基于關(guān)聯(lián)文本的知識圖譜表示學(xué)習(xí)研究

潘亞寧，孟玉雪

（華北理工大學(xué)人工智能學(xué)院，唐山063210）

0 引言

知識圖譜存儲的是實體和關(guān)系的結(jié)構(gòu)化信息，通常由三元組的集合構(gòu)成，每個三元組表示為（h，r，t）其中h、r、t分別表示頭實體、關(guān)系和尾實體[1]。搜索引擎、問答系統(tǒng)以及推薦系統(tǒng)等都非常依賴現(xiàn)有的知識圖譜（Knowledge Graph，KG），如Freebase、WordNet等，表示學(xué)習(xí)在這些應(yīng)用中起到了至關(guān)重要的作用。最近的嵌入技術(shù)方面的工作已經(jīng)大大提高了鏈接預(yù)測的準(zhǔn)確性，但是大多數(shù)方法僅依賴知識圖譜中的已知事實，它們的預(yù)測能力會受到數(shù)據(jù)庫中不完整信息的限制，一種簡單且有效的改進(jìn)途徑是從文本文檔中合并其他信息來增強(qiáng)其嵌入[2]。

互聯(lián)網(wǎng)上存在大量的文本數(shù)據(jù)，但是這些數(shù)據(jù)大多都是非結(jié)構(gòu)化的，并且質(zhì)量參差不齊。當(dāng)前大多數(shù)表示學(xué)習(xí)方法只是簡單地利用了知識圖譜三元組數(shù)據(jù)，而忽略了這些文本。雖然最近的一些模型用到了文本信息，但仍未實現(xiàn)對這些信息的有效利用。也有一些方法試圖將文本信息融合到知識圖譜。如關(guān)系抽取旨在通過識別關(guān)聯(lián)文本文檔中提到的新三元組來擴(kuò)展現(xiàn)有知識圖譜。但大多數(shù)關(guān)系抽取方法都需要進(jìn)行遠(yuǎn)程監(jiān)督，其中數(shù)據(jù)庫中每個現(xiàn)有的事實在文本中都用其提及來標(biāo)記?；趩l(fā)式規(guī)則的技術(shù)通常以這種方式自動對齊現(xiàn)有知識圖譜和文本[3]。但是這些方法的結(jié)果并不理想，因為句子中兩個實體的同時出現(xiàn)并不一定意味著該句子說明了它們之間的關(guān)系。

對于數(shù)據(jù)格式多樣化的自然語言，實體的描述文本中通常會包含的信息不僅僅是提到的三元組，還包括許多其他實體、關(guān)系的相關(guān)信息，例如實體的語義、屬性等，這些信息可以間接指示實體之間的語義相似性。因此，可以通過使用文本嵌入對象的表示來捕捉此類信息。

1 模型介紹

在Word2Vec模型[4]中，實體的向量表示定義為實體名稱中詞向量的均值，這種方法不僅可以用于實體的名稱還可以用于實體的描述，以實現(xiàn)實體嵌入之間共享類似的文本特征，如詞的屬性或關(guān)系。

結(jié)構(gòu)嵌入可以反映知識圖譜中實體和關(guān)系的結(jié)構(gòu)信息，這些文本數(shù)據(jù)使得訓(xùn)練過程可以學(xué)習(xí)實體的文本信息。首先獲取每個實體的關(guān)聯(lián)文本文檔，其中描述或定義了該實體。例如，歐洲的維基百科條目對實體的描述。這樣的數(shù)據(jù)還可以從百科全書、字典等多種渠道獲得。把從描述文本中的有意義的實詞提取出來作為實體描述，詞的向量化方法基于Word2Vec，將實體向量定義為實體名稱匯總詞向量的均值。這種方法的思想應(yīng)用于實體描述，可以增強(qiáng)實體嵌入共享如詞屬性或詞類別等文本特征。在語義上，存在某種關(guān)系的實體的嵌入會有更大的相似性。

模型的目標(biāo)在于最大化正確三元組的得分函數(shù)，以此來更新和優(yōu)化參數(shù)，最終得到實體和關(guān)系的嵌入表示。目標(biāo)函數(shù)定義為：

對于實體的描述信息，desc(ei)=wi,1,wi,2,…，令W表示單詞向量的矩陣nw×d矩陣，nw表示總的單詞數(shù)，d是實體和關(guān)系的嵌入維度，令B表示ne×nw的矩陣，Bi表示實體的描述信息中每個單詞出現(xiàn)的次數(shù)，實體ei的嵌入表示為：

