基于深度學(xué)習(xí)的食品安全領(lǐng)域?qū)嶓w關(guān)系抽取研究

孫劭芃，汪顥懿*，左 敏，張青川

（北京工商大學(xué) 電商與物流學(xué)院 農(nóng)產(chǎn)品質(zhì)量安全追溯技術(shù)及應(yīng)用國家工程實驗室，北京 100048）

作為最基本的民生問題，食品安全牽動著億萬民眾的神經(jīng)，一經(jīng)曝光，就能迅速引起社會各階層的普遍關(guān)注，激發(fā)負(fù)面聯(lián)想，甚至誘發(fā)非理性的線下集合行為，危及社會穩(wěn)定。隨著越來越多的食品安全報道在網(wǎng)絡(luò)上傳播，快速且準(zhǔn)確的對突發(fā)報道中的關(guān)鍵信息進(jìn)行抽取對于政府對食品安全領(lǐng)域的監(jiān)管和預(yù)測都有著尤為重要的意義和價值。

隨著信息時代的到來，互聯(lián)網(wǎng)技術(shù)高速發(fā)展。作為自然語言處理[1]的重點課題之一，實體關(guān)系抽取[2]作為實現(xiàn)語義關(guān)系自動抽取和查詢匹配的一種新興技術(shù)，近年來一躍成為熱門研究領(lǐng)域，受到越來越多科研人員的重視。在諸多的實體關(guān)系抽取方法中[3-6]，有監(jiān)督的實體關(guān)系抽取方法[3]依然是目前最基本最常見的方法，其主要過程是在已標(biāo)注過的訓(xùn)練數(shù)據(jù)集上訓(xùn)練出關(guān)系分類模型，從而在測試集上進(jìn)行對應(yīng)的實體關(guān)系抽取。本文也采用了有監(jiān)督的深度學(xué)習(xí)網(wǎng)絡(luò)模型對實體關(guān)系抽取進(jìn)行研究。

實體關(guān)系抽取一直是經(jīng)典而又富有挑戰(zhàn)性的任務(wù)，在過去二十多年的研究發(fā)展下取得了很多階段性的突破，同時也廣泛應(yīng)用在知識圖譜[7]的構(gòu)建、自動問答[8]、文本摘要[9-10]等諸多重要領(lǐng)域。隨著以深度學(xué)習(xí)為基礎(chǔ)的人工智能潮流席卷全球，深度學(xué)習(xí)下的實體關(guān)系抽取也同樣得到了快速發(fā)展，它有效改善了傳統(tǒng)標(biāo)注工具的自身缺陷，取得了良好的效果。文獻(xiàn)[11-15]對基于深度學(xué)習(xí)的實體關(guān)系抽取方法進(jìn)行了總結(jié)歸納。文獻(xiàn)[12]介紹了基于深度學(xué)習(xí)的實體關(guān)系抽取方法，并進(jìn)行比對；文獻(xiàn)[13]對基于深度學(xué)習(xí)的實體關(guān)系抽取的基本框架和流程進(jìn)行了介紹。自2018年以來，BERT（bidirectional encoder representations from transformers）網(wǎng)絡(luò)被應(yīng)用到自然語言處理（natural language processing，NLP）的各個領(lǐng)域，并都取得了突破性的效果[16-20]，其獨有的Transformer Encoder編碼模型，能夠解決句子中的依賴關(guān)系，對句子的內(nèi)部結(jié)構(gòu)進(jìn)行有效地學(xué)習(xí)，保證了句子字向量訓(xùn)練的質(zhì)量，從數(shù)據(jù)基礎(chǔ)的角度為后續(xù)的預(yù)測模型提供了保障，提高了后續(xù)模型的預(yù)測準(zhǔn)確性[21-22]。值得注意的是，最近注意力機(jī)制在NLP上取得了廣泛的應(yīng)用和成功。本研究也基于領(lǐng)域詞的位置感知注意力機(jī)制，對雙向長短期記憶網(wǎng)絡(luò)進(jìn)行了改進(jìn)，取得了較好的效果[23-24]。

