知識圖譜數據構建的「硬骨頭」，阿里工程師如何拿下？

04-22

摘要： 為了不斷提升搜索體驗，神馬搜索的知識圖譜與應用團隊，一直在不斷探索和完善圖譜的構建技術。其中，開放信息抽取（Open Information Extraction），或稱通用信息抽取，旨在從大規模無結構的自然語言文本中抽取結構化信息。

原文：http://click.aliyun.com/m/43798/

背景簡介

為了不斷提升搜索體驗，神馬搜索的知識圖譜與應用團隊，一直在不斷探索和完善圖譜的構建技術。其中，開放信息抽取（Open Information Extraction），或稱通用信息抽取，旨在從大規模無結構的自然語言文本中抽取結構化信息。它是知識圖譜數據構建的核心技術之一，決定了知識圖譜可持續擴增的能力。

「神馬搜索」界面

本文聚焦於開放信息抽取中的重要子任務——關係抽取，首先對關係抽取的各種主流技術進行概述，而後結合業務中的選擇與應用，重點介紹了基於DeepDive的方法，並詳述它在神馬知識圖譜數據構建工作中的應用進展。

關係抽取概述

關係抽取技術分類

現有的關係抽取技術主要可分為三種：

有監督的學習方法：該方法將關係抽取任務當做分類問題，根據訓練數據設計有效的特徵，從而學習各種分類模型，然後使用訓練好的分類器預測關係。該方法的問題在於需要大量的人工標註訓練語料，而語料標註工作通常非常耗時耗力。
半監督的學習方法：該方法主要採用Bootstrapping進行關係抽取。對於要抽取的關係，該方法首先手工設定若干種子實例，然後迭代地從數據從抽取關係對應的關係模板和更多的實例。
無監督的學習方法：該方法假設擁有相同語義關係的實體對擁有相似的上下文信息。因此可以利用每個實體對對應上下文信息來代表該實體對的語義關係，並對所有實體對的語義關係進行聚類。

這三種方法中，有監督學習法因為能夠抽取並有效利用特徵，在獲得高準確率和高召回率方面更有優勢，是目前業界應用最廣泛的一類方法。

遠程監督演算法

為了打破有監督學習中人工數據標註的局限性，Mintz等人提出了遠程監督（Distant Supervision）演算法，該演算法的核心思想是將文本與大規模知識圖譜進行實體對齊，利用知識圖譜已有的實體間關係對文本進行標註。遠程監督基於的基本假設是：如果從知識圖譜中可獲取三元組R（E1，E2）（註：R代表關係，E1、E2代表兩個實體），且E1和E2共現與句子S中，則S表達了E1和E2間的關係R，標註為訓練正例。

遠程監督演算法是目前主流的關係抽取系統廣泛採用的方法，也是該領域的研究熱點之一。該演算法很好地解決了數據標註的規模問題，但它基於的基本假設過強，會引入大量噪音數據。例如，從知識圖譜獲取三元組：創始人（喬布斯，蘋果公司），下表句1和句2正確表達了該關係，但句3和句4並沒有表達這樣的關係，因此對句3和句4應用基本假設時會得到錯誤的標註信息。這個問題通常稱為 the wrong label problem。

出現 the wrong label problem 的根本原因，是遠程監督假設一個實體對只對應一種關係，但實際上實體對間可以同時具有多種關係，如上例中還存在CEO（喬布斯，蘋果公司）的關係，實體對間也可能不存在通常定義的某種關係，而僅因為共同涉及了某個話題才在句中共現。