如果直接用上式表示實體，一個問題是描述文本中的所有詞被同等對待，但是通常情況下，一些單詞更有助于實體在特定關(guān)系下的特征表達(dá)。如白宮、共和黨等詞比商人等其他單詞更能說明特朗普作為總統(tǒng)的屬性（特朗普，president_of，美國）。因此，實體“特朗普”在預(yù)測“president_of”關(guān)系時，白宮、共和黨等詞的權(quán)重應(yīng)該更大。當(dāng)表達(dá)不同關(guān)系時，一些詞相關(guān)性更大，需要根據(jù)關(guān)系為每個詞設(shè)置不同的權(quán)重。引入nr×nw的矩陣I，Ijk表示詞wk在預(yù)測關(guān)系rj時的重要性，ei表示為：

式中⊙表示逐個元素相乘。這樣詞向量到實體向量的總權(quán)重為詞在文本中出現(xiàn)的頻率和需要學(xué)習(xí)權(quán)重的組合。矩陣I中的參數(shù)數(shù)目nr×nw，即關(guān)系總數(shù)和單詞總數(shù)的乘積。但是，利用式（3）計算實體的表示，對于某些數(shù)據(jù)集來說，參數(shù)數(shù)量可能會非常龐大。針對這個問題，考慮通過從較小數(shù)量的參數(shù)計算出Iij而不是將每個參數(shù)定義為獨立參數(shù)來改進(jìn)。為此，引入一個nr×d矩陣P，并定義單詞wi在關(guān)系ri的權(quán)重如下：

這樣就得到了實體ei在表達(dá)關(guān)系rj時基于描述信息的表示形式：

式中的運(yùn)算是向量和矩陣乘法，蘊(yùn)含了單詞的加權(quán)平均的思想，與式（3）相比，需要訓(xùn)練的參數(shù)數(shù)量從nr×nw減少到了nr×d，實體文本信息嵌入的示意圖如圖1。

圖1 基于實體文本信息的嵌入示意圖

這個過程能自動學(xué)習(xí)單詞與不同關(guān)系的關(guān)聯(lián)，而無需遠(yuǎn)程監(jiān)督。考慮到在同一關(guān)系下的實體將具有更大的相似性，因此將文本信息嵌入的評分函數(shù)定義為：

將文本信息部分的評分函數(shù)，結(jié)合知識圖譜結(jié)構(gòu)信息的TransE模型的評分函數(shù)，并增加一個權(quán)衡二者重要性的參數(shù)，總的評分函數(shù)如式（7）。

式中α為權(quán)重參數(shù)。通過損失函數(shù)優(yōu)化模型參數(shù)，與TransE模型類似，通過最大間隔的方法增強(qiáng)模型區(qū)別正確三元組和錯誤三元組的能力。為此，模型的損失函數(shù)定義為：

式中f(·)為評分函數(shù)，γ為超間隔參數(shù)，正確三元組和錯誤三元組損失函數(shù)的間隔大小。模型的訓(xùn)練參數(shù)θ=(E,R,I,P,α)，其中E表示實體向量集，R表示關(guān)系向量集。采用負(fù)采樣的方法加快模型訓(xùn)練速度，優(yōu)化方法為AdaGrad，具體訓(xùn)練過程如下：

2 實驗

2.1 數(shù)據(jù)

FB15k和WN18是表示學(xué)習(xí)最常用的兩個數(shù)據(jù)集，這兩個數(shù)據(jù)集以對稱、反對稱和逆關(guān)系為主。WN18是WordNet的一個子集，18表示數(shù)據(jù)集關(guān)系類型的數(shù)量，WN18中實體數(shù)量較多關(guān)系數(shù)較少。FB15k是Freebase的一個子集，有較多的關(guān)系類型，包含了1345種關(guān)系和1.5萬多個實體[5]，如表1所示。

表1 實驗用的數(shù)據(jù)集

截取WN18數(shù)據(jù)集中的一部分如圖2予以說明。WN18數(shù)據(jù)集中的第3090條三元組（07849336，_hypernym，07555863）的實際意思是詞“yogurt”與詞“solid_food”之間存在“hypernym”的關(guān)系，也就是三元組（yogurt，hypernym，solid_food）表示了與“酸奶”具有“上位詞”關(guān)系的實體是“固體食品”。