本文主要研究針對食品安全領(lǐng)域語料的實體關(guān)系抽取方法，在分析現(xiàn)有的實體關(guān)系抽取方法優(yōu)劣的基礎(chǔ)上，采用了BERT-雙向長短期記憶網(wǎng)絡(luò)（bi-directional long shortterm memory，BiLSTM）雙維度雙網(wǎng)絡(luò)模型結(jié)構(gòu)，不僅很好的處理了不同實體關(guān)系的區(qū)分度，而且有效學(xué)習(xí)了文本遠(yuǎn)程語義的信息和結(jié)構(gòu)。同時，在注意力機(jī)制的層面上，為了使BiLSTM網(wǎng)絡(luò)更好的對詞匯特征的語義和文本內(nèi)部位置信息的學(xué)習(xí)，采用了領(lǐng)域詞識別和詞語位置分布信息結(jié)合計算的處理方法。整個雙網(wǎng)絡(luò)模型在獨立構(gòu)建的食品安全領(lǐng)域數(shù)據(jù)集上進(jìn)行實驗和測試，展示出較好的性能效果。

1 數(shù)據(jù)來源與處理

1.1 數(shù)據(jù)來源

在進(jìn)行研究之前，需要充足的語料資源作為數(shù)據(jù)基礎(chǔ)，因此首先構(gòu)建了食品安全領(lǐng)域語料庫，并對庫中所有語料做預(yù)處理工作，最終將處理好的語料作為本次研究的數(shù)據(jù)集。

食品安全領(lǐng)域語料庫中的語料主要來自于百度新聞、食安通平臺、食品伙伴網(wǎng)、新浪微博等平臺近年來發(fā)布的食品安全領(lǐng)域相關(guān)文章，包括檢驗檢疫、生產(chǎn)銷售、制度發(fā)布、公眾投訴、安全事件等相關(guān)類型，共計5 000余篇。語料庫部分截圖見圖1。

圖1 食品安全領(lǐng)域語料庫（部分）Fig.1 Corpus of food safety (part)

1.2 數(shù)據(jù)處理

本文實體和關(guān)系的抽取分別是句子級別的關(guān)系識別和標(biāo)簽級別的實體識別任務(wù)，目的是抽取食品安全領(lǐng)域語料中的二元關(guān)系和實體。將食品安全語料中實體關(guān)系定義為R，兩個實體的關(guān)系用三元組（Ei，R，Ej）表示，其中Ei為實體關(guān)系中的主體，Ej為客體，R為映射關(guān)系，根據(jù)食品安全領(lǐng)域語料的行文特點，定義映射關(guān)系和識別的三元組見表1。

表1 食品安全領(lǐng)域語料實體關(guān)系抽取類型明細(xì)（部分）Table 1 Detailed list of entity relation extraction types of corpus in food safety field (part)

在識別模型訓(xùn)練過程中，把食品安全領(lǐng)域語料劃分成多個待識別關(guān)系和實體的句子并為每個句子進(jìn)行標(biāo)注，貼上正確的標(biāo)簽。標(biāo)注結(jié)果部分截圖見圖2。

圖2 實體關(guān)系標(biāo)注結(jié)果（部分）Fig.2 Results of entity relation annotation (part)

根據(jù)設(shè)計的三元組形式，在模型訓(xùn)練中，分別輸入語料句子和相應(yīng)已標(biāo)注的三元組信息（實體1，實體2和實體關(guān)系）。訓(xùn)練完成后，在模型測試時，輸入一個新的語料句子，也按訓(xùn)練集標(biāo)注格式輸出識別的關(guān)系與實體對。

1.3 評價指標(biāo)的計算

采用準(zhǔn)確率（precision，P）、召回率（recall，R）與F1值作為實驗的評價指標(biāo)。準(zhǔn)確率（P）計算公式如下：

式中：P代表準(zhǔn)確率；TP代表模型將一個關(guān)系的正類預(yù)測為正類的數(shù)量，個；FP代表模型將一個關(guān)系的負(fù)類預(yù)測為正類的數(shù)量，個。

召回率（R）計算公式如下：

式中：R為召回率；TP代表模型將一個關(guān)系的正類預(yù)測為正類的數(shù)量，個；FN代表模型將一個關(guān)系的正類預(yù)測為負(fù)類的數(shù)量，個。

F1值是機(jī)器學(xué)習(xí)評價體系中的一個通用評價指標(biāo)，其公式計算如下：

在以上各個評價指標(biāo)中，準(zhǔn)確率P、召回率R它們兩者之間有明顯的負(fù)相關(guān)關(guān)系，當(dāng)實驗的結(jié)果準(zhǔn)確率高時，其對應(yīng)召回率普遍較低，反之同理。所以使用F1值作為來衡量分類器綜合性能的評價指標(biāo)，防止上述問題的出現(xiàn)。

