Reinforcement Learning for Relation Classification from Noisy Data

主要贡献

1. 提出一个新的关系分类模型，它有实体选择器与关系分类器构成。它能够在句子级别提取关系。
2. 将实体选择问题转换成强化学习问题，这使得不需要实体选择的标签，而只需要关系分类器的弱监督的回馈就能进行实体选择。

摘要

现在的关系分类方法都是依赖拍距离监督假设（distance supervision assume）的，它假设一系列提到一对实体的句子，都是在描述这对实体的一种关系。类似于这种思想的方法，其实都是一组句子层面的分类，无法学习出关系与句子之间的映射，并且这种方法对噪声很敏感。

在这篇论文中，作者提出了一种新的模型，它能够在句子层面进行关系分类，并且对噪声的容忍度很强。这个模型主要分为两个模块：实体选择器和关系分类器。实体选择器通过强化学习选出高质量的句子，然后喂给关系分类器；

关系分类器能够进行句子级别的关系预测，并给实体选择器提供反馈。这两个模块会联合训练，从而不断优化整个模型。

实验结果显示，这个模型能够减少噪声的影响，在句子层面获得更好的分类结果。

引言

为了解决噪声标签的问题，之前的研究都是采用多实体学习的方式来考虑实体的噪声。在这种方式中，训练以及测试都是在一组句子级别的，噪声会比较大。因此，之前的研究都有以下两种缺陷：
1. 无法在句子级别进行预测。
2. 对一组句子中的噪声非常敏感。

在这篇文章中，为了解决上述两种缺陷，作者提出了一种新的关系分类模型。通过实体选择器，从一组句子中选出高质量的句子，然后通过句子级别的关系分类器来选择关系。

为了解决第二种缺陷，如果一整个包的句子标签都是错误的，那么句子选择器将会过滤掉整个包。

在这里，一个主要的问题是如何联合训练上述两个模块，特别是当实体选择器一开始不知道哪些句子的标签是不正确的。

尽管我们无法用监督的方式来进行实体选择，但是我们可以从整体上来度量选出的句子。实体选择的过程有一下两个属性：
1. 试错搜索(trial-and-error-search)。实体选择器试图找出一些句子，这些句子在关系选择的时候会获得reward。
2. 只有当完成实体选择之后，关系分类器才会把反馈给实体选择器，也就是delayed。

相关论文

神经网络被广泛用于关系分类，其中包括CNN(1,2),RNN,LSTM(1,2)。Wang提出用两层Attention从异构环境中为关系分类辨别模式。

一般来说，训练神经网络需要大量的标签数据，而标签数据又非常稀缺。为了解决这个问题，Mintz提出远程监督，但是这个方法还是无法解决噪声数据干扰问题。Lin 2016，Ji 2017，Tianyu Liu and Sui 2017等人提出了多实体下的句子级别的Attention机制，它能够降低错误句子的权重。但是这些方法只能在一组句子级别找关系，无法在句子级别找关系。Narasimhan, Yala, and Barzilay 2016提出使用强化学习来改善信息提取。

问题定义

1. 实体选择问题
   

将<句子,关系标签>对表示为 X={(x1,r1),(x2,r2),⋯,(xn,rn)} $X=\{(x_1,r_1),(x_2,r_2),\cdots ,(x_n,r_n)\}$，其中 xi $x_i$是与一句话有关的两个实体 (hi,ti) $(h_i,t_i)$， ri $r_i$是远程监督生成的关系。目的是找出关系正确的句子。

关系分类问题
给出一句句子 xi $x_i$以及这句句子提到的一对实体 (hi,ti) $(h_i,t_i)$，目标是预测 ri $r_i$。概率公式为 PΦ(ri|xi,hi,ti) $P_{\mathrm{\Phi }}(r_i|x_i,h_i,t_i)$。

在实体选择阶段，每个句子 xi $x_i$会绑定一个 action ai $a_i$，来表示 xi $x_i$是否被选作训练实体。状态 si $s_i$ 用当前句子 xi $x_i$来表示。实体选择器根据随机策略对给定当前状态的动作进行采样。关系分类器采用一个卷集架构来得出一对实体的语义关系。下图体现了这个框架的架构图。

实体选择器（Instance Selector）

对于实体选择器而言，它的主要任务是根据Policy函数，来决定在某种State(包含当前句子，已选出的句子集合，实体对)下，应该采取哪种Action(选或不选)。然后接收从关系分类器传来反馈。

如果我们按照前面说的，当选出了所有的高质量句子之后，再接收关系分类器给出的延迟奖励，然后更新Policy函数的参数，这种方式是低效的。

为了获得更多的反馈，使得训练过程更加有效，作者将训练集分词N组 B={B1,B2,⋯,BN} $B=\{B^1,B^2,\cdots ,B^N\}$,每一组完成句子选择之后，就会获得Reward。每一组的实体对都是不同的，但是它们的关系标签都是相同的， Bk={xk1,xk2,⋯,xk|Bk|} $B^k=\{x_1^k,x_2^k,\cdots ,x_{|B^k|}^k\}$都具有相同的标签 rk $r^k$。当训练集中的句子都训练完成之后，会将每一组中选出的句子合并，统一进行关系分类。