為了減小 the wrong label problem 的影響，學術界陸續提出了多種改進演算法，主要包括：

基於規則的方法：通過對wrong label cases的統計分析，添加規則，將原本獲得正例標註的wrong label cases直接標為負例，或通過分值控制，抵消原有的正標註。
基於圖模型的方法：構建因子圖（factor graph）等能表徵變數間關聯的圖模型，通過對特徵的學習和對特徵權重的推算減小wrong label cases對全局的影響。
基於多示例學習（multi-instance learning）的方法：將所有包含（E1，E2）的句子組成一個bag，從每個bag對句子進行篩選來生成訓練樣本。此類方法最早提出時假設如果知識圖譜中存在R（E1，E2），則語料中含（E1，E2）的所有instance中至少有一個表達了關係R。一般與無向圖模型結合，計算出每個包中置信度最高的樣例，標為正向訓練示例。該假設比遠程監督的假設合理，但可能損失很多訓練樣本，造成有用信息的丟失和訓練的不充分。為了能得到更豐富的訓練樣本，又提出了multi-instance multi-labels的方法。該方法的假設是，同一個包中，一個sentence只能表示（E1，E2）的一種關係，也就是只能給出一個label，但是不同的sentence可以表徵（E1，E2）的不同關係，從而得到不同的label。多label標註的label值不是正或負，而是某一種關係。它為同時挖掘一個實體對的多種關係提供了可能的實現途徑。另一種改進的方法是從一個包中選取多個valid sentences作為訓練集，一般與深度學習方法相結合，這種方法更詳細的講解和實現會安排在後續介紹深度學習模型的章節中。

神馬知識圖譜構建中的關係抽取方法選擇

知識圖譜的數據構建，就數據源而言，分為結構化數據，半結構化數據和無結構數據三類。其中，無結構數據是最龐大、最易獲取的資源，同時也是在處理和利用方面難度最大的資源。神馬知識圖譜構建至今，已經發展為一個擁有近5000萬實體，近30億關係的大規模知識圖譜。在經歷了前期以結構化和半結構化數據為主的領域圖譜構建階段，神馬知識圖譜的數據構建重點已經逐漸轉移為如何準確高效地利用無結構數據進行實體與關係的自動識別與抽取。這一構建策略使得神馬知識圖譜在通用領域的建設和可持續擴增方面有很強的競爭力。

遠程監督演算法利用知識圖譜的已有信息，使得有監督學習中所需的大規模文本標註成為可能。一方面，遠程監督在很大程度上提升了有監督學習關係抽取的規模和準確率，為大規模的知識圖譜數據構建和補充提供了可能；另一方面，遠程監督對現有知識圖譜的數據和規模有較強的依賴，豐富的標註數據對機器學習能力的提升有很大幫助。為了充分利用知識圖譜規模和遠程監督學習這種相輔相成的特性，在神馬知識圖譜的現階段數據構建業務中，我們採用了以圖譜現有的大規模實體與關係數據為依託，以遠程監督演算法為工具的關係抽取技術。

在上一章的綜述中，我們介紹過多種基於遠程監督思想的改進方法。在具體的業務實現中，我們選取了領域內與業務需求最為契合的兩種代表性方法：基於DeepDive的抽取系統和基於深度學習抽取演算法。兩種方法相輔相成，各有優勢：DeepDive系統較多依賴於自然語言處理工具和基於上下文的特徵進行抽取，在語料規模的選擇上更為靈活，能進行有針對性的關係抽取，且能方便地在抽取過程中進行人工檢驗和干預；而深度學習的方法主要應用了詞向量和卷積神經網路，在大規模語料處理和多關係抽取的人物中有明顯的優勢。在下面的章節中，我們來更詳細地了解這兩種方法的實現與應用。

DeepDive系統介紹

DeepDive概述

DeepDive (http://deepdive.stanford.edu/) 是斯坦福大學開發的信息抽取系統，能處理文本、表格、圖表、圖片等多種格式的無結構數據，從中抽取結構化的信息。系統集成了文件分析、信息提取、信息整合、概率預測等功能。Deepdive的主要應用是特定領域的信息抽取，系統構建至今，已在交通、考古、地理、醫療等多個領域的項目實踐中取得了良好的效果；在開放領域的應用，如TAC-KBP競賽、維基百科的infobox信息自動增補等項目中也有不錯的表現。

