论文浅尝 | 利用常识知识图增强零样本和少样本立场检测

news2024/11/17 5:55:14

笔记整理：张嘉芮，天津大学硕士

链接：https://aclanthology.org/2021.findings-acl.278.pd

动机

传统的数据驱动方法不适用于零样本和少样本的场景。对于人类来说，常识知识是理解和推理的关键因素。在没有标注数据和用户立场的隐晦表达的情况下，引入常识性的关系知识作为推理支持，可以进一步提高模型在零样本和少样本场景下的泛化和推理能力。

亮点

本文的亮点主要包括：

(1)从外部结构知识库ConceptNet引入常识知识

(2)引入了一个基于图卷积网络的常识知识增强模块，利用关系子图的结构层和语义层信息，可以进一步增强模型的泛化和推理能力。

模型

问题定义：

形式上，表示包含N个样本的零样本立场检测数据集，其中为文档，为对应主题，为立场标签。该任务的目标是获得给定的立场标签。为了连接文档和主题，作者引入了一个从外部KG中提取的常识知识子图G = (V, E)，其中V是概念的子集，E表示概念之间的关系。

框架：

模型整体框架如下：

1.BERT编码

作者使用预训练的语言模型BERT对文档x和主题t进行编码。具体来说，作者将x和t以以下格式连接成一个输入序列：[CLS] x [SEP] t [SEP]。然后,输入序列送入BERT获取上下文表示X = {x1 , … , xm}文档和T = {t1 , … , tn}为主题,m和n的长度是分别文档和主题。最后，可以得到文档和主题的平均表示和 )。

2.Knowledge Graph Encoding with CompGCN

在介绍作者的图编码器之前，让作者首先描述从外部知识图构造关系子图的过程。作者采用ConceptNet作为知识图库G. ConceptNet由数百万个关系三元组组成，共包含34个关系。每个三元组都表示为R = (u, r, v)，其中u是头部概念，r是关系，v是尾部概念。作者将文档和主题中的短语与来自ConceptNet的提到的概念集(Cd和Ct)进行匹配。为了从G中提取关系子图G = (V, E)，作者找到Cd中的概念到Ct中的概念的两跳有向路径。路径上的所有概念构成概念集合V和E，由V内概念之间的所有边组成。此外，作者在任意概念对之间添加反向关系边，以改善信息流。

现有的关于GCNs的研究主要集中在非关系图上。因此，为了整合常识关系知识，作者利用了CompGCN ，这是图卷积网络(GCNs)的一种变体，它联合嵌入了子图G的节点和关系。图编码器由L层叠加的CompGCN层组成。节点和关系的特征均通过TransE嵌入进行初始化。作者通过聚合节点的邻居及其关系边的信息来更新节点表示。形式上，节点的更新方程定义为:

这里φ是一个基于平移理论(Bordes et al.， 2013)的实体-关系复合运算，其形式为减法:

将关系嵌入变换如下:

然后，作者得到Cd和Ct的节点表示Hd和Ht。为了聚合合理的关系信息，作者通过执行缩放的dot - product attention计算Cd的平均关系表示，以为键，Hd为查询和值。同样，作者得到Ct的平均关系表示。

3.立场分类

将纯文本的表示(即和 )与关系表示(即和 )连接起来，以充分利用文本信息和图结构信息。然后，通过softmax函数将连接的表征输入到双层多层感知(MLP)中，以预测立场标签:

最后，利用多类交叉熵损失对网络参数进行训练。

实验

1.数据集：VAST

2.总体结果

我们的模型和基线的总体结果如表2所示。我们的模型在很大程度上优于所有基线，这可以说明结合丰富的常识知识以关系图的形式是有效的。此外，我们观察到所有基于bert的基线的性能都更差。对于零样本的主题，赞成的例子多于反对的例子。一种可能的解释是反面例子中有更多的否定词，这在语义上更容易识别。我们的模型在零样本和少样本的情况下都带来了显著的平均改善，这表明来自外部知识库的关系信息可以增强归纳推理能力。相对于BERT-GCN只对节点聚合建模，我们的模型充分利用了关系信息，对整体模型做出了很大贡献。