2 詞語Word2Vec模型增量訓(xùn)練

增量訓(xùn)練是指在對語料進(jìn)行Word2Vec詞向量訓(xùn)練時，對現(xiàn)有的訓(xùn)練模型進(jìn)行語料補充和修正的二次訓(xùn)練。一般所用Word2Vec的訓(xùn)練模型是基于通用語料訓(xùn)練而來，對于垂直領(lǐng)域的詞匯用法和關(guān)聯(lián)程度有所不同，當(dāng)用專業(yè)領(lǐng)域的語料經(jīng)過增量訓(xùn)練后，可以在垂直領(lǐng)域?qū)ΜF(xiàn)有模型進(jìn)行專業(yè)化的補充。

食品安全領(lǐng)域相關(guān)語料具有一定的專業(yè)特殊性，尤其在專業(yè)的領(lǐng)域詞、檢測因子、專業(yè)語義上與公共領(lǐng)域的語料存在較大的差異，用現(xiàn)有詞向量訓(xùn)練工具進(jìn)行分詞、詞語向量化較難有很好的訓(xùn)練效果，因此需要對Word2Vec模型進(jìn)行增量訓(xùn)練。

本文首先在一個公共開放的預(yù)訓(xùn)練模型的基礎(chǔ)上進(jìn)行語料擴(kuò)充，加入實驗構(gòu)建的食品安全領(lǐng)域語料庫以及領(lǐng)域詞匯百科、領(lǐng)域檢測因子等語料，進(jìn)行詞向量模型的訓(xùn)練。增量訓(xùn)練模型參數(shù)見表2。

表2 食品安全領(lǐng)域詞語Embedding模型增量訓(xùn)練參數(shù)Table 2 Incremental training parameters of embedding model in food safety field

隨著時間的推移，未來可能出現(xiàn)新的領(lǐng)域詞匯，而且業(yè)務(wù)情景可能發(fā)生變更。此后每隔一段時間，當(dāng)積累了一定的核技術(shù)利用單位的檢察建議語料時，對詞向量模型再進(jìn)行增量訓(xùn)練。持續(xù)的增量訓(xùn)練可以使得詞向量模型能學(xué)習(xí)到新詞匯的向量表示并適應(yīng)最新語料的語義關(guān)系，更好地將文本向量化，以提升后續(xù)算法準(zhǔn)確性。

3 食品安全領(lǐng)域?qū)嶓w關(guān)系抽取模型建立

3.1 BERT-BiLSTM雙維度模型描述

整個雙網(wǎng)絡(luò)模型結(jié)構(gòu)見圖3。由圖3可知，右半部分的網(wǎng)絡(luò)結(jié)構(gòu)圖展示了基于領(lǐng)域詞的位置感知注意力機(jī)制的雙向長短期記憶網(wǎng)絡(luò)模型（BiLSTM）提取出語料中的關(guān)系，左半部分的網(wǎng)絡(luò)結(jié)構(gòu)圖展示了基于BERT網(wǎng)絡(luò)提取出語料中存在的實體對。

圖3 網(wǎng)絡(luò)模型結(jié)構(gòu)圖Fig.3 Network model structure

在模型的右半部分，使用提前訓(xùn)練好的詞嵌入模型將食品安全領(lǐng)域的語料進(jìn)行文本向量化處理。之后將得出的詞級別向量作為BiLSTM網(wǎng)絡(luò)層的輸入，由BiLSTM生成隱層向量。首先，將提前構(gòu)建好的領(lǐng)域詞詞庫與當(dāng)前的每個詞語進(jìn)行逐一匹配，引入基于領(lǐng)域詞的位置感知注意力機(jī)制，通過進(jìn)行計算之后，則可計算出相應(yīng)的影響向量，同時模型將影響向量與隱層向量進(jìn)行結(jié)合，影響B(tài)iLSTM模型輸出結(jié)果；在模型的左半部分，將標(biāo)注好的文本句子輸入BERT模型進(jìn)行訓(xùn)練，并將訓(xùn)練所得字向量加入偏旁部首的修正向量，進(jìn)一步修正訓(xùn)練結(jié)果，最終提取出句子中包含的實體對并提取其隱層向量，最后模型將會在兩個網(wǎng)絡(luò)輸出向量的結(jié)合層累積影響向量，進(jìn)一步得出實體及其關(guān)系抽取結(jié)果。

在實體關(guān)系抽取模型的輸出層中，利用SoftMax層，對每個輸出節(jié)點的輸出向量進(jìn)行概率轉(zhuǎn)化，并找到概率最高的輸出節(jié)點所對應(yīng)的詞作為該句子的關(guān)系詞。關(guān)系詞的概率轉(zhuǎn)化計算公式如下：