DeepDive系統的基本輸入包括：

無結構數據，如自然語言文本
現有知識庫或知識圖譜中的相關知識
若干啟發式規則

DeepDive系統的基本輸出包括：

規定形式的結構化知識，可以為關係（實體1，實體2）或者屬性（實體，屬性值）等形式
對每一條提取信息的概率預測

DeepDive系統運行過程中還包括一個重要的迭代環節，即每輪輸出生成後，用戶需要對運行結果進行錯誤分析，通過特徵調整、更新知識庫信息、修改規則等手段干預系統的學習，這樣的交互與迭代計算能使得系統的輸出不斷得到改進。

DeepDive系統架構和工作流程

DeepDive的系統架構如下圖所示，大致分為數據處理、數據標註、學習推理和交互迭代四個流程：

數據處理

1、輸入與切分

在數據處理流程中，DeepDive首先接收用戶的輸入數據，通常是自然語言文本，以句子為單位進行切分。同時自動生成文本id和每個句子在文本中的index。doc_id + sentence_index 構成了每個句子的全局唯一標識。

2、 NLP標註

對於每個切分好的句子，DeepDive會使用內嵌的Stanford CoreNLP工具進行自然語言處理和標註，包括token切分，詞根還原、POS標註、NER標註、token在文本中的起始位置標註、依存文法分析等。

3、候選實體對提取

根據需要抽取的實體類型和NER結果，首先對實體mentions進行定位和提取，而後根據一定的配對規則生成候選實體對。需要特別注意，在DeepDive中，每一個實體mention的標定都是全局唯一的，由doc_id、sentence_index以及該mention在句子中的起始和結束位置共同標識。因此，不同位置出現的同名的實體對（E1，E2）將擁有不同的（E1_id，E2_id），最終的預測結果也將不同。

4、特徵提取

該步驟的目的是將每一個候選實體對用一組特徵表示出來，以便後續的機器學習模塊能夠學習到每個特徵與所要預測關係的相關性。Deepdive內含自動特徵生成模塊DDlib，主要提取基於上下文的語義特徵，例如兩個實體mention間的token sequence、NER tag sequence、實體前後的n-gram等。Deepdive也支持用戶自定義的特徵提取演算法。

數據標註

在數據標註階段，我們得到了候選實體對以及它們對應的特徵集合。在數據標註階段，我們將運用遠程監督演算法和啟發式規則，對每個候選實體對進行label標註，得到機器學習所需的正例和負例樣本。

1、遠程監督

實現遠程監督標註，首先需要從已知的知識庫或知識圖譜中獲取相關的三元組。以婚姻關係為例，DeepDive從DBpedia中獲取已有的夫妻實體對。若候選實體對能在已知的夫妻實體對中找到匹配映射時，該候選對標記為正例。負例的標註針對需要抽取的不同關係有不同的可選方法。例如可以將沒有在知識庫中出現的實體對標註為負例，但在知識庫收入不完整的情況下該方法會引入噪音負例；也可以用知識庫中互斥關係下的實例來做負例標註，例如父母-子女關係，兄弟姐妹關係，都與婚姻關係互斥，用於標註負例基本不會引入噪音。

2、啟發式規則

正負樣本的標註還可以通過用戶編寫啟發式規則來實現。以抽取婚姻關係為例，可以定義如下規則：

Candidates with person mentions that are too far apart in the sentence are marked as false.
Candidates with person mentions that have another person in between are marked as false.
Candidates with person mentions that have words like "wife" or "husband" in between are marked as true.

用戶可以通過預留的user defined function介面，對啟發式規則進行編寫和修改。

3、 Label衝突的解決

當遠程監督生成和啟發式規則生成的label衝突，或不同規則生成的label產生衝突時，DeepDive採用majority vote演算法進行解決。例如，一個候選對在DBpedia中找到了映射，label為1，同時又滿足2中第2條規則，得到label 為-1，majority vote對所有label求和：sum = 1 - 1 = 0，最終得到的label為doubt。

