數(shù)字人文視域下面向歷史古籍的信息抽取方法研究

韓立帆，季紫荊，陳子睿，王鑫

1. 天津大學(xué)智能與計(jì)算學(xué)部，天津 300350；

2. 天津市認(rèn)知計(jì)算與應(yīng)用重點(diǎn)實(shí)驗(yàn)室，天津 300350

0 引言

數(shù)字人文旨在將傳統(tǒng)人文研究與現(xiàn)代計(jì)算機(jī)技術(shù)相結(jié)合，在我國，其研究多集中在圖書情報(bào)領(lǐng)域，尤其是古籍的數(shù)字化研究方面。史書古籍不僅是文化的延續(xù)，還蘊(yùn)含著豐富的信息，是歷史研究和學(xué)習(xí)的重要基礎(chǔ)，如“二十四史”中包含著海量的歷史人物和事件，但由于其寫作語言為文言文，與現(xiàn)代大眾所使用的白話文區(qū)別較大，往往不易于閱讀和理解。如果能準(zhǔn)確高效地抽取出其中蘊(yùn)含的實(shí)體和關(guān)系等知識(shí)信息，并形象展示，則能夠有效推動(dòng)人文領(lǐng)域的研究。

在眾多知識(shí)表示方式中，知識(shí)圖譜（knowledge graph，KG）作為一種語義網(wǎng)絡(luò)，擁有極強(qiáng)的表達(dá)能力，可以靈活地對(duì)現(xiàn)實(shí)世界中的實(shí)體、概念、屬性以及它們之間的關(guān)系進(jìn)行建模。相比于其他結(jié)構(gòu)知識(shí)庫，知識(shí)圖譜的構(gòu)建及使用都更加接近人類的認(rèn)知學(xué)習(xí)行為，因此對(duì)人類閱讀更加友好。知識(shí)圖譜旨在組織并可視化知識(shí)，其基礎(chǔ)是命名實(shí)體識(shí)別（named entity recognition，NER）和關(guān)系提?。╮elation extraction，RE）這兩項(xiàng)自然語言處理（natural language processing，NLP）任務(wù)。

近年來，自然語言處理技術(shù)的快速發(fā)展使人類使用自然語言與計(jì)算機(jī)進(jìn)行通信成為可能。與此同時(shí)，深度學(xué)習(xí)（deep learning，DL）技術(shù)被廣泛應(yīng)用于各個(gè)領(lǐng)域，基于深度學(xué)習(xí)的預(yù)訓(xùn)練模型將自然語言處理帶入一個(gè)新時(shí)代。預(yù)訓(xùn)練語言模型（pre-trained language model，PLM）極大地提升了語言信息表示的效果，成為目前自然語言處理領(lǐng)域的重要研究方向。預(yù)訓(xùn)練模型的目標(biāo)在于使預(yù)訓(xùn)練好的模型處于良好的初始狀態(tài)，在下游任務(wù)中具有更好的性能表現(xiàn)，同時(shí)減少訓(xùn)練開銷，配合下游任務(wù)實(shí)現(xiàn)更快的收斂速度，從而有效提高模型性能，尤其是對(duì)一些訓(xùn)練數(shù)據(jù)比較稀缺的任務(wù)。

BERT（bidirectional encoder representations from transformer）[1]模型是預(yù)訓(xùn)練語言模型的代表之一，旨在通過聯(lián)合調(diào)節(jié)上下文來預(yù)訓(xùn)練深度雙向表示，主要分為兩個(gè)階段：預(yù)訓(xùn)練（pretraining）和微調(diào)（fine-tuning）。預(yù)訓(xùn)練階段模型通過兩種預(yù)訓(xùn)練任務(wù)來訓(xùn)練無標(biāo)注數(shù)據(jù)，包括遮蔽語言模型（mask language model，MLM）任務(wù)和下一句話預(yù)測(cè)（next sentence predict，NSP）任務(wù)。模型在微調(diào)階段使用預(yù)訓(xùn)練階段的參數(shù)初始化，然后使用下游任務(wù)的標(biāo)注數(shù)據(jù)來微調(diào)參數(shù)。由于BERT模型結(jié)構(gòu)簡(jiǎn)單且有效性高，因此陸續(xù)出現(xiàn)了眾多在其基礎(chǔ)上進(jìn)行改進(jìn)的模型，對(duì)于英語外的其他常用語言，研究人員也提出了針對(duì)不同語言的預(yù)訓(xùn)練模型。

針對(duì)中文的預(yù)訓(xùn)練語言模型研究近年來引起廣泛關(guān)注，現(xiàn)有的中文預(yù)訓(xùn)練模型處理中文的能力已經(jīng)在BERT模型的基礎(chǔ)上得到進(jìn)一步提升。然而，現(xiàn)有的中文預(yù)訓(xùn)練語言模型大多集中在白話文上，且現(xiàn)有的文言文預(yù)訓(xùn)練語言模型僅使用文言文語料進(jìn)行預(yù)訓(xùn)練，沒有針對(duì)性地修改模型結(jié)構(gòu)和優(yōu)化訓(xùn)練過程。因此，本文面向文言文特點(diǎn)構(gòu)建了一個(gè)預(yù)訓(xùn)練語言模型，在BERT模型的基礎(chǔ)上對(duì)預(yù)訓(xùn)練任務(wù)和模型結(jié)構(gòu)進(jìn)行優(yōu)化，從而進(jìn)一步提高預(yù)訓(xùn)練語言模型處理文言文的性能。

