[人工智能]EasyNLP集成K-BERT算法，借助知识图谱实现更优Finetune导读

作者：汪诚愚 张涛林 黄俊

导读

知识图谱（Knowledge Graph）的概念?次出现2012年，由Google提出，它作为?种?规模语义?络， 准确地描述了实体以及实体之间的关系。知识图谱最早应?于搜索引擎，?于准备返回?户所需的知识。随着预训练语?模型的不断发展，将知识图谱中的知识三元组融?预训练模型，对提升模型的效果有重要的作?。经典的知识注?算法直接将知识图谱中实体的词嵌?向量注?预训练模型的词嵌?向量中；然?，知识图谱中实体的词嵌?向量和预训练模型的词嵌?向量的向量空间不?致，?且容易引起知识噪?（Knowledge Noise）的问题。K-BERT算法提出利?Visible Matrix在BERT模型中引?外部知识，具有较好的效果。 因此，我们在EasyNLP这?算法框架中集成了K-BERT算法，使?户在具有知识图谱的情况下，取得更好的模型Finetune效果。

EasyNLP（GitHub - alibaba/EasyNLP: EasyNLP: A Comprehensive and Easy-to-use NLP Toolkit）是阿?云机器学习PAI 团队基于 PyTorch 开发的易?且丰富的中?NLP算法框架，?持常?的中?预训练模型和?模型落地技术，并且提供了从训练到部署的?站式 NLP 开发体验。EasyNLP 提供了简洁的接?供?户开发 NLP 模型，包括NLP应? AppZoo 和预训练 ModelZoo，同时提供技术帮助?户?效的落地超?预训练模型到业务。由于跨模态理解需求的不断增加，EasyNLP也?持各种跨模态模型，特别是中?领域的跨模态模型，推向开源社区，希望能够服务更多的 NLP 和多模态算法开发者和研 究者，也希望和社区?起推动 NLP /多模态技术的发展和模型落地。

本?简要介绍K-BERT的技术解读，以及如何在EasyNLP框架中使?K-BERT模型。

K-BERT模型详解

BERT等预训练语言模型从大规模语料库中捕获文本语言表示，但缺乏领域特定的知识。而领域专家在阅读领域文本时，会利用相关知识进行推理。为了实现这一功能，K-BERT提出了面向知识图谱的知识增强语言模型，将三元组作为领域知识注入到句子中。然而，过多的知识融入会导致知识噪音，使句子偏离其正确的含义。为了克服知识噪音, K-BERT引入了Soft-position和Visibel Matrix来限制知识的影响。由于K-BERT能够从预训练的BERT中加载模型参数，因此通过配备KG，可以很容易地将领域知识注入到模型中，而不需要对模型进行预训练。K-BERT的模型架构和知识注入的应用示例如下所示：

特别地，在模型的输入层，K-BERT表征层通过位置索引将语句树转换为句子，构造三种表征方式：Token表征、Soft-position表征和Segment表征。其中Soft-position表征作为位置嵌入，为重排的序列提供句子结构信息。此外，通过Visible Matrix来覆盖不应该看到的Token，避免了知识噪声问题。如下图所示，以Beijing为例，给定知识三元组（Beijing，capital，China），K-BERT通过Visible Matrix限制只有Beijing能“看到”其相关的关系词和宾语，分别为“capital”和“China”。与之相反，一个知识无关的词now则无法“看到”“capital”和“China”。

从作者论文中我们也可以看到K-BERT中的Attention Matrix的计算过程：

其中，M即为Visible Matrix，为了表示K-BERT输入Token序列能否互相“看见”，定义M如下：

因此，当两个Token互相可以“看见”，M矩阵对应的元素值为0，因此Attention Matrix的计算过程和普通BERT相同。反之，当两个Token不能互相“看见”，M矩阵对应的元素值为负无穷，对应SoftMax函数后的权重则会趋于0，这使得这两个Token在Self-Attention计算过程中互无影响。这就在计算过程中，大大缓解了知识图谱增强过程的知识噪声问题。

K-BERT模型的实现与效果

在EasyNLP框架中，我们在模型层构建了K-BERT模型的Backbone，其核?代码如下所示：

self.kbert = KBertModel(config, add_pooling_layer=False)
self.cls = KBertOnlyMLMHead(config)

outputs = self.kbert(
    input_ids,
    attention_mask=attention_mask,
    token_type_ids=token_type_ids,
    position_ids=position_ids,
    head_mask=head_mask,
    inputs_embeds=inputs_embeds,
    encoder_hidden_states=encoder_hidden_states,
    encoder_attention_mask=encoder_attention_mask,
    output_attentions=output_attentions,
    output_hidden_states=output_hidden_states,
    return_dict=return_dict,
)

sequence_output = outputs[0]
prediction_scores = self.cls(sequence_output)
loss_fct = CrossEntropyLoss()
masked_lm_loss = loss_fct(prediction_scores.view(-1, self.config.vocab_size), labels.view(-1))

其中，在K-BERT中，模型Backbone的Attention Mask由两个Matrix加和而成，分别为普通的Attention Mask和Visible Matrix，实现核心代码如下：

extended_attention_mask = self.get_extended_attention_mask(attention_mask, input_shape, device) + self.get_extended_attention_mask(visible_matrix, input_shape, device)

在数据预处理过程中，我们需要获得当前样本的输入文本和知识三元组，从而计算出Visible Matrix：

 if self.kbert_model_prefix:
        encoding['input_ids'], encoding['token_type_ids'], encoding['attention_mask'], encoding['position_ids'], encoding['visible_matrix'] = self.kbert_row_data_process(encoding['input_ids'], encoding['token_type_ids'], encoding['attention_mask'])

