今天给大家介绍2019年6月发表在ACL上的论文“Attention Guided Graph Convolutional Networks for Relation Extraction”，该工作由新加坡科技设计大学StatNLP研究小组完成。该研究提出了一种以全依赖树作为输入的注意力引导图卷积网络（AGGCN）模型。该模型充分利用了依赖树中的信息，以便更好地提取出相关关系。

01研究背景

关系抽取是检测文本中实体之间的关系，它在生物医学文献挖掘方面有着不可或缺的作用。大多数现有的关系抽取模型可以分为两类：基于序列的关系抽取模型和基于依赖关系的关系抽取模型。基于序列的模型仅仅针对单词序列，而基于依赖关系的模型针对整个依赖关系树。因此基于依赖关系的模型更能捕获有用信息，利于关系抽取。为了进一步提高性能，许多学术者还提出了各种剪枝策略来提取依赖信息。

然而，在剪枝的同时，基于规则的剪枝策略可能会删除整个树中的一些重要信息。因此，该文章提出了一种新的注意力引导图卷积网络(AGGCNs)，它直接对全树进行操作。该研究开发了一种“软剪枝”策略，将原始依赖树转换为完全连通带权图。这些图的权重被视为节点之间的相关性强度，并使用自我注意机制以端到端的方式学习。为了对大的连通图进行编码，该研究将密集连接引入GCN模型。在密集连接的帮助下，该研究能够对AGGCN模型进行深度较大的训练，从而能够捕获丰富的局部和非局部依赖信息。最后实验表明，AGGCN模型能够在不增加额外的计算下，学习更好的图形表示，该模型针对各种任务，表现出更好的性能。

02实验模型

AGGCN模型由几个基本组件构成，其模型如图1所示。

图1 带有示例语句及依存关系树的AGGCN模型

2.1 GCNs

GCN是直接在图结构上运行的神经网络。给定具有n个节点的图，用n×n邻接矩阵A表示。将边的方向性纳入模型来扩展GCN，以对依赖树进行编码。树中的每个节点添加一个自环，并包括依赖弧的相反方向，如果存在从节点i到节点j的边，则Aij = 1且Aji = 1，否则Aij = 0且Aji = 0。第l层的节点i的卷积计算输入特征是h(l-1)，输出特征是hi(l)，定义公式如下:

其中W(l)是权重矩阵，b(l)是偏差向量，ρ是激活函数（例如RELU）。hi(0)是初始输入xi，其中xi∈Rd，d是输入特征维度。

2.2 注意引导层

AGGCN模型由M个相同的块组成。每个块由三种类型的层组成：注意引导层、密集连接层和线性组合层。

在注意引导层中，通过构造注意引导邻接矩阵Ã，将原始依赖树转换为完全连通加权图。Ãi对应于完全连通图Gi，每个Ãij是从节点i到节点j的边的权重。Ã可以通过自我注意机制构建，并且可以作为后面的图形卷积层计算的输入。Ã的大小与原始邻接矩阵A（n×n）相同，不涉及额外的计算开销。Ã的计算如下所示：

其中Q和K都等于AGGCN模型的第l-1层的集合表示h(l-1)。WiQ∈Rd×d和WiK∈Rd×d都是参数矩阵。Ã(t)是与第t个头部相对应的第t个注意导向的邻接矩阵。最多可以构造N个矩阵，其中N是一个超参数。

2.3 密集连接层

密集连接从任何一层引入直接连接到其前面的所有层。我们首先将gj(l)定义为初始节点,表示在第1，…，第l-1层中产生的节点表示的级联：

每个密集连接的层都有L个子层，这些子层的维度dhidden由L和输入特征维度d决定。在AGGCN中，作者使用dhidden = d/L。例如，如果密集连接的层具有3个子层，并且输入维为300，则每个子层的维度为dhidden = d/L = 300/3 =100。然后，将每个子层的输出连接在一起，形成新的表示形式。因此，输出维度为300（3×100）。AGGCN模型会随着层数的增加而缩小隐藏维度。

