[文档级关系抽取｜ACL论文]文档级关系抽取中语言理解的基础模型

Did the Models Understand Documents? Benchmarking Models for Language Understanding in Document-Level Relation Extraction

School of Computer Science, Fudan University | ACL 2023.06 | 原文链接

Background

过去的工作大多数都是从单个句子中收获更多的关系，然而如今要采用多个句子作为一个整体来获得更多的关系，即文档级关系抽取（DocRE），因为需要综合文档中的所有信息，所以文档级关系抽取是更有挑战性的。

过去存在的问题

一种常见的评估方法是测量整个测试集的平均误差，这忽略了模型可以根据错误的特征做出正确预测的情况。如上图，Vera Cáslavská和Czech之间的关系，机器所考虑的决策方式与人类的完全不同，

文章工作内容简述

1. 在DocRED上进一步注释成了$ DocRED _ { HWE } $
2. 采用特征归因法观察模型在推理过程中考虑的最关键的词，发现模型总是将不相关的词语虚假的关联起来，形成了无法解释的决策
3. 证明了模型中的决策方式是不可靠的，设计了6种RE攻击方式证明
4. 引入平均精度（MAP）指标评价模型的理解能力和推理能力，由此区分因伪相关性引起的能提升和因理解能力引起的性能提升，最终发现MAP越高，模型的鲁棒性和泛化能力越强

• DocRED: 大型文档级关系抽取数据集
• $ DocRED _ { HWE } $: HWE表示人类注释的词级证据,human-annotated word-level evidence

过去的文档级关系识别

主要分为图的方法和基于变换器的方法

• 基于图的：基于图的方法利用上下文的结构信息构造各种图，并通过图中的路径对推理过程的多次反射进行建。DocuNet（SOTA）中构建了一个实体级的关系图，然后利用图上的U形网络来捕获全局相互依赖性

• 基于Transformerbased方法的：执行推理隐式识别的长距离令牌依赖通过transformers。ATLOP通过相关上下文增强了实体对的嵌入，并为多标签分类引入了一个可学习的阈值。

工作内容1 ： DocRED_HWE

难点：第一个挑战来自原始数据集中的注释工件，第二个挑战在于单个关系的多个推理路径

解决方式：采用细粒度的单词级的证据，并且提出了一个新的检查规则，用于二次推理，只有被验证两次才会被采用

• 来自原始数据集中的注释工件:注释器可以使用先验知识通过实体名称来标记关系，而不需要观察上下文。例如，给定一个跨句实体对“Obama”和“the US”的文档，尽管缺乏理论依据注释者还是倾向于标注“president of”。可以通过注释细粒度的单词级证据来自然地解决
• 需要注释器对所有推理路径中的单词进行注释。当注释者通过相应的证据词成功推理出某种关系时，其他推理路径中的证据词往往会被忽略。为了解决这一问题，对每个文档采用了多个(滚动)标注，并提出了检查规则:给定一个文档，之前标注的关系被屏蔽，标注者将无法对关系进行推理。如果违反规则，新的证据词将被标注。更新将由下一个注释器检查，直到没有更新发生。所有注释的证据词至少被验证两次。

并且作者最后对于结果进行了一定的人工筛选

工作内容2 ： 发现模型总是将不相关的词语虚假的关联起来，形成了无法解释的决策

建立模型参数

• 文档$ d $
• 实体集 $ \varepsilon = { e_i } ^n _ { i = 1 } $
• 提取的目标为预测实体对中$ (e_i , e_j)_ { i, j=1…n;i!=j } $
• 范围是在 R ∪ { N A } R \cup \{ NA \} R∪{ NA}中，
• • 其中$R$表示为预测的关系集
• • $NA$为没有关系的实体对。
• 使用 { m j i } j = 1 N i \{ m _ j ^ i \} _ { j = 1 } ^ { N _ i } { mji​}j=1Ni​​区分每个实体，
• 最终抽取的三元组的格式为 $ { (e_i, r _ ij, e _ j ) | e_i, e_j \in \varepsilon, r_ij \in R } $

验证方式

选择基于图的DocuNet，基于Transformer的ATLOP，通过综合梯度（IG）作为归因方法(因为具有简单且可信的特性)。

使用积分梯度法，计算模型在输入上的输出和参考点上的输出，它俩之间的差值作为token的score进行分配。即如下图所示，给定一个输入$x$，和参考点$ x’ $，IG计算从$ x’ $ 到 $ x $的第i维的梯度$ g _ i$线性积分。其中$ \frac { \partial F(x) } { \partial x_i } $表示输出$ F(x) $到 $ x $的梯度。将$ x’ $设置所有值为0的Embbeding vectors