为了验证EasyNLP框架中K-BERT模型在各种任务上的精度，我们在多个公开数据集上验证了句子分类和NER任务的效果。我们使用EasyNLP加载了BERT模型，对比复现结果和K-BERT官方论文的结果，如下所示：

可以通过上述结果，验证EasyNLP框架中K-BERT算法实现的正确性。

K-BERT模型使?教程

以下我们简要介绍如何在EasyNLP框架使?K-BERT模型。

安装EasyNLP

?户可以直接参考Github（https://github.com/alibaba/EasyNLP）上的说明安装EasyNLP算法框架。

数据准备

K-BERT是一个finetune模型，需要用户准备下游任务的训练与验证数据，为tsv文件。对于文本分类任务，这??件包含以制表符\t分隔的三列，第一列是标签，第二列是句子序号，第三列是文本句子。样例如下：

0	25	作者肯定是手头有一本年表和名册的，人物事件行动完全扣合正史，人物性格也多有《百家讲坛》为证，人物年龄的bug比红楼梦还少，叙述事件某某年某某月某某伐某某不厌其烦，可是切合历史绝不是说它是好小说的理由啊！我觉得玛丽苏都不是致命伤，关键是情节幼稚看不下去啊！

对于NER任务，同样为一个tsv文件，由\t分隔为文本和label两列，文本字与字之间用空格隔开。样例如下：

猎 豹 移 动 方 面 解 释 称 ， 移 动 收 入 和 海 外 收 入 的 增 长 主 要 得 益 于 L i v e . m e 产 品 在 海 外 市 场 的 快 速 增 长 。	B-ORG I-ORG I-ORG I-ORG O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O O

下列?件已经完成预处理，可?于测试：

https://atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com/release/tutorials/K-BERT/kbert_data.zip

K-BERT?本分类示例

在文本分类任务中，我们采?以下命令对K-BERT模型进?finetune，模型在finetune过程中也会自动输出评估结果。其中，用户可以在前述预处理示例文件中找到训练集chnsenticorp/train.tsv、评测集chnsenticorp/dev.tsv以及知识图谱文件kbert_kgs/HowNet.spo。kbert_cls.py位于EasyNLP项目下的examples/kbert/下。相关示例代码如下：

python kbert_cls.py \
--mode train \
--tables tmp/kbert_data/chnsenticorp/train.tsv,tmp/kbert_data/chnsenticorp/dev.tsv \
--input_schema label:str:1,sid1:str:1,sent1:str:1 \
--first_sequence sent1 \
--label_name label\
--label_enumerate_values 0,1 \
--checkpoint_dir ./tmp/kbert_classification_model/ \
--learning_rate 2e-5 \
--epoch_num 2 \
--random_seed 42 \
--save_checkpoint_steps 50 \
--sequence_length 128 \
--micro_batch_size 16 \
--app_name text_classify \
--user_defined_parameters "pretrain_model_name_or_path=kbert-base-chinese kg_file=tmp/kbert_data/kbert_kgs/HowNet.spo"

K-BERT命名实体识别示例

在NER任务中，我们采?以下命令对K-BERT模型进?finetune，其使用方式与文本分类相同：

python kbert_ner.py \
--mode train \
--tables tmp/kbert_data/financial_ner/train.tsv,tmp/kbert_data/financial_ner/dev.tsv \
--input_schema content:str:1,label:str:1 \
--first_sequence content \
--label_name label\
--label_enumerate_values B-ORG,B-PER,B-POS,I-ORG,I-PER,I-POS,O \
--checkpoint_dir ./tmp/kbert_ner_model/ \
--learning_rate 2e-5 \
--epoch_num 2 \
--random_seed 42 \
--save_checkpoint_steps 50 \
--sequence_length 128 \
--micro_batch_size 16 \
--app_name sequence_labeling \
--user_defined_parameters "pretrain_model_name_or_path=kbert-base-chinese kg_file=tmp/kbert_data/kbert_kgs/HowNet.spo"

未来展望

在未来，我们计划在EasyNLP框架中集成更多中?知识模型，覆盖各个常?中?领域，敬请期待。我们 也将在EasyNLP框架中集成更多SOTA模型（特别是中?模型），来?持各种NLP和多模态任务。此外， 阿?云机器学习PAI团队也在持续推进中?多模态模型的?研?作，欢迎?户持续关注我们，也欢迎加? 我们的开源社区，共建中?NLP和多模态算法库！

Github地址：https://github.com/alibaba/EasyNLP

Reference

1. Chengyu Wang, Minghui Qiu, Taolin Zhang, Tingting Liu, Lei Li, Jianing Wang, Ming Wang, Jun Huang, Wei Lin. EasyNLP: A Comprehensive and Easy-to-use Toolkit for Natural Language Processing. arXiv
2. Weijie Liu, Peng Zhou, Zhe Zhao, Zhiruo Wang, Qi Ju, Haotang Deng, and Ping Wang. 2020. K-BERT: Enabling Language Representation with Knowledge Graph. In AAAI. 2901–2908
3. K-BERT原作者开源代码：https://github.com/autoliuweijie/K-BERT

阿里灵杰回顾

• 阿里灵杰：阿里云机器学习PAI开源中文NLP算法框架EasyNLP，助力NLP大模型落地
• 阿里灵杰：预训练知识度量比赛夺冠！阿里云PAI发布知识预训练工具
• 阿里灵杰：EasyNLP带你玩转CLIP图文检索
• 阿里灵杰：EasyNLP中文文图生成模型带你秒变艺术家