此外，目前現(xiàn)有的中文理解測(cè)評(píng)基準(zhǔn)及數(shù)據(jù)集大多為白話文，無法針對(duì)性地微調(diào)模型使之適應(yīng)文言文任務(wù)，同時(shí)無法準(zhǔn)確評(píng)測(cè)模型處理文言文任務(wù)的性能。現(xiàn)有的文言文NER任務(wù)數(shù)據(jù)集來自第十九屆中國計(jì)算語言學(xué)大會(huì)（the nineteenth China national conference on computational linguistics，CCL2020）“古聯(lián)杯”古籍文獻(xiàn)命名實(shí)體識(shí)別評(píng)測(cè)大賽，其標(biāo)注數(shù)據(jù)僅包含“書名”及“其他專名”兩類實(shí)體，且規(guī)模有限。因此，本文設(shè)計(jì)并構(gòu)建了一個(gè)眾包標(biāo)注系統(tǒng)，結(jié)合群體智慧與領(lǐng)域知識(shí)實(shí)現(xiàn)標(biāo)注的高效性和準(zhǔn)確性，實(shí)現(xiàn)歷史古籍文本中實(shí)體和關(guān)系的高精度抽取。根據(jù)系統(tǒng)獲得的標(biāo)注結(jié)果生成了文言文知識(shí)抽取數(shù)據(jù)集，包括建立在相應(yīng)數(shù)據(jù)集上的細(xì)粒度NER任務(wù)和RE任務(wù)，數(shù)據(jù)集可用于微調(diào)當(dāng)前自然語言處理主流的預(yù)訓(xùn)練語言模型，并評(píng)估模型，處理文言文的性能，同時(shí)能夠?yàn)橹袊糯鷼v史文獻(xiàn)知識(shí)圖譜構(gòu)建提供數(shù)據(jù)支持。本文的整體技術(shù)框架如圖1所示，在眾包標(biāo)注系統(tǒng)所得數(shù)據(jù)集上的實(shí)驗(yàn)證明了本文提出模型的有效性。

圖1 整體技術(shù)框架

1 相關(guān)工作

1.1 數(shù)字人文視域下的文化遺產(chǎn)眾包

數(shù)字人文是人文學(xué)科與計(jì)算機(jī)科學(xué)交叉研究衍生出的一個(gè)新領(lǐng)域，強(qiáng)調(diào)通過數(shù)字化重構(gòu)的方式，以開放、共建和共享的形式將各類人文資源呈現(xiàn)于公眾面前，近年來逐漸受到學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注，大量基于數(shù)字人文的文本挖掘、地理信息系統(tǒng)（geographic information system，GIS）、情感分析、可視化等應(yīng)用開始出現(xiàn)。對(duì)文化遺產(chǎn)大數(shù)據(jù)的梳理離不開社會(huì)各界的共同努力，在數(shù)字化浪潮與文化建設(shè)需求的雙重推動(dòng)下，對(duì)文化遺產(chǎn)資源進(jìn)行數(shù)字化、結(jié)構(gòu)化、關(guān)聯(lián)化等一系列運(yùn)作，以開放數(shù)據(jù)的形式提供數(shù)字化服務(wù)，實(shí)現(xiàn)從靜態(tài)資源保護(hù)向動(dòng)態(tài)文化傳承的轉(zhuǎn)變，在保護(hù)和傳播文化遺產(chǎn)的基礎(chǔ)上讓文化遺產(chǎn)資源得到有效利用。

眾包一詞最早由Howe J[2]提出，其核心含義是一家公司或機(jī)構(gòu)將傳統(tǒng)上由員工履行的職能以公開召集的形式外包給廣泛而不確定的群體。早期的眾包模式應(yīng)用主要集中在商業(yè)領(lǐng)域。近年來，文化記憶機(jī)構(gòu)逐漸意識(shí)到眾包模式的價(jià)值，嘗試引入眾包模式開展一系列實(shí)踐 探索[3-4]。例如，利用大眾力量進(jìn)行各類文化遺產(chǎn)數(shù)據(jù)采集、標(biāo)注或分類的工作。

從發(fā)起者角度來看，文化遺產(chǎn)眾包項(xiàng)目可分為兩大類：社會(huì)驅(qū)動(dòng)型和組織驅(qū)動(dòng)型。其中，社會(huì)驅(qū)動(dòng)型項(xiàng)目數(shù)量不多且較少受 到關(guān)注[5]；相較而言，組織驅(qū)動(dòng)型項(xiàng)目更加廣泛成熟。組織發(fā)起文化遺產(chǎn)的眾包活動(dòng)主要基于文化遺址和文化習(xí)俗的記錄、保護(hù)與傳承的需要。

根據(jù)文化遺產(chǎn)資源類型的不同，組織驅(qū)動(dòng)型文化遺產(chǎn)眾包項(xiàng)目主要可細(xì)分為3類：館藏資源建設(shè)型、文化遺址和景觀保護(hù)型、非物質(zhì)文化遺產(chǎn)保護(hù)型。其中，館藏資源建設(shè)型文化遺產(chǎn)眾包項(xiàng)目是指文化記憶機(jī)構(gòu)在數(shù)字資源建設(shè)中引入眾包模式，使公眾深度參與這些特色資源的組織、交流和管 理過程[6-7]。具體而言，眾包模式在館藏資源建設(shè)中的典型應(yīng)用包括增加數(shù)據(jù)價(jià)值（如標(biāo)記、評(píng)論）、提高數(shù)據(jù)質(zhì)量（如數(shù)據(jù)更正）和補(bǔ)充數(shù)據(jù)內(nèi)容（如創(chuàng)建并上傳用戶原創(chuàng)內(nèi)容）。

