一篇关于渐进式机器学习的文章《IntKB: A Verifiable Interactive Framework for Knowledge Base Completion》

本文摘要：

知识库作为许多下游NLP任务的资源基础，存在的一个普遍缺陷是它的不完整性。目前最好的知识库补全框架则缺乏足够的准确性，无法在脱离人工监督的情况下完全自动化的完成知识补全。因此，作为弥补方案，本文提出了IntKB，一种基于问答pipeline的交互式图谱补全框架。该框架的设计面向“人在回路”范式的特性需求：i. 该系统生成的事实与文本片段一致，可由人类直接验证。ii. 该系统设计为可在知识库补全过程中不断学习，因此能够使zero-或者few-shot的初始状态随着时间推移而显著提升性能。iii. 当且仅当存在足够信息进行正确预测的情况下，才会出发与人的交互。因此，作者采用负例和无答案的fold-option来训练系统。该框架在实验中取得较好的性能：对于初始状态下的未见关系，它实现了29.7%的Hits@1，并且在此基础上，这个结果逐渐提高到46.2%。

方法：

作者使用QA来完整整个框架的大部分内容，主要分为四个模块，分别是句子选择，关系抽取，答案重排序以及答案触发。输入是缺失尾实体的三元组。在每个阶段，作者都会根据补全后的知识库，重新构造训练数据和负样本对QA相关模块进行fine-tuning，并进行迭代多次。

IntKB:一种可以被证实的框架用于交互式知识库补全

任务定义

主要任务是知识库全部，具体来讲，聚焦于尾实体的预测。
用户知识库补全的QA阶段性方法
1. 句子选择：句子筛选模块的输入是一个不完整的三元组形如[h, r, _]（同指查询），针对这个输入，返回一个经过排序的候选句子集（即可能涵盖尾实体（答案）的文本）。在这里，用于检索的文档被约束为与头实体h相关的文档子集，接着作者为每个句子建立基于tf-idf的向量表示（这里只考虑上述文档子集的idf而不是整个文档）。对于查询向量，论文使用关系类型的semantic names，并将每个关系类型转换为对应的tf-idf向量，而后计算每个句子和查询之间的相似性得分。该结果用于步骤2中的关系抽取。
2. 关系抽取：关系抽取模型的输入是上一步中排序Top-n的句子，以及原始查询[h, r, _]，每条句子都被转换成一条查询，而后输入BERT-QA模型，用于返回作为候选答案的文本区间。之后，作者将关系抽取视作阅读理解的一个特例（即“问”未知的尾实体），不同于过去需要构建问题模板的方式，这里通过关系类型的semantic names构建多个噪声关键词查询。因此，本文的知识库补全工作是在数据缺少的情况下进行的，且只使用知识库中的信息无需额外的人工监督。
3. 答案重排序：从BERT-QA获取到若干候选答案之后，最后一步就是对它们进行重排序。排序前，作者首先汇总所有具有匹配文本的候选答案，例如预测中多次出现了某个关键词，则合并这些候选答案为一个。而后使用前两步得到的候选答案的特征信息做排序（使用Kratzwald et al., 2019提出的方法），最终，得到对于[h, r, _]的预测候选。
答案触发

为了减轻人的工作量，因为在开放文本的知识库补全中，很难保证每个答案都存在语料集中。作者提出一种folder机制，首先对语料集中所有的真实答案都删除掉，然后在关系抽取模块设置答案为SEP。在预测阶段，如果[SEP]超出一个阈值，那么就调用folder机制丢掉，否则就交给人类处理。
实体链接

作为完整的实现知识库补全，返回的答案必须与知识库中已有的实体匹配上，作者在这里测试了三种实体链接的策略。

面向知识库的渐进式学习（continuous learning，也被翻译成持续学习）

冷启动：从文本中进行知识补全
1. 事实对齐：将知识库中事实与语料集中句子进行对齐用于后续的知识迁移。对于每一个三元组 $<h,r_j,t>\in\varepsilon$ ，检索语料集中包含头实体以及其同义词的文档并进行分句。筛选出其中包含尾实体或者其同义词的句子，对其中相同三元组进行整合并保留所有包含不同尾实体的句子。更多的，可以用关系或者其同义词进行一次强筛选，正式的来说，就是将所有的句子和关系以及其同义词进行分词，接着去除停用词，然后统计每个句子的重叠token数目，去掉哪些没有重叠的句子，对于每个事实来说，保留重叠数最高的句子。
2. 负训练样本：我们使用如下方法产生负训练样本：对于每个三元组事实 $<h,r_j,t>\in\varepsilon$ ，检索所有的包含头实体的文档，然后去掉这些这些文档中的尾实体或者其同义词，接着使用前面的句子选择模型对保留句子进行重排序，最后匹配最高得分的句子和三元组，然后标记为无答案。
3. 知识迁移：我们使用上述两个部分产生的事实-句子对送入我们的QA阶段性方法中。对于关系抽取模块，我们使用其预测的数据对Bert模型进行fine-tuning，我们构建如下输入格式数据：随意选的一个关系名称 + Question mark + 分隔符 + 句子本身，答案使用第一次出现的尾实体或者其同义词，对于负事实，就是都使用[SEP]进行标记。再对关系抽取模块进行fine-tuning后，我们可以将它与句子选择模块进行结合使用来对KB中已知的三元组事实进行预测，这个预测结果可以用于fine-tuning后续的第三个重排序模块。做法是：对知识库中的三元组 $<h,r_j,t>\in\varepsilon$ ，把他的尾实体进行mask，然后构造问题query $<h, r_j, ?>$ 送入整个系统，对于每个输入会产生一系列的答案，但是我们知道真正的答案，所以可以构造噪声（其属于尾实体中的某一个同义词但是不能进行实体链接）。最后这些构造的数据可以用于Re-ranking模块的微调。
从用户交互中持续提升

预测训练过程从未出现过的关系类型是很困难的，所以我们使用交互机制来为这些从未出现的关系生成标注。所有得到用户正反馈的三元组事实都会立即加入到知识库中，同时，我们还基于上述的实体对齐产生正负训练样例。最终，在每个批次的成功标注结束后我们都会更新的我们模型。

实验：

数据集：因为现有的数据集都不能满足实验要求，作者在这里自己构造了数据集。数据集主要分为两个不同的子集：（1）known关系代表初始就在KB中。（2）Zero-shot代表初始时不可以见。同时构建副例。
实验：作者在这里进行四部分实验，我们着重关心渐进式实验。作者模拟了9000词用户交互，并使用KB中已知的部分作为训练集。接着使用KB中zero-shot那部分作为训练集，并预测到30个queries，同时将每种关系的queries限制到10个，再来调用人来预测。

参考：

https://www.colabug.com/2021/0312/8056676/ 东南大学谭亦鸣博士整理的笔记

原文：https://www.aclweb.org/anthology/2020.coling-main.490.pdf