状态（State）

状态 si $s_i$主要包含当前句子，已经选出的句子以及实体对。作者使用一个连续函数 F(si) $F(s_i)$来表示状态，它将输出一个Vector。
1. 当前句子的Vector表示是从用于关系分类的CNN的非线性层中获得。
2. 已选出句子集合的Vector表示是每句句子Vector的平均值。
3. 一对实体的Vector表示是从预训练的knowledge graph embedding中获得。

动作（Action）

动作 ai $a_i$的的取值是{0,1}，表示是否选取一句句子。 ai $a_i$根据Policy函数 πθ(si,ai) ${\pi }_{\theta }(s_i,a_i)$获得，其中 θ $\theta$是需要学习的参数。

其中 F(si) $F(si)$就是状态特征Vector, θ={W,b} $\theta =\{W,b\}$。

奖励\回馈（Reward）

Reward的作用的反映选出句子的有用程度。作者假设这个模型完成所有的选择之后，会有一个最奖励，因此只需要在最终状态 s|B|+1 $s_{|B|+1}$接收一个delayed reward，其他状态的奖励都是0。因此Reward函数定义如下：

其中 Bˆ $\hat{B}$是选出的句子集合， r $r$是当前句子组的关系标签， p(r|xj) $p(r|x_j)$是关系分类器，它由CNN模型构成。对于 Bˆ $\hat{B}$是空集的情况，其奖励为训练集中所有句子得分的平均值，这能是实体选择器更有效地消除噪声影响。

注意，关系分类器 p(r|x) $p(r|x)$是作用在每句句子上的，而Reward是在一组句子的基础上计算的，因此Reward能够全面评估Policy函数选出的句子的有用性。它通过弱监督的方式来最大化选出句子的平均似然估计，从而使得实体选择器的目标函数与关系分类器一致。

优化

对于每组句子 B $B$，目标是最大化Reward，目标函数如下：

J(θ)=Vθ(s0,B)=Es0,a0,s1,a1,⋯,si,ai,⋯[∑i=0|B|+1r(si|B)] $$J(\theta )=V_{\theta }(s_0,B)=E_{s_0,a_0,s_1,a_1,\cdots ,s_i,a_i,\cdots }[\underset{i=0}{\overset{|B|+1}{\sum }}r(s_i|B)]$$

其中 ai∼πθ(si,ai) $a_i\sim {\pi }_{\theta }(s_i,a_i)$， si+1∼P(si+1|si,ai) $s_{i+1}\sim P(s_{i+1}|s_i,a_i)$。转移方程 P(si+1|si,ai) $P(s_{i+1}|s_i,a_i)$等于 πθ(si+1,ai+1) ${\pi }_{\theta }(s_{i+1},a_{i+1})$，因为 si+1 $s_{i+1}$的值可以被 si $s_i$与 ai $a_i$确定。

那么梯度按照如下方式计算:
1. 对于每组句子，根据Policy函数计算每个句子的state以及action，得到 {s1,a1,s2,a2,⋯,s|B|,a|B|,s|B+1|} $\{s_1,a_1,s_2,a_2,\cdots ,s_{|B|},a_{|B|},s_{|B+1|}\}$。
2. 将选出的句子喂给关系分类器，根据结果得到reward r(s|B|+1|B) $r(s_{|B|+1}|B)$。
3. 按照 θ←θ+α∑|B|i=1vi▽θlogπθ(si,ai) $\theta \leftarrow \theta +\alpha \underset{i=1}{\overset{|B|}{\sum }}{v}_i{▽}_{\theta }log{\pi }_{\theta }(s_i,a_i)$的规则去更新 θ $\theta$。

关系分类器（Relation Classifier）

在关系分类器中，使用CNN来预测关系，它由一个输入层，一个卷积层，一个max poolling层，一个非线性层组成。

输入层

对于每个句子 x $x$，我们将它表示成一系列向量 (w1,w2,⋯,wm) $(w_1,w_2,\cdots ,w_m)$。每个向量由两部分组成：word embedding和pisition embedding。word embedding用word2Vec实现,维度为 dw $d^w$。position embedding是按照当前单词到开头和结束的相对位置来计算的,维度为 dp $d^p$。然后将word embedding和pisition embedding进行组合，得到新的向量 wi $w_i$,维度为 dw+2∗dp $d^w+2\ast d^p$。

CNN

为了得到更高级、更抽象的句子表示，作者使用了CNN来得到新的特征L:

L=CNN(x) $$L=CNN(x)$$

其中 x $x$就是输入层的输入， L $L$是一个 ds $d^s$维的矩阵，作者取230。因此卷积的参数 Wf∈Rds∗3d,bf∈Rds $W_f\in {\mathbb{R}}^{d^s\ast 3d},b_f\in {\mathbb{R}}^{d^s}$。

然后关系预测的概率为 p(r|x;Φ)=softmax(Wr∗tanh(L)+br) $p(r|x;\mathrm{\Phi })=softmax(W_r\ast tanh(L)+b_r)$，其中 Wr∈Rds∗nr,br∈Rnr $W_r\in {\mathbb{R}}^{d^s\ast n_r},b_r\in {\mathbb{R}}^{n_r}$， nr $n_r$是关系总数。

损失函数（Loss Function）

给出选出的句子集合 {Xˆ} $\{\hat{X}\}$，我们使用交叉熵作为损失函数。