然而，由于在數(shù)據(jù)化組織與管理、語義化分析、長期存儲(chǔ)和開放獲取等方 面存在瓶頸[8-9]，文言文數(shù)字化轉(zhuǎn)型之路困難重重，由一人或者一個(gè)小型團(tuán)隊(duì)獨(dú)立完成的模式難以滿足數(shù)據(jù)量大量增長的現(xiàn)實(shí)需求。而 且經(jīng)研究表明[10]，在共享文化環(huán)境和互動(dòng)協(xié)作方式的眾包模式下，非物質(zhì)文化遺產(chǎn)的記錄和保護(hù)獲得了有力支持。鑒于此，本文通過設(shè)計(jì)構(gòu)建一個(gè)眾包標(biāo)注系統(tǒng)，實(shí)現(xiàn)“二十四史”語料中實(shí)體和關(guān)系的高精度抽取，為文言文的保護(hù)與傳承提供可行路徑。

1.2 基于預(yù)訓(xùn)練模型的信息抽取

預(yù)訓(xùn)練模型是指預(yù)先設(shè)計(jì)好模型的網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)輸入數(shù)據(jù)進(jìn)行編碼訓(xùn)練，然后解碼輸出，提高模型的泛化能力。預(yù)訓(xùn)練完成后的模型可以根據(jù)下游任務(wù)的實(shí)際需要進(jìn)行微調(diào)，相比從零開始訓(xùn)練模型節(jié)省了大量的開銷。信息抽取是一種從文本數(shù)據(jù)中抽取特定信息的技術(shù)，主要包括兩個(gè)子任務(wù)：命名實(shí)體識(shí)別和關(guān)系抽取。

早期的預(yù)訓(xùn)練模型技術(shù)基于傳 統(tǒng)的詞向量嵌入[11-12]，2013年Mikolov T等人[13]提出的 Word2vec模型對(duì)詞嵌入向量進(jìn)行了優(yōu)化，包括了連續(xù)詞袋模型（continuous bag-of-words model，CBOW）和跳字模型（continuous skip-gram model，Skipgram）兩種訓(xùn)練模式。相比傳統(tǒng)詞向量嵌入模型，Word2vec具有更低維度、更快運(yùn)算速度、更具通用性等優(yōu)點(diǎn)，但同時(shí)也存在無法針對(duì)具體下游任務(wù)進(jìn)行動(dòng)態(tài)調(diào)整等缺點(diǎn)。

近年來，預(yù)訓(xùn)練模型占據(jù)信息抽取的主導(dǎo)地位，并取得最新成果?；谏舷挛牡念A(yù)訓(xùn)練模型開始流行，CoVe（contextualized word vectors）[14]模型可以從網(wǎng)絡(luò)模型中獲得上下文向量，并與詞向量結(jié)合以提升模型性能。ELMo（embedding from language models） 由Peters M等人[15]首次提出，并應(yīng)用動(dòng)態(tài)詞向量方法實(shí)現(xiàn)復(fù)雜的語義表示，根據(jù)詞所在語境上下文對(duì)詞向量進(jìn)行相應(yīng)調(diào)整，動(dòng)態(tài)生成詞向量，解決了一詞多義的問 題。

Vaswani A等人[16]在ELMo模型和注意力（attention）機(jī)制的基礎(chǔ)上提出了Transformer模型。該模型完全依賴于attention機(jī)制，沒有使用諸如循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）和卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）等較為流行的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。attention機(jī)制一方面可以很好地處理較長序列，另一方面可以并行地處理數(shù)據(jù)。Transformer模型采用經(jīng)典的編碼器-解碼器（encoder-decoder）結(jié)構(gòu)，在編碼器結(jié)構(gòu)中將輸入文本序列處理為一個(gè)連續(xù)的輸出序列，在解碼器結(jié)構(gòu)中將這個(gè)輸出序列進(jìn)行處理，并輸出結(jié)果。

Transformer模型在諸多任務(wù)中的應(yīng)用效果表明，它的特征提取能力強(qiáng)于長短期記憶(long short-time memory，LSTM)[17]神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，因此Radford A等人[18]基于Transformer模型提出了GPT（generative pre-training）模型，該模型利用了Transformer模型中的Decoder結(jié)構(gòu)，并且訓(xùn)練階段與ELMo相同，均采用兩階段訓(xùn)練模式，先通過大量語料完成模型預(yù)訓(xùn)練，再針對(duì)具體下游任務(wù)完成第二階段的微調(diào)訓(xùn)練。