學習與推理

通過數據標註得到訓練集後，在學習與推理階段，Deepdive主要通過基於因子圖模型的推理，學習特徵的權重，並最終得到對候選三元組為真的概率預測值。

因子圖是一種概率圖模型，用於表徵變數和變數間的函數關係，藉助因子圖可以進行權重的學習和邊緣概率的推算。DeepDive系統中，因子圖的頂點有兩種，一種是隨機變數，即提取的候選實體對，另一種是隨機變數的函數，即所有的特徵和根據規則得到的函數，比方兩個實體間的距離是否大於一定閾值等。因子圖的邊表示了實體對和特徵及規則的關聯關係。

當訓練文本的規模很大，涉及的實體眾多時，生成的因子圖可能非常複雜龐大，DeepDive採用吉布斯採樣（Gibbs sampling）進行來簡化基於圖的概率推算。在特徵權重的學習中，採用標準的SGD過程，並根據吉布斯採樣的結果預測梯度值。為了使特徵權重的獲得更靈活合理，除了系統默認的推理過程，用戶還可以通過直接賦值來調整某個特徵的權重。篇幅關係，更詳細的學習與推理過程本文不做展開介紹，更多的信息可參考DeepDive的官網。

交互迭代

迭代階段保證通過一定的人工干預對系統的錯誤進行糾正，從而使得系統的准召率不斷提升。交互迭代一般包括以下幾個步驟：

1、准召率的快速估算

準確率：在P集中隨機挑選100個，看為TP的比例。
召回率：在輸入集中隨機挑選100個positive case，看有多少個落在計算出的P集中。

2、錯誤分類與歸納

將得到的每個extraction failure（包括FP和FN）按錯誤原因進行分類和歸納，並按錯誤發生的頻率進行排序，一般而言，最主要錯誤原因包括：

在候選集生成階段沒有捕獲應捕獲的實體，一般是token切分、token拼接或NER問題
特徵獲取問題，沒能獲取到區分度高的特徵
特徵計算問題，區分度高的特徵在訓練中沒有獲得相應的高分（包括正負高分）

3、錯誤修正

根據錯誤原因，通過添加或修改規則、對特徵進行添加或刪除、對特徵的權重進行調整等行為，調整系統，重新運行修改後的相應流程，得到新的計算結果。

神馬知識圖譜構建中的DeepDive應用與改進

在了解了DeepDive的工作流程之後，本章將介紹我們如何在神馬知識圖譜的數據構建業務中使用DeepDive。為了充分利用語料信息、提高系統運行效率，我們在語料處理和標註、輸入規模的控制、輸入質量的提升等環節，對DeepDive做了一些改進，並將這些改進成功運用到業務落地的過程中。

中文NLP標註

NLP標註是數據處理的一個重要環節。DeepDive自帶的Stanford CoreNLP工具主要是針對英文的處理，而在知識圖譜的應用中，主要的處理需求是針對中文的。因此，我們開發了中文NLP標註的外部流程來取代CoreNLP，主要變動如下：

使用Ali分詞代替CoreNLP的token切分，刪除詞根還原、POS標註和依存文法分析，保留NER標註和token在文本中的起始位置標註。
token切分由以詞為單位，改為以實體為單位。在NER環節，將Ali分詞切碎的token以實體為粒度重新組合。例如分詞結果「華盛頓」、「州立」、「大學」將被組合為「華盛頓州立大學」，並作為一個完整的實體獲得「University」的NER標籤。
長句的切分：文本中的某些段落可能因為缺少正確的標點或包含眾多並列項等原因，出現切分後的句子長度超過一定閾值（如200個中文字元）的情況，使NER步驟耗時過長。這種情況將按預定義的一系列規則進行重新切分。

主語自動增補

數據處理環節的另一個改進是添加了主語自動補充的流程。以中文百科文本為例，統計發現，有將近40%的句子缺少主語。如下圖劉德華的百科介紹，第二段中所有句子均缺少主語。

主語的缺失很多時候直接意味著候選實體對中其中一個實體的缺失，這將導致系統對大量含有有用信息的句子無法進行學習，嚴重影響系統的準確率和召回率。主語的自動補充涉及兩方面的判斷：

