杜 嘉， 劉思含， 李文浩， 徐嘯迪， 劉旭紅

(北京信息科技大學(xué) 計(jì)算機(jī)學(xué)院， 北京 100101)

0 引 言

煤炭是中國(guó)的重要基礎(chǔ)能源，在使用的能源中占有極大比例。近年來(lái)，煤礦領(lǐng)域的信息量與日俱增，關(guān)于煤礦事故的信息也逐漸積累。在大量的煤礦事故中，含有煤礦事故發(fā)生的原因、解決的方案、責(zé)任的落實(shí)等重要信息，這類(lèi)信息可為預(yù)防煤礦事故再次發(fā)生提供參數(shù)、分析、教訓(xùn)的有效信息。但是由于煤礦領(lǐng)域信息多為無(wú)結(jié)構(gòu)文本，難以直接進(jìn)行有效利用，因此需要以一種更加有效的方式對(duì)煤礦領(lǐng)域，煤礦事故的信息進(jìn)行描述，并進(jìn)一步分析。

知識(shí)圖譜采用可視化技術(shù)來(lái)展示信息的發(fā)展、結(jié)構(gòu)關(guān)系，同時(shí)對(duì)信息之間聯(lián)系進(jìn)行描繪，極大方便了對(duì)信息的分析、利用。

信息抽取是構(gòu)建知識(shí)圖譜的重要步驟。目前信息抽取是自然語(yǔ)言處理領(lǐng)域的一個(gè)重要分支，其任務(wù)是從自然文本中抽取出結(jié)構(gòu)化的信息。關(guān)系抽取是信息抽取研究中的重要內(nèi)容，是構(gòu)建知識(shí)圖譜的重要步驟，實(shí)體關(guān)系抽取的準(zhǔn)確率將極大影響所構(gòu)建的知識(shí)圖譜的質(zhì)量。因此，研究關(guān)系抽取問(wèn)題對(duì)構(gòu)建知識(shí)圖譜有著積極意義。

1 關(guān)系抽取研究現(xiàn)狀

關(guān)系抽取作為信息抽取的重要節(jié)點(diǎn)，一直都是國(guó)內(nèi)外研究的一個(gè)重要方向。在關(guān)系抽取領(lǐng)域，方法繁多。早期關(guān)系抽取僅從模式匹配、詞典等方向去分析。之后不斷發(fā)展，引入了機(jī)器學(xué)習(xí)方法、深度學(xué)習(xí)方法，是目前研究的重點(diǎn)。文獻(xiàn)[1]提出標(biāo)注傳播算法，對(duì)關(guān)系進(jìn)行聚類(lèi)抽取，但噪聲對(duì)最終的準(zhǔn)確率有所影響。2013年，邵堃等[7]采用模式匹配的方法抽取結(jié)構(gòu)化信息，采用動(dòng)態(tài)模式庫(kù)以提高抽取的準(zhǔn)確率，但分詞的結(jié)構(gòu)，專(zhuān)業(yè)詞匯的存在都會(huì)影響到識(shí)別的效果。

機(jī)器學(xué)習(xí)方法分為有監(jiān)督方法、半監(jiān)督方法、無(wú)監(jiān)督方法等。有監(jiān)督的機(jī)器學(xué)習(xí)方法一般將關(guān)系抽取看為一個(gè)分類(lèi)問(wèn)題。也就是對(duì)不同的實(shí)體對(duì)，在不同語(yǔ)句中的關(guān)系分類(lèi)。一般需要提前定義關(guān)系的類(lèi)別。例如條件隨機(jī)場(chǎng)算法[3](Conditional random Field，CRF)、支持向量機(jī)方法[4](Support Vector Machine, SVM)、kNN算法[5]等都是有監(jiān)督的方法，目前被廣泛應(yīng)用于關(guān)系抽取領(lǐng)域，并且取得了出眾的效果。Kambhatla提出最大熵模型[6](Maximum Entropy Model, MEM)，結(jié)合語(yǔ)義特征，句法分析抽取關(guān)系。陳宇利用DBN[7](Deepth Belief Network)證明在中文關(guān)系抽取領(lǐng)域，使用字特征進(jìn)行關(guān)系抽取比使用詞特征進(jìn)行關(guān)系抽取效率更高?；谔卣飨蛄康姆椒▌t將文本信息轉(zhuǎn)化為數(shù)字信息，用啟發(fā)式方法選取特征，準(zhǔn)確率較高。但新的特征越來(lái)越難以尋找，之后的算法效率的提高將更加困難。為了克服基于特征向量方法的缺陷，核函數(shù)概念被引入到機(jī)器學(xué)習(xí)中[8-9]。核函數(shù)方法采用字符串或者句法分析樹(shù)作為算法的輸入信息，通過(guò)計(jì)算輸入信息之間的相似度實(shí)現(xiàn)分類(lèi)效果。核函數(shù)方法解決了部分基于特征向量的方法所遇到的問(wèn)題，提高了關(guān)系抽取的準(zhǔn)確率。但基于核函數(shù)的方法計(jì)算復(fù)雜度較高，并且容易引入噪聲，不適合從大規(guī)模的語(yǔ)料中抽取關(guān)系。半監(jiān)督方法如自舉方法減少了訓(xùn)練過(guò)程中對(duì)標(biāo)注語(yǔ)料的依賴(lài)，降低了人工標(biāo)注的成本，但存在語(yǔ)義漂移問(wèn)題。無(wú)監(jiān)督方法則主要使用聚類(lèi)算法，能夠應(yīng)用于大規(guī)模開(kāi)放性信息領(lǐng)域中，但是難以對(duì)關(guān)系名稱(chēng)進(jìn)行準(zhǔn)確描述。

為了提高關(guān)系抽取的質(zhì)量、效率，本文采用字向量的方式表示文本數(shù)據(jù)，結(jié)合深度學(xué)習(xí)方法，用分類(lèi)的方式抽取實(shí)體關(guān)系。字向量可以更好地表現(xiàn)出文本數(shù)據(jù)中字與字之間的內(nèi)在聯(lián)系，使用深度學(xué)習(xí)的方法，通過(guò)訓(xùn)練過(guò)程學(xué)習(xí)文本數(shù)據(jù)間的聯(lián)系，完成分類(lèi)任務(wù)。

2 煤礦領(lǐng)域?qū)嶓w關(guān)系抽取方法

2.1 實(shí)體關(guān)系抽取框架

實(shí)體關(guān)系抽取建立在實(shí)體抽取的基礎(chǔ)上。煤礦領(lǐng)域?qū)嶓w關(guān)系的抽取問(wèn)題最終轉(zhuǎn)化為對(duì)已知文本中的實(shí)體對(duì)的情況下，根據(jù)文本內(nèi)容對(duì)文本中的實(shí)體對(duì)進(jìn)行分類(lèi)的問(wèn)題。本文采用字向量方法對(duì)文本以及文本中的實(shí)體對(duì)進(jìn)行描述，采用雙向循環(huán)神經(jīng)網(wǎng)絡(luò)加注意力機(jī)制[10]對(duì)實(shí)體對(duì)進(jìn)行分類(lèi)，實(shí)現(xiàn)煤礦領(lǐng)域關