ELMo和GPT模型均為自回歸模型，ELMo雖然使用了雙向長短時(shí)記憶（bidirectional long short-term me mory，Bi-LSTM）[19]網(wǎng)絡(luò)獲取雙向語義信息，但其將方向相反的兩個(gè)網(wǎng)絡(luò)進(jìn)行疊加的做法不能真正實(shí)現(xiàn)對(duì)文本的雙向語義理解。谷歌（Google）在2018年提出了BERT模型，該模型基于Transformer模型的Encoder結(jié)構(gòu)，使用完全雙向的語言模型結(jié)構(gòu)，同樣采用預(yù)訓(xùn)練和下游任務(wù)兩階段的訓(xùn)練模式。BERT模型的出現(xiàn)大幅提升了自然語言處理任務(wù)的效果?；趯?duì)BER T模型的優(yōu)化，RoBERTa[20]模型將BERT模型中的靜態(tài)掩碼替換成了動(dòng)態(tài)掩碼，即對(duì)每次輸入的句子進(jìn)行隨機(jī)掩碼，并移除BERT模型中的下一句話預(yù)測(cè)任務(wù)，進(jìn)一步增強(qiáng)了模型在文本推理任務(wù)中的表現(xiàn)。同時(shí)，基于B ERT模型衍生的許多預(yù)訓(xùn)練模型[21-22]，為自然語言處理任務(wù)中大量缺乏標(biāo)注數(shù)據(jù)的任務(wù)提供了 新的思路。2019年 Cui Y M等人[23]提出的BERT-wwm模型將全詞掩碼（whole word masking，WWM）的方法應(yīng)用至中文預(yù)訓(xùn)練模型，取得了更優(yōu)的實(shí)驗(yàn)效果。

王東波等人[24]以《四庫全書》為訓(xùn)練集構(gòu)建的SikuBERT和SikuRoBERTa預(yù)訓(xùn)練語言模型在古文NLP任務(wù)上表現(xiàn)出了優(yōu)秀的學(xué)習(xí)與泛化能力。但是，目前基于預(yù)訓(xùn)練模型完成文言文信息抽取的研究工作仍然還有很大的提升空間。本文基于BERT預(yù)訓(xùn)練語言模型構(gòu)建了一個(gè)面向文言文語義特點(diǎn)的預(yù)訓(xùn)練語言模型，通過優(yōu)化BERT模型的預(yù)訓(xùn)練任務(wù)和模型結(jié)構(gòu)，提高預(yù)訓(xùn)練語言模型處理文言文的性能，并在此基礎(chǔ)上進(jìn)一步完成文言文語言理解數(shù)據(jù)集上細(xì)粒度的NER任務(wù)和RE任務(wù)。

2 基于預(yù)訓(xùn)練模型的知識(shí)抽取

2.1 預(yù)訓(xùn)練任務(wù)

BERT模型采用遮蔽語言模型和下一句話預(yù)測(cè)這兩個(gè)任務(wù)對(duì)模型進(jìn)行預(yù)訓(xùn)練。具體來說，遮蔽語言模型任務(wù)對(duì)輸入文本中15%的字進(jìn)行隨機(jī)遮蔽，遮蔽部分以80%的概率將其改變?yōu)椤癧MASK]”標(biāo)簽，以10%的概率將其替換為隨機(jī)字，以10%的概率保持不變，之后讓模型對(duì)遮蔽的內(nèi)容進(jìn)行預(yù)測(cè)。下一句話預(yù)測(cè)任務(wù)則從語料庫中抽取一個(gè)語句，再以50%的概率抽取它之后緊接著的語句，以50%的概率隨機(jī)抽取一個(gè)其他的語句，讓模型判斷這兩個(gè)語句是否是相鄰語句。兩個(gè)任務(wù)分別學(xué)習(xí)輸入文本的詞級(jí)別信息和句子級(jí)別信息，目前已被證明均有提升空間。遮蔽語言模型采用類似完形填空的方式讓模型學(xué)習(xí)預(yù)測(cè)缺失字，但沒有考慮到詞語邊界信息；而下一句話預(yù)測(cè)任務(wù)難度較小，由于抽取到的兩個(gè)語句很可能并不屬于同一話題，因此較容易識(shí)別其是否銜接，不利于模型學(xué)習(xí)句子之間的聯(lián)系。

本文針對(duì)文言文語料的特點(diǎn)對(duì)原始的預(yù)訓(xùn)練任務(wù)進(jìn)行了優(yōu)化，分別采用詞級(jí)別隨機(jī)長度遮蔽任務(wù)、句子級(jí)別句子順序預(yù)測(cè)任務(wù)以及文檔級(jí)別標(biāo)題內(nèi)容匹配任務(wù)以充分捕獲多級(jí)語義。具體來說，文言文中單字往往可以表達(dá)完整含義，無須對(duì)其進(jìn)行分詞，因此本文采用一種已被證明簡(jiǎn)單有效的隨機(jī)長度遮蔽任務(wù)，并隨機(jī)選擇長度為1到最大長度的目標(biāo)進(jìn)行遮蔽。如果將最大長度定義為N，則遮蔽片段長度為1～N，此時(shí)遮蔽片段長度為n的概率如式（1）所示：

其中，n和k的取值范圍均為1～N。在本文中，最大長度N為3。

此外，本文使用句子順序預(yù)測(cè)任務(wù)代替BERT模型的下一句話預(yù)測(cè)任務(wù)。該任務(wù)將來自同一文檔的兩個(gè)連續(xù)文段作為正例，以50%的概率將兩個(gè)連續(xù)段落的順序交換作為反例，避免文段主題的差別，促使模型專注于學(xué)習(xí)句子間的連貫性。

