違背。我們猜測原因是，在 distant supervision 的數據裡面，有太多錯誤標籤的數據，這些數據帶來太多的噪聲，而這些噪聲隨著越深層的神經網絡而被放大，導致 9 層卷積神經網絡 (CNN-9) 的結果比單層 (CNN) 更差。爲了解決這個問題，我們使用殘差網絡，來幫助網絡的特徵學習。

 

殘差網絡在半監督式學習的應用

 

基於上面的實驗，我們知道淺層網絡在 distant supervision 的數據庫中，能學習到比較好的特徵。於是，我們設法讓淺層網絡的特徵，可以跳躍傳遞至深層網絡。

 

 

 

圖二，殘差網絡在關係抽取的架構

如圖二所示，我們使用擁有兩層卷積網絡的殘差區塊，將淺層網絡的特徵傳到較深層的網絡。特過這樣的設計，我們可以依照數據庫的大小，來堆迭網絡架構，讓網絡可以選擇較不被噪聲影響的那層網絡特徵來進行關係分類。

 

結果

 

這篇文章，提出一種，解決 distant supervision 噪聲對大型網絡影響的方法。在表一，我們可以看到，9 層的殘差網絡，與 state-of-the-art(PCNN+ATT) 的模型，有差不多的結果，並在高順位候選的關係上，有更棒的效能。證明，利用殘差網絡，可以在 distant supervision 的數據庫中，抽取更有用的特徵。

 

 

表一，殘差網絡與其它網絡結構的結果比較

 

結論

 

本篇文章提供讀者、研究人員可以在 distant supervision 的數據庫使用大型深度神經網絡。但要注意，此種半監督式學習的噪聲，會影響到實驗結果。利用殘差網絡可以解決這樣的問題，這篇文章在關係抽取的研究上，證明其結果。

 

文章趣事

 

本篇文章是我在加州聖塔芭芭拉大學 (UCSB)，做交換學生時完成的作品。其實聖塔芭芭拉是一個充滿陽光，很美的海灘，每天都可以衝浪、曬太陽、玩水，加上當時課選很少的情況下，覺得生活過得太安逸，決定加入當時新晉教授 William Wang 的實驗室，學習相關領域的知識。但沒想到，我是實驗室前 5 個進來的學生，導致所有知識都要靠自己來，自己吸收與學習。幸運的是，教授有許多時間，跟我討論題目，但另一方面，我也好像在過一個博士班學生單獨奮鬥的生活，每天死盯著論文，想理解關係抽取到底發生了什麼事。很幸運地，最後我把文章完成，並且順利的投上 EMNLP。很感謝 William Wang 教授願意給我機會，與我進行大量的討論。William Wang 教授在知識圖譜的相關研究很厲害，有興趣的同學，可以申請到他的實驗室進行研究。

原文：https://arxiv.org/abs/1707.08866

項目：https://github.com/darrenyaoyao/ResCNN_RelationExtraction

 

William Wang 教授主頁：https://www.cs.ucsb.edu/~william