模型有N个不同的注意引导邻接矩阵，因此需要N个单独的密集连接层。因此，该研究将每个层的计算修改如下（对于第t个矩阵Ã(t））：

其中t＝1，...，N。t取决于注意引导邻接矩阵Ã(t)相关联的权重矩阵和偏差项。权重矩阵的列维每个子层增加dhidden，即Wt(l)∈Rdhidden×d(l)，其中d(l)= d + dhidden×(l -1)。

2.4 线性组合层

AGGCN模型只有一个线性组合层，以整合N个不同的密集连接层的表示。线性组合层的输出定义为：

hout是合并N个独立的密集连接层的输出，即hout = [h（1）; ...; h（N）]∈Rd×N。Wcomb∈R（d×N）×d是一个权重矩阵，bcomb是一个用于线性变换的偏差向量。

2.5 用于关系抽取的AGGCNs

关系抽取的目的是预测实体之间的关系。最后该研究将句子表示和实体表示连接起来以获得最终的分类表示。首先，需要获取句子表示形式。计算式为：

其中hmask表示被掩蔽的集体隐藏表示。掩蔽表示我们仅选择句子中的关系标记而不是实体标记。f：Rd×n→Rd×1是最大池化函数，可将n个输出向量映射到1个句子向量。类似地，我们可以获得实体表示。对于第i个实体，其表示hei的计算公式为：

其中，hei表示与第i个实体相对应的隐藏表示。实体表示与句子表示合并形成新的表示。我们将前馈神经网络（FFNN）应用于关系推理中的级联表示：

其中hfinal作为逻辑回归分类器的输入，进行预测。

03实验

3.1 数据

该研究在交叉句子n元关系抽取和句子级关系抽取这两个任务上，评估实验模型性能。对于交叉句子n元关系抽取任务，该实验使用从PubMed中提取的6,987个三元关系实例和6,087个二元关系实例数据集。并考虑了两个特定的评估任务，即，二元类n元关系抽取和多类n元关系抽取。对于句子级关系抽取任务，该研究使用TACRED和Semeval-10 Task8数据集来评估。

3.2 设置

作者在注意引导层选择N个头部（N∈{1,2,3,4}），M个块（M∈{1,2,3}）；在密集连接层选择L个子层（L∈{2,3,4}）。通过初步实验发现（N=2，M=2，L1=2，L2=4，dhidden=340）和（N=3，M=2，L1=2，L2=4，dhidden=300）的时候，分别对应的交叉句子n元关系抽取和句子级关系抽取效果是最好的。文章使用GloVe初始化词向量。

作者用五折交叉验证的平均准确率，来评估交叉句子n元关系抽取任务性能。用TACRED数据集的微观平均F1分数和SemEval数据集的宏观平均F1分数，来评估句子级关系抽取任务性能。

3.3 交叉句子n元关系抽取结果

作者将AGGCN与以这三种为基准模型做了比较：1)基于所有实体对的最短依赖路径特征分类器，2)图结构的LSTM，3)具有剪枝树的图卷积网络模型。对比结果如表1所示：

表1 二类n元和多类n元关系抽取五折交叉验证的平均测试精度

其中“T”表示三元“药物-基因-突变”关系，“B”表示二元“药物-突变”关系。Single表示单个句子内的准确率，Cross表示所有句子的准确率。GCN模型中的K表示预处理的剪枝树距离LCA子树中的依赖路径长度。从表中可以看成，作者提出的AGGCN模型准确率要优于以往所有的模型。

3.4 句子级关系抽取结果

在TACRED数据集中，作者将AGGCN与两种基准模型进行了比较：1)基于依赖关系的模型，2)基于序列的模型。比较结果如表2所示：

表2 TACRED数据集的结果

从表2可以看出，虽然LR模型在精度上有更高的分数，但它的召回率低。虽然PA-LSTM在召回率取得最高的分数，但在其他方面不如AGGCN模型。另外，作者在SemEval数据集上评估的结果如表3所示：

表3 SemEval数据集的结果。

观察两个表可知，无论在哪个数据集上，作者提出的AGGCN模型的F1值始终是最高的。结合这几个实验可得，AGGCN在各种关系抽取任务中都能取得最好的结果。

参考资料

https://www.aclweb.org/anthology/P19-1024/

代码

https://github.com/Cartus/AGGCN