最后，為了學(xué)習(xí)到更高級(jí)別的語義信息，本文提出文檔級(jí)別標(biāo)題內(nèi)容匹配任務(wù)。具體來說，考慮到古代詩詞往往篇幅較短、標(biāo)題通常包含詩詞主題的特點(diǎn)，該任務(wù)將中國古代詩詞數(shù)據(jù)集作為訓(xùn)練語料。該任務(wù)是一種類似于句子順序預(yù)測(cè)任務(wù)的二元分類任務(wù)，用于捕獲高級(jí)語義信息。具體來說，該任務(wù)將標(biāo)題和內(nèi)容匹配的詩詞作為正例，將50%的概率打亂詩詞的標(biāo)題與內(nèi)容之間的匹配作為反例，使模型學(xué)習(xí)標(biāo)題與內(nèi)容的語義關(guān)聯(lián)，捕獲更高級(jí)別的語義信息。

2.2 模型結(jié)構(gòu)

首先，模型對(duì)于輸入語料中的每個(gè)文字生成3個(gè)部分詞嵌入，即目標(biāo)詞嵌入、段嵌入以及位置嵌入，疊加后輸入類似于BERT模型結(jié)構(gòu)的Transfomer編碼器進(jìn)行處理。

對(duì)于輸出的詞向量，為了獲得更多可學(xué)習(xí)的表示，本文引入一個(gè)卷積層，將預(yù)訓(xùn)練語言模型生成的語料表示輸入該卷積層，使用激活函數(shù)非線性地將詞嵌入轉(zhuǎn)換為更高級(jí)別的特征。對(duì)于字符向量xt，經(jīng)過卷積層生成的詞嵌入定義如式（2）所示：

其中，Wt表示權(quán)重矩陣，bt表示偏置向量。

此外，為了進(jìn)一步增強(qiáng)詞表示，本文利用滑動(dòng)窗口機(jī)制，設(shè)計(jì)了句子級(jí)聚合，以有效地獲取相鄰字符信息。具體來說，本文人工設(shè)置窗口大小，窗口在目標(biāo)句劃定的范圍內(nèi)滑動(dòng)，從窗口第一次包含目標(biāo)字符開始，到窗口最后一次包含目標(biāo)字符結(jié)束，所有經(jīng)過的詞及目標(biāo)字符本身都被視為目標(biāo)字符的鄰居。在滑動(dòng)過程中需要考慮兩種特殊情況，即如果目標(biāo)詞是句子中的第一個(gè)或最后一個(gè)詞，則窗口滑動(dòng)范圍等于窗口大小。出于簡(jiǎn)潔性考慮，在實(shí)驗(yàn)中使用平均聚合方法，在給定窗口中聚合詞向量的鄰居信息。本文將聚合過程定義為AGG函數(shù)，則字符向量xt在窗口尺寸w下的聚合結(jié)果htw定義如式（3）所示：

其中，xj是鄰居字符向量，pt和pj分別表示字符向量和鄰居字符向量的位置，s表示句子的長度。由線性變換得到xt的新表示ht定義如式（4）所示：

其中，Ws是一個(gè)可學(xué)習(xí)的權(quán)重矩陣，σ是一個(gè)激活函數(shù)，如ReLU函數(shù)。

3 基于眾包系統(tǒng)的知識(shí)抽取數(shù)據(jù)集構(gòu)建

3.1 眾包系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

本文針對(duì)歷史古籍標(biāo)注任務(wù)專業(yè)性較強(qiáng)的特點(diǎn)，設(shè)計(jì)并構(gòu)建了一個(gè)眾包標(biāo)注系統(tǒng)，引入“二十四史”的全部文本，允許工作者標(biāo)注其中的實(shí)體和關(guān)系。不同于現(xiàn)有的眾包系統(tǒng)，由于該標(biāo)注任務(wù)需要工作者具備領(lǐng)域知識(shí)，因此本文將工作者專業(yè)度引入系統(tǒng)，以得到更準(zhǔn)確的標(biāo)注結(jié)果。具體來說，工作者初次登錄系統(tǒng)時(shí)，系統(tǒng)需要對(duì)其進(jìn)行專業(yè)度判斷，同時(shí)在答案整合和眾包激勵(lì)分配的階段均將專業(yè)度納入考慮。此外，目前的眾包系統(tǒng)大多注重任務(wù)的分配，系統(tǒng)中的標(biāo)注任務(wù)多以題目的形式呈現(xiàn)，并盡可能通過任務(wù)分配算法交給能夠準(zhǔn)確作答的工作者。而本文的系統(tǒng)中，標(biāo)注任務(wù)以文本的形式呈現(xiàn)，并向每名工作者開放相同任務(wù)，即“二十四史”的全部?jī)?nèi)容均在系統(tǒng)中呈現(xiàn)，工作者可以自行選擇感興趣的章節(jié)，也可以對(duì)同一文本進(jìn)行不同的標(biāo)注，最大限度地發(fā)揮群體智慧。

眾包系統(tǒng)的工作者標(biāo)注界面如圖2所示，每位工作者可以從左側(cè)的樹形目錄中選擇感興趣的篇章進(jìn)行標(biāo)注，系統(tǒng)支持實(shí)體和關(guān)系的標(biāo)注，并將標(biāo)注出的實(shí)體用帶有背景色的方框顯示，標(biāo)注出的關(guān)系用斜體并加下劃線顯示。每一頁對(duì)應(yīng)歷史古籍文本中的一個(gè)段落，在每個(gè)結(jié)束標(biāo)點(diǎn)處換行，方便工作者進(jìn)行閱讀和定位。