主語缺失的判斷
缺失主語的添加

由於目前業務應用中涉及的絕大多數是百科文本，缺失主語的添加採用了比較簡單的策略，即從當前句的上一句提取主語，如果上一句也缺失主語，則將百科標題的NER結果作為要添加的主語。主語缺失的判斷相對複雜，目前主要採用基於規則的方法。假設需要提取的候選對（E1， E2）對應的實體類型為（T1， T2），則判定流程如下圖所示：

具體的主語補充實例和處理過程舉例如下：

以百科文本為例，經實驗統計，上述主語自動補充演算法的準確率大約在92%。從關係抽取的結果來看，在所有的錯誤抽取case中，由主語增補導致的錯誤比例不超過2%。

基於關係相關關鍵詞的輸入過濾

DeepDive是一個機器學習系統，輸入集的大小直接影響系統的運行時間，尤其在耗時較長的特徵計算和學習推理步驟。在保證系統召回率的前提下，合理減小輸入集規模能有效提升系統的運行效率。

假設需要提取的三元組為R（E1， E2）且（E1， E2）對應的實體類型為（T1， T2）。DeepDive的默認運行機制是：在數據處理階段，提取所有滿足類型為（T1，T2）的實體對作為候選，不考慮上下文是否有表達關係R的可能性。例如，抽取婚姻關係時，只要一個句子中出現大於等於兩個的人物實體，該句子就會作為輸入參與系統整個數據處理、標註和學習的過程。以下五個例句中，除了句1，其它4句完全不涉及婚姻關係：

尤其當句中的兩個人物實體無法通過遠程監督獲取正例或負例標籤時，此類輸入無法在學習環節為系統的準確率帶來增益。為減小此類輸入帶來的系統運行時間損耗，我們提出了以下改進演算法：

實驗證明，利用改進演算法得到的輸入集規模有顯著的減小，以百科文本的抽取為例，婚姻關係的輸入集可縮小至原輸入集的13%，人物和畢業院校關係的輸入集可縮小至原輸入集的36%。輸入集的縮小能顯著減少系統運行時間，且實驗證明，排除了大量doubt標註實體候選對的干擾，系統的準確率也有較大幅度的提升。

需要指出的是，雖然在輸入環節通過關係相關關鍵詞進行過濾減小輸入規模，能最有效地提高系統運行效率（因為跳過了包含特徵提取在內的所有後續計算步驟），但該環節的過濾是以句子為單位，而非作用於抽取的候選實體對。來看一個婚姻關係提取的多人物示例：

除了孫楠、那英等表演嘉賓盛裝出席外，擔任本場音樂會監製的華誼兄弟總裁王中磊先生、馮小剛導演和夫人徐帆，以及葛優、宋丹丹、李冰冰等演藝明星也一一現身紅毯，到場支持此次音樂會。

因為含有婚姻關係相關的關鍵詞「夫人」，該句子將被保留為系統輸入。從該句提取的多個人物候選實體對需要依靠更完善的啟發式規則來完成進一步的標註和過濾。

實體對到多實體的擴展

關係抽取的絕大部分任務僅涉及三元組的抽取。三元組一般有兩種形式，一種是兩個實體具有某種關係，形如R（E1， E2），例如：婚姻關係（劉德華，朱麗倩）；另一種是實體的屬性值，形如P（E，V），例如：身高（劉德華，1.74米）。DeepDive默認的關係抽取模式都是基於三元組的。但在實際應用中，有很多複雜的關係用三元組難以完整表達，例如，人物的教育經歷，包括人物、人物的畢業院校、所學專業、取得學位、畢業時間等。這些複雜的多實體關係在神馬知識圖譜中用複合類型來表示。因此，為使抽取任務能兼容複合類型的構建時，我們對DeepDive的代碼做了一些修改，將候選實體對的提取，擴展為候選實體組的提取。代碼修改涉及主抽取模塊中的app.ddlog、底層用於特徵自動生成的DDlib和udf中的map_entity_mention.py、extract_relation_features.py等文件。下圖展示了一個擴展後的實體組抽取實例，抽取關係為（人物、所在機構、職位）：