数据集有：

• $DocRED$、$DocRE{D}_{Scratch}$，其中$DocRED$有56354个关系，96种关系类型，大多只能通过推理识别。$DocRED_ { Scratch } $很大程度偏离了$DocRED$的训练集，可以用于测试模型的泛化能力
• $DocRE{D}_{HWE}$人工注释了1521不同实体的代词，用于忽略。

实验与分析

位置误导

使用IG来描述模型的决策规则。
$ATLO{P}_{R}oBERTa$在DocRED验证集中不同位置的上平均分布，归因DocuNet也会出现类似的曲线。

如上图所示，特定位置的token信息比其他位置的words信息的affect更明显。

也就是说，模型根据单词在文档中的位置来区分单词，原因应该为：

• 在学习过程中扭曲了位置特征，将其与预测结果虚假地关联了起来
• 位置Embbeding被错误的训练（没监督），偏离了表示位置信息的原始功能
  由此说明，泛化能力弱

狭隘的推理

用推理正确关系所需要的单词，代表模型的推理范围。

设模型为"A X B"，A、B为实体，X为推理关系所需要的单词/单词序列，设X为$r_AB$的前k个赋值token，token的顺序与原文相同，DocRED性能如上图所示。

• 添加最高属性(我理解为强属性)的单词会导致性能下降
• position的权重比较大
• 当只给出实体名称不给上下文，性能可以达到原模型的85%(53%的f1分数)
  由此推出，模型在一个比较狭隘的范围内推理

虚假相关

选择前5个具有属性的单词来显示模型的证据单词。可以发现，很大程度上依赖了一些非因果标记（如实体名称和标点符号），这不利于深度学习。比如逗号就起到了很大作用（SEP和CLS可以证明为无操作的操作符）。因此，该模型不能被部署到现实场景中，因为非因果令牌很容易被替换掉。

原因分析

• U是因果关系确定的证据词
• Y是预测词
• X是文档
• 给定X和A，模型学习H和Y之间的伪相关。

基于transformer的预训练语言模型，都希望在给定上下文X的情况下，提高当前单词的概率Y，上下文应该由P(Y|X)表示，但学习的是P(Y|X, A)，其中A表示为对采样过程的访问，从而导致有偏差。如上图的有向无环图所示。

其中H为有语法意义的（如the，逗号），U为相对不太可能访问采样过程或上下文。目前，Y的语义很大程度依赖着有明确语义的词，即U->Y，他们的组合形成了自然的语言表达，其过程可以使用A->X表述，其中A决定了单词在上下文的分布。

目前来说，PLM训练后的模型，倾向于将虚假的信息与关系关联起来。

工作内容3 ： 针对SOTA模型的攻击

证明：

1. 模型的决策规则与人类的不同
2. 这种差异会严重损害鲁棒性和泛化能力

由十字架标注的为有监督的训练。

• P2N：消极预测从积极预测变为原始积极预测
• UP：不变的积极预测变为原始积极预测的比例

Word-level Evidence Attacks

1. 蒙面词级攻击，所有被人标注的Word-level Evidence（HWE）都被直接Masked（Mask）
2. 反义词替换，HWE中一个词被一个反义词替换（ASA)
3. 同义词替换，HWE中一个词被一个同义词替换（SSA）

结果如上图所示，在Mask攻击下，模型仍预测相同的关系【但是性能下降了79%】，在ASA攻击下性能下降了90%，和SSA性能与ASA大致相同。可证明鲁棒性很差。

Entite Name Attacks

1. 屏蔽实体攻击(EM)，直接屏蔽实体名称
2. 随机打乱实体攻击（ER)，随机置换每个文档中的实体名称
3. 非分发（OOD）实体替换攻击（ES），使用训练数据中没有的实体名称来替换

结果如上图，ES下降最严重，从67.12->7.57

工作内容4 ： 新的评价指标MAP

在上述中，证明了模型应该学习人类的决策规则。由此提出一个新的评价指标MAP：

• 1t(i)表示预测第t个相关事实的第i个重要字的指示函数
• K的选择，类似于推荐系统中的评价指标，取决于RE从业者的需求，通常设置为1、10、50和100。

如果单词在人类标注的单词级证据中，则1t(i)的输出值等于1。否则等于0

个人思考

对于以往的深度学习中，大多都是黑盒训练，每次看别人的论文也是，往往都不知道为什么就起作用了，故都是认为就把上下文的关系或者别的之类的token联系在一起用了而已，就像世界十大难题中的中文房间问题一样，就算给出正确的结果，不知道里面的人到底会不会中文。对于这篇文章，完全揭示了当前文档级关系抽取（甚至句子级关系抽取）的现状，知识把杂七杂八的东西放到了池子中去学习，让模型只能在学习到的数据集中有比较好的效果。对于以后的实验中，针对于这一部分，可以优化。