圖2 眾包系統(tǒng)的工作者標(biāo)注頁面

由于本系統(tǒng)涉及的標(biāo)注任務(wù)具有較強(qiáng)的專業(yè)性，需要在工作者初次登錄系統(tǒng)時(shí)就對(duì)其專業(yè)能力進(jìn)行判斷，以了解該工作者是否能夠勝任本系統(tǒng)開放的標(biāo)注任務(wù)。因此，本系統(tǒng)引入了大多現(xiàn)有眾包系統(tǒng)未納入考慮的工作者專業(yè)度，并定義了兩種工作者類型，即“專家工作者”和“普通工作者”，同時(shí)定義了兩種判斷方法。

對(duì)于已知的專業(yè)度較高的工作者，如高校的教師、學(xué)生等，在將其信息錄入數(shù)據(jù)庫時(shí)，可以直接將其類型定義為“專家工作者”。而對(duì)于未知工作者，如社會(huì)上的歷史愛好者等，系統(tǒng)準(zhǔn)備了具有標(biāo)準(zhǔn)答案的測(cè)試題目，要求工作者首次登錄系統(tǒng)時(shí)進(jìn)行作答，根據(jù)工作者的答題準(zhǔn)確率和題目難度綜合計(jì)算該工作者的專業(yè)度，具體計(jì)算方式如下。①選取若干志愿者（在本文中均為歷史或計(jì)算機(jī)專業(yè)的學(xué)生），準(zhǔn)備若干具有標(biāo)準(zhǔn)答案的題目請(qǐng)志愿者進(jìn)行作答，根據(jù)其答題情況為每道題目賦難度初始值，難度定義為答錯(cuò)的志愿者數(shù)量與參與答題志愿者總數(shù)的比值（取值范圍為[0,1]）。②工作者進(jìn)入系統(tǒng)后，題目難度動(dòng)態(tài)變化，計(jì)算方式仍然為答錯(cuò)的工作者總數(shù)與參與答題工作者總數(shù)的比值，此時(shí)的工作者總數(shù)為注冊(cè)工作者的數(shù)量和志愿者數(shù)量的總和。③題目的分?jǐn)?shù)與難度值成正比，定義為難度值乘10并向上取整，將所有題目分?jǐn)?shù)之和定義為總分。如果工作者得到的分?jǐn)?shù)能夠高于總分的60%，將其定義為專家工作者，反之，則將其定義為普通工作者。

眾包系統(tǒng)中的專業(yè)度測(cè)試頁面如圖3所示，工作者首次登錄系統(tǒng)時(shí)將跳轉(zhuǎn)到該頁面進(jìn)行專業(yè)度測(cè)試，完成頁面的題目后點(diǎn)擊“提交”按鈕，系統(tǒng)返回工作者得分占總分的百分比及工作者類型。

對(duì)于同一題目，若工作者具有不同的回答，現(xiàn)有系統(tǒng)往往采用投票策略，以多數(shù)工作者的作答為最終結(jié)果。后續(xù)也有很多研究工作將工作者在系統(tǒng)中完成標(biāo)注任務(wù)的準(zhǔn)確率納入考慮，以獲取更加準(zhǔn)確的結(jié)果，而對(duì)于本文系統(tǒng)中定義的歷史古籍中的實(shí)體和關(guān)系標(biāo)注任務(wù)，專業(yè)度高的工作者更有可能做出正確的標(biāo)注。因此，不同于現(xiàn)有方法，為了確保結(jié)果的準(zhǔn)確性，本系統(tǒng)在答案整合階段充分考慮了工作者專業(yè)度。

具體來說，系統(tǒng)允許工作者修改頁面上的現(xiàn)有標(biāo)注，并在工作者進(jìn)行標(biāo)注時(shí)將工作者ID、標(biāo)注時(shí)間以及標(biāo)注內(nèi)容等信息均錄入數(shù)據(jù)庫。如果多名工作者對(duì)同一個(gè)實(shí)體或?qū)嶓w對(duì)有不同的標(biāo)注，在頁面上會(huì)展示最新的標(biāo)注結(jié)果，而在數(shù)據(jù)庫中將分別保存它們，即出現(xiàn)新的標(biāo)注并不會(huì)覆蓋之前的標(biāo)注。在下載數(shù)據(jù)時(shí)，若對(duì)應(yīng)同一文本存在多條標(biāo)注記錄，即同一文本存在不同的標(biāo)注內(nèi)容，則將進(jìn)行基于工作者專業(yè)度的答案整合。具體來說，系統(tǒng)為專家工作者賦予雙倍于普通工作者的權(quán)重，并采用加權(quán)多數(shù)投票策略來獲得最終結(jié)果，而特別的是，若工作者將頁面上的現(xiàn)有標(biāo)注刪除，系統(tǒng)同樣會(huì)將該操作錄入數(shù)據(jù)庫，并認(rèn)為此工作者對(duì)該文本的判斷為非實(shí)體或?qū)嶓w對(duì)不存在關(guān)系。

大多現(xiàn)有眾包系統(tǒng)在計(jì)算工作者的獎(jiǎng)勵(lì)時(shí)考慮了其標(biāo)注數(shù)量及準(zhǔn)確率，而本文在該基礎(chǔ)上，將工作者專業(yè)度納入考慮，提出了一種新的眾包激勵(lì)機(jī)制，并以固定的周期結(jié)算獎(jiǎng)勵(lì)。具體來說，簡(jiǎn)單地將答案整合后的最終結(jié)果視為正確結(jié)果，如果工作者的標(biāo)注與正確結(jié)果相同，則給予獎(jiǎng)勵(lì)，否則不給予獎(jiǎng)勵(lì)。此外，認(rèn)為專家工作者做出正確標(biāo)注的可能性更高，因此為了激勵(lì)其積極進(jìn)行標(biāo)注，給予其雙倍于普通工作者的獎(jiǎng)勵(lì)。最后，為了調(diào)動(dòng)工作者盡可能準(zhǔn)確地完成更多的標(biāo)注，該系統(tǒng)還對(duì)標(biāo)注的數(shù)量和正確率設(shè)置了閾值，對(duì)超過該閾值的用戶給予多倍獎(jiǎng)勵(lì)。