式中：P（q|S）為關(guān)系詞的概率值，%；S為輸入的句子；q為預(yù)測的關(guān)系詞；wν為權(quán)重；V為輸出向量；bν為偏置向量。

對于關(guān)系標(biāo)注部分，輸入句子的每一個詞會被指派一個關(guān)系標(biāo)簽，本文中采用0～1標(biāo)簽為關(guān)系做標(biāo)注，其中識別出的關(guān)系詞被標(biāo)記為1，非關(guān)系詞標(biāo)記為0。因此，關(guān)系標(biāo)注問題可以轉(zhuǎn)變?yōu)椋簩τ诮o定的長度為n的句子S=（s1，…st，…sn），假設(shè)標(biāo)注輸出結(jié)果為Q=（q1，…qt，…qn），在已知序列S下，找出使得Q=（q1，…qt，…qn）的概率P=（q1，…qt，…qn）最大的序列（q1，…qt，…qn）。概率P計算公式如下：

式中：P（q|S；W，b）表示輸出序列Q為最優(yōu)序列的概率；W為權(quán)重；b為偏置向量；ψ（q'，q，S）=exp（WTq'，qz+b，q）是一個隱含函數(shù)（其中，WT表示權(quán)重向量的轉(zhuǎn)置，b表示偏置向量，z表示詞向量的權(quán)重向量）。

最后，使用維特比算法對式（5）所得P（q|S；W，b）進(jìn)行有效的解碼運算，得到每個詞最終的標(biāo)注向量。

3.2 基于領(lǐng)域詞的位置感知注意力機(jī)制

為了將食品安全領(lǐng)域的語言特點融入模型網(wǎng)絡(luò)中，使得實體關(guān)系抽取效果更加優(yōu)異，在模型中引入了基于領(lǐng)域詞的位置感知注意力機(jī)制。

依據(jù)食品安全領(lǐng)域的專業(yè)詞匯，構(gòu)建食品安全領(lǐng)域詞庫，依據(jù)詞語是否匹配到領(lǐng)域詞庫的原則，篩選詞語，確定領(lǐng)域詞匯。具體執(zhí)行過程見圖4。

圖4 領(lǐng)域詞匯匹配示例Fig.4 Examples of domain vocabulary matching

本模型對輸入詞向量中的領(lǐng)域詞進(jìn)行識別，經(jīng)過基于領(lǐng)域詞的位置感知注意力機(jī)制的計算，將影響向量傳播到BiLSTM隱層向量中結(jié)合計算，從而影響B(tài)iLSTM的輸出結(jié)果。最后模型將會在兩個網(wǎng)絡(luò)輸出向量的結(jié)合層累積影響向量，進(jìn)一步得出實體及其關(guān)系抽取結(jié)果。

注意力機(jī)制所生成的影響向量具體計算過程為：假設(shè)領(lǐng)域詞在隱層向量各維度上的影響是基于高斯分布的，同時設(shè)K為影響的基礎(chǔ)矩陣，則其影響的表達(dá)式如下：

式中：K（i，m）表示距離向量第i維度距離為m的領(lǐng)域詞對其產(chǎn)生的影響；N（Kernel（m），σ2）表示期望值為Kernel（m）、標(biāo)準(zhǔn)差為σ的正態(tài)分布。Kernel（m）表示高斯核函數(shù)，可以對位置感知的影響傳播進(jìn)行模擬，其表達(dá)式如下：

式中：m表示領(lǐng)域詞到其影響維度的距離；σ表示高斯濾波器寬度。

根據(jù)領(lǐng)域詞的位置關(guān)系，可以計算每個領(lǐng)域詞的影響矩陣，通過計算的積累，最后獲得每個特定位置下領(lǐng)域詞的影響向量：

式中：cfj代表領(lǐng)域詞在位置j處的累計影響向量；Sj表示一個距離的計數(shù)向量，用來測量屬于領(lǐng)域詞的數(shù)量，K為設(shè)定的基礎(chǔ)影響矩陣。

4 結(jié)果與分析

4.1 實驗構(gòu)建

本次實驗以Python3.7語言為依托，利用Tensorflow和Pytorch框架構(gòu)建深度學(xué)習(xí)模型，同時選用MySQL數(shù)據(jù)庫進(jìn)行數(shù)據(jù)的調(diào)用與存儲。實驗設(shè)備方面，工作站內(nèi)存為16 GB，搭載Windows 10（X64）和Linux CentOS7操作系統(tǒng)，Intel酷睿i7 7700HQ處理器。