應用DeepDive的數據構建工作

本節首先給出一個輸入示例以及該示例在DeepDive運行過程中每一步的輸出結果，如下圖所示。通過這個示例，我們可以對DeepDive各模塊的功能和輸出有更直觀的認識。

為了更詳細地了解DeepDive的應用和改進演算法的效果，以下我們給出一個具體的婚姻關係抽取任務的相關運行數據。

下表顯示了該抽取任務在數據處理階段各步驟的的耗時和產出數量：

在數據標註的遠程監督階段，我們除了使用知識圖譜中已有的夫妻關係做正例標註，還使用了已有的父母-子女關係和兄弟姐妹關係做負例標註，得到正例數千個，正負標註候選實體的比例約為1:2。

在DeepDive系統中，遠程監督的wrong label problem可以依靠合理編寫的啟發式規則得到一定程度的糾正。觀察婚姻關係的wrong label樣例，我們發現較大比例的wrong label是夫妻實體以某種合作形式（如合作演出、合作演唱、合作著書等）共現在一個句子中，夫妻實體有一個出現在書名號中時，也容易發生誤判。例如：

類似的觀察和總結可以編寫成啟發式規則，依靠從規則得到的負標註抵償遠程監督得到的正標註，減小系統在學習和推理時的偏差。

雖然啟發式規則的編寫大多依靠專家知識或人工經驗完成，但規則的完善和擴充可以依靠某些自動機制來輔助實現。例如，規則定義：句中出現「P_1和P_2結婚」，則（P_1，P_2）得到正標註。根據對「和」和「結婚」等token的擴展，我們可以得到「P_1與P_2結婚」、「P_1和P2婚後」、「P_1和P_2的婚禮」等類似應該標註為正的語境。這裡，token的擴展可以通過word2vec演算法加人工過濾實現。下表給出了該抽取任務中用到的規則和相應的統計數據。整個數據標註過程耗為14m21s。

學習與推理過程耗時約38m50s。我們隨機截取了部分知識圖譜未收錄的預測實體對的輸出結果展示如下：

對於系統的準確率，我們取expectation為 [0.95,1][0.95,1] 區間內的輸出結果進行分段統計，統計結果如下列圖表所示：

對系統預測的錯誤樣例進行分析，我們總結了幾種錯誤類型，下表按照出現頻率從高到低，給出了錯誤描述和錯誤示例：

系統召回率的計算相比準確率的計算更為複雜，在語料規模較大的情況下，準確估算召回率將耗費大量的人力。我們採用了抽樣檢測的方式來估算召回率，具體實踐了以下三種方法（統計中expectation均取>=0.95）：

抽樣含有某個指定實體的所有sentences，計算召回：含實體「楊冪」的sentences共78例，含（楊冪，劉愷威）實體對的sentences共13例，人工判斷其中9例描述了該實體對的婚姻關係，其中5例被召回，召回率為0.556。
用於遠程監督正例標註的知識圖譜實體對超過4000對，統計表明，其中42.7%的實體對出現在了語料中，26.5%的實體對被召回，召回率為0.621。
輸入集隨機挑選100例positive cases，其中49例的expectation值>=0.95, 召回率為0.49。

基於DeepDive的關係抽取研究目前已較為完整，並已經在神馬知識圖譜的構建業務中落地。目前在數據構建中的應用涉及人物、歷史、組織機構、圖書、影視等多個核心領域，已抽取關係包括人物的父母、子女、兄弟姐妹、婚姻、歷史事件及人物的合稱、圖書的作者、影視作品的導演和演員、人物的畢業院校和就業單位等。以百科全量語料為例，每個關係抽取任務候選sentence集合的規模在80w至1000w，經改進演算法過濾，輸入規模在15w至200w之間，生成的候選實體對規模在30w至500w之間。系統每輪迭代運行的時間在1小時至8小時之間，約經過3-4輪迭代可產出準確率和召回率都較高的數據給運營審核環節。系統運行至今，已累計產出候選三元組近3千萬。

本文作者：游維

本文來自雲棲社區合作夥伴「阿里技術」

更多技術乾貨敬請關注云棲社區知乎機構號：阿里云云棲社區 - 知乎