例如，若將一次實(shí)體標(biāo)注或關(guān)系標(biāo)注的單價(jià)設(shè)為p，標(biāo)注數(shù)量閾值設(shè)為at，標(biāo)注準(zhǔn)確率閾值設(shè)為ct，這時(shí)如果一名普通工作者在某一獎(jiǎng)勵(lì)分配周期內(nèi)完成了n個(gè)標(biāo)注，其中正確標(biāo)注m個(gè)，且該工作者的標(biāo)注數(shù)量與標(biāo)注準(zhǔn)確率均超過了系統(tǒng)設(shè)定的閾值，則該工作者將獲得的獎(jiǎng)勵(lì)reward計(jì)算方式如式（5）所示：

3.2 知識(shí)抽取數(shù)據(jù)集構(gòu)建

基于眾包標(biāo)注系統(tǒng)的實(shí)體和關(guān)系標(biāo)注結(jié)果，構(gòu)建了一個(gè)由NER和RE任務(wù)及其相應(yīng)數(shù)據(jù)集組成的文言文知識(shí)抽取數(shù)據(jù)集。細(xì)粒度NER任務(wù)數(shù)據(jù)集由文本文件和標(biāo)簽文件組成。文本文件與標(biāo)簽文件逐行對(duì)應(yīng)，共定義6類實(shí)體：人名（RER）、地名（LOC）、職位名（POS）、組織名（ORG）、書名和戰(zhàn)爭(zhēng)名。在標(biāo)簽文件中，采用BIO標(biāo)注法對(duì)文本進(jìn)行標(biāo)注，對(duì)標(biāo)注為實(shí)體首字的文本賦予“B-”標(biāo)簽，對(duì)標(biāo)注為實(shí)體中間字或尾字的文本賦予“I-”標(biāo)簽，對(duì)非實(shí)體的文字賦予“O”標(biāo)簽。NER任務(wù)數(shù)據(jù)集的統(tǒng)計(jì)信息見表1。

表1 NER任務(wù)數(shù)據(jù)集的統(tǒng)計(jì)信息

RE任務(wù)數(shù)據(jù)集的統(tǒng)計(jì)信息見表2，共包括7類關(guān)系：組織名-組織名、地名-組織名、人名-人名（PER-PER）、人名-地名（PER-LOC）、人名-組織名（PERORG）、人名-職位名（PER-POS）和地名-地名?；谠紨?shù)據(jù)集，本文可以生成一個(gè)由句子和關(guān)系文件組成的關(guān)系分類數(shù)據(jù)集，該數(shù)據(jù)集中，句子文件和關(guān)系文件逐行對(duì)應(yīng)，表示每一個(gè)句子及其所包含的關(guān)系。此外還可以生成一個(gè)類似于NER任務(wù)數(shù)據(jù)集的序列標(biāo)記數(shù)據(jù)集，該數(shù)據(jù)集同樣由文本文件和標(biāo)簽文件組成，但這時(shí)，生成的標(biāo)簽不再是實(shí)體類別標(biāo)簽，而是標(biāo)志其是某關(guān)系的主體或客體的標(biāo)簽。

表2 RE任務(wù)數(shù)據(jù)集的統(tǒng)計(jì)信息

4 實(shí)驗(yàn)及結(jié)果分析

4.1 參數(shù)設(shè)置及評(píng)價(jià)指標(biāo)

在微調(diào)階段，除批量大?。╞atch size）、學(xué)習(xí)率（learning rate）和訓(xùn)練輪數(shù)（epoch）外，其他超參數(shù)均與BERT預(yù)訓(xùn)練階段所使用的超參數(shù)相同。實(shí)驗(yàn)結(jié)果表明，能夠在微調(diào)階段獲得較好效果的超參數(shù)取值如下：batch size取32；learning rate取5×10-5、3×10-5、2×10-5；epoch取3～10。

本文在實(shí)驗(yàn)中將F1值作為衡量模型性能表現(xiàn)的評(píng)價(jià)指標(biāo)，它綜合考慮了精確率和召回率。如果模型能夠在測(cè)試集上取得較好的性能，可以考慮使用模型自動(dòng)抽取未標(biāo)注文本中的實(shí)體和關(guān)系，以進(jìn)一步擴(kuò)展數(shù)據(jù)集；否則，迭代從系統(tǒng)中獲取新標(biāo)注的實(shí)體和關(guān)系再對(duì)模型進(jìn)行微調(diào)，直到模型能夠在文言文任務(wù)上取得出色表現(xiàn)。

4.2 數(shù)據(jù)集

本文除了采用由眾包系統(tǒng)中獲取的數(shù)據(jù)構(gòu)建的數(shù)據(jù)集外（介紹詳見第3.2節(jié)），還采用了CCL2020“古聯(lián)杯”古籍文獻(xiàn)命名實(shí)體識(shí)別評(píng)測(cè)大賽主辦方提供的GulianNER數(shù)據(jù)集，該數(shù)據(jù)集定義了書名（BOOK）和其他專名（OTHER）兩類實(shí)體，數(shù)據(jù)集的統(tǒng)計(jì)信息見表3。