本次實驗數(shù)據(jù)集按4∶1的比例拆分，其中訓(xùn)練集有效語句近6 000條，主要用作對BERT模型和雙向長短期記憶網(wǎng)絡(luò)（BiLSTM）模型進(jìn)行訓(xùn)練，并使各項參數(shù)達(dá)到最優(yōu)值；測試集有效語句約為1 500條，用于對模型的實體關(guān)系抽取效果進(jìn)行評估。

實驗參數(shù)的設(shè)置與選擇上，設(shè)置詞嵌入層使用100維的Glove詞向量，BiLSTM網(wǎng)絡(luò)輸出向量的維度是128維，注意力機(jī)制中設(shè)置μ為8。BERT模型的參數(shù)設(shè)置見表3。

表3 BERT模型參數(shù)設(shè)置Table 3 Parameters setting of BERT model

4.2 實驗結(jié)果對比與分析

為了展示雙網(wǎng)絡(luò)及其注意力模型的效果，利用傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型與本文模型針對同一數(shù)據(jù)集展開了一系列對比實驗。對比模型整體分為卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）模型、BiLSTM模型和BERT模型，并通過是否引用注意力機(jī)制來提升對比效果。具體的實驗結(jié)果見表4。

表4 不同模型在實驗數(shù)據(jù)集上的性能對比Table 4 Performance comparison of different models on experimental data set

由表4可知，BiLSTM-ATT模型在實驗數(shù)據(jù)集上準(zhǔn)確率、召回率、F1值分別達(dá)到了0.801、0.748和0.774，整體上要比CNN及CNN-ATT模型具有更好的性能表現(xiàn)，但帶有注意力的CNN仍有著不俗的表現(xiàn)，F(xiàn)1值達(dá)到了0.743。而BERT模型憑借著自身強大的訓(xùn)練機(jī)制，不出意外的將整體實體關(guān)系抽取效果提升了一個檔次，三項評價指標(biāo)均達(dá)到了0.850以上，較傳統(tǒng)的深度學(xué)習(xí)模型有很大的提升。值得注意的是，本文提出的BERT-BiLSTM-Attention雙網(wǎng)絡(luò)模型在準(zhǔn)確率和召回率層面上均體現(xiàn)出了更好的性能，分別達(dá)到了0.894和0.867，F(xiàn)1值高達(dá)0.880，較單網(wǎng)絡(luò)的BERT模型提高了1.5個百分點。在本文模型中，BERT模型自身就有著優(yōu)秀的字向量訓(xùn)練機(jī)制，并根據(jù)偏旁部首的加強訓(xùn)練，結(jié)合BiLSTM在領(lǐng)域詞上的注意力機(jī)制，進(jìn)一步優(yōu)化了網(wǎng)絡(luò)整體的注意力權(quán)值計算。對于關(guān)系抽取而言，本文所使用的雙網(wǎng)絡(luò)模型針對句子結(jié)構(gòu)上有著較好的反饋，同時又不拋棄垂直領(lǐng)域詞匯帶來的更多有用的信息。

5 結(jié)論

本研究完成的主要工作是基于BERT-BiLSTM-Attention構(gòu)建了一個關(guān)系抽取模型，應(yīng)用到食品安全領(lǐng)域的關(guān)系和實體識別中，進(jìn)行關(guān)系抽取，通過BERT模型對語料中的關(guān)系進(jìn)行提取，并將隱層向量與BiLSTM-Attention模型隱層向量相結(jié)合，更優(yōu)的提取出食品安全語料中的對應(yīng)實體，這兩個模型共同組合成食品安全事件實體關(guān)系抽取模型，其在測試集上取得了很好的實體關(guān)系抽取效果，準(zhǔn)確率、召回率、F1值分別達(dá)到了0.894、0.867和0.880。

本文的研究為食品安全領(lǐng)域的文本抽取以及知識圖譜構(gòu)建提供了新的方法及思路，為實現(xiàn)相關(guān)食品安全監(jiān)管可視化平臺、智能問答等應(yīng)用奠定了基礎(chǔ)。此外如何對抽取后出現(xiàn)的噪音數(shù)據(jù)進(jìn)行識別、校正以及對食品領(lǐng)域詞、知識的補全將會是下一步工作的重點。未來可通過人工智能進(jìn)一步打造食品安全監(jiān)管智能化系統(tǒng)，實現(xiàn)資源共享，提高監(jiān)管力度，為人民群眾提供更優(yōu)質(zhì)的服務(wù)。