圖2 WN18數(shù)據(jù)集示例

對于實體描述詞的向量化，使用對谷歌新聞數(shù)據(jù)集訓(xùn)練的Word2Vec向量。對于Freebase實體描述，使用與每個實體相關(guān)的維基百科頁面的summary部分，并且刪除其中的停用詞。在Freebase中，一些實體的維基百科頁面不可用，為此刪除了所有沒有描述的實體以及相關(guān)聯(lián)的所有三元組。WN18數(shù)據(jù)集中不僅包含了三元組，也提供了實體的解釋文本，可以作為實體的文本信息。

2.2 實驗設(shè)置

所有實驗均使用AdaGrad算法公式進(jìn)行優(yōu)化，采用（MR）Mean Rank和Hit@10指標(biāo)來評估每個模型的鏈接預(yù)測性能。計算正確的三元組得分，同樣地替換頭實體或者尾實體得到錯誤三元組的得分，然后計算正確三元組得分的排名。MR定義為所有正確三元組排名的平均值，Hit@10則表示為正確三元組得分排名在前10的比例。所有的實驗的訓(xùn)練次數(shù)均為200次，批次大小為1024，。根據(jù)驗證性能選擇學(xué)習(xí)率為0.01，權(quán)重α=0.85，嵌入維度d=100，間隔超參數(shù)γ=1.0。

鏈接預(yù)測：在給定三元組中兩項情況下，預(yù)測第三項。

評估方法：得分平均排名（Mean Rank，MR）、平均倒數(shù)排名（Mean Reciprocal Rank，MRR）、前10命中率（Hit@10）。

MR：對于測試集的三元組數(shù)據(jù)每一條三元組，用實體集所有實體替換頭實體或尾實體，其中原來正確三元組的評分在的排名即為MR。

MR：測試集三元組評分排名的倒數(shù)。

Hit@10：測試集三元組的評分排名在前10的比例。

2.3 結(jié)果與分析

替換正確三元組的頭或者尾作為錯誤三元組，與原正確三元組一起構(gòu)成測試集。這樣做會生成假陰性樣本，為此剔除測試集三元組中正確三元組的情況稱為“Filter”，未剔除的稱為“row”，最后得到的結(jié)果如表2所示。

表2 實體預(yù)測的評估結(jié)果

（1）與僅利用知識圖譜結(jié)構(gòu)信息的TransE模型相比，引入文本信息的模型在各個指標(biāo)上的結(jié)果都有一定程度的提升，在MR指標(biāo)的效果尤為明顯。由此可以肯定文本信息對知識圖譜結(jié)構(gòu)信息的補(bǔ)充作用，以及增強(qiáng)知識圖譜表示學(xué)習(xí)的效果。

（2）對比模型在FB15k和WN18數(shù)據(jù)集的表現(xiàn)，在FB15k上的效果明顯更佳。在WN18數(shù)據(jù)集上評分不如TransE模型的三元組，其頭實體和尾實體的描述文本中平均有0.67個公共詞，而評分比TransE基礎(chǔ)模型好的三元組，頭尾實體描述文本中平局有0.89個公共詞。相比之下，F(xiàn)B15k中的三元組頭尾實體平均公共詞有20個，因此，更詳細(xì)的實體文本描述能使得模型性能更好。

3 結(jié)語

針對知識圖譜精確結(jié)構(gòu)化數(shù)據(jù)在數(shù)量和范圍的限制，提出一種從非結(jié)構(gòu)化的實體描述文本中提取信息，以補(bǔ)充知識圖譜信息的方法。實體的描述文本被視為一系列實體關(guān)聯(lián)詞，通過這些關(guān)聯(lián)詞的加權(quán)和生成實體基于文本信息的向量表示。為了更好地利用實體的文本描述語義信息，根據(jù)關(guān)系的不同為描述單詞設(shè)置不同權(quán)重。將文本信息的表示與知識圖譜三元組結(jié)構(gòu)表示聯(lián)合訓(xùn)練。最終得到了實體和關(guān)系的基于三元組的結(jié)構(gòu)表示，文本信息能夠使實體在不同關(guān)系中產(chǎn)生不同的表達(dá)。實驗結(jié)果表明，有效利用實體描述文本的表示學(xué)習(xí)模型能夠在鏈接預(yù)測任務(wù)中有更好的效果。