表3 GulianNER數(shù)據(jù)集的統(tǒng)計(jì)信息

4.3 實(shí)驗(yàn)結(jié)果與實(shí)驗(yàn)分析

本文在基準(zhǔn)測(cè)試中評(píng)估了以下預(yù)訓(xùn)練模型：BERT-Base、BERT-wwm、RoBERTa-zh和Zhongkeyuan-BERT（以下簡(jiǎn)稱ZKY-BERT），簡(jiǎn)要介紹如下。

● BERT-Base：谷歌人工智能研究院于2018年10月提出的預(yù)訓(xùn)練模型，是NLP發(fā)展史上具有里程碑意義的模型成果。

● BERT-wwm：采用全詞遮蔽任務(wù)，引入詞邊界信息，由遮蔽隨機(jī)譯字（token）改為分詞后對(duì)完整的詞進(jìn)行遮蔽。

● RoBERTa_zh：使用更大的模型參數(shù)，更大的bacth size和更多的訓(xùn)練數(shù)據(jù)。此外，在訓(xùn)練方法中，去除了下一句預(yù)測(cè)任務(wù)，采用了動(dòng)態(tài)遮蔽方法，加強(qiáng)了訓(xùn)練實(shí)例的隨機(jī)性。

● ZKY-BERT：使用殆知閣語料和唐詩宋詞數(shù)據(jù)集等文言文語料進(jìn)行進(jìn)一步的預(yù)訓(xùn)練，將最大句子長度從128修改為512。另外，設(shè)立了受限波束搜索以排除非法轉(zhuǎn)換。

在6類實(shí)體數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果如圖4所示。可以觀察到，在處理細(xì)粒度NER時(shí)，本文模型能夠取得最好的性能表現(xiàn)，在文言文語料庫上訓(xùn)練的ZKY-BERT模型表現(xiàn)和適應(yīng)中文特點(diǎn)的BERT-wwm模型也能取得較好性能，模型之間的性能表現(xiàn)差距較大。

圖4 在6類實(shí)體數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果

由于戰(zhàn)爭(zhēng)名和書名兩類實(shí)體數(shù)量較少，為了進(jìn)一步提升模型的性能，本文采用了去除這兩類實(shí)體的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，結(jié)果如圖5所示?？梢杂^察到，由于實(shí)體類型減少，預(yù)訓(xùn)練模型均表現(xiàn)出了相對(duì)較好的性能，且模型之間的性能差距縮小。

圖5 在4類實(shí)體數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果

在GulianNER數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果如圖6所示，由于該數(shù)據(jù)集中包含的實(shí)體類型較少且數(shù)據(jù)規(guī)模較大，模型均能取得較好的性能表現(xiàn)?？梢杂^察到，本文模型依然能取得最佳性能，在文言文上訓(xùn)練過的ZKY-BERT模型次之，模型之間的性能差距縮小。

圖6 在GulianNER數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果

對(duì)于RE任務(wù)，本文將其拆分為兩個(gè)子任務(wù)：關(guān)系分類和序列標(biāo)記。實(shí)驗(yàn)表明，基線模型在關(guān)系分類任務(wù)上可以達(dá)到47.61%的準(zhǔn)確率，而由于關(guān)系類型較多且數(shù)據(jù)較為分散，在序列標(biāo)注任務(wù)上各模型都不能取得較好的性能表現(xiàn)。

5 結(jié)束語

為了基于預(yù)訓(xùn)練模型實(shí)現(xiàn)歷史古籍中實(shí)體和關(guān)系數(shù)據(jù)的抽取，助力傳統(tǒng)人文研究，并為知識(shí)圖譜的構(gòu)建提供數(shù)據(jù)基礎(chǔ)，本文提出基于BERT模型對(duì)其預(yù)訓(xùn)練任務(wù)和模型結(jié)構(gòu)均進(jìn)行優(yōu)化的方法。針對(duì)文言文知識(shí)抽取任務(wù)的特點(diǎn)設(shè)計(jì)多級(jí)預(yù)訓(xùn)練任務(wù)，并添加卷積層及句子級(jí)聚合等結(jié)構(gòu)進(jìn)一步優(yōu)化詞表示。同時(shí)，構(gòu)建了一個(gè)基于工作者專業(yè)度的眾包標(biāo)注系統(tǒng)，以實(shí)現(xiàn)對(duì)古籍文本中實(shí)體和關(guān)系的標(biāo)注，從而構(gòu)建一個(gè)文言文上的語言理解測(cè)評(píng)基準(zhǔn)，對(duì)模型的性能進(jìn)行評(píng)估和微調(diào)。實(shí)驗(yàn)證明了本文提出的模型相較于其他基線模型在處理文言文任務(wù)的性能上有所提高。

由于基準(zhǔn)集數(shù)據(jù)量較小，本文的模型在知識(shí)抽取任務(wù)上的性能表現(xiàn)仍有較大提升空間。在未來工作中，筆者將探索如何高效獲取更多標(biāo)注數(shù)據(jù)，并進(jìn)一步探索如何提升模型在文言文上的性能表現(xiàn)，以推進(jìn)傳統(tǒng)人文領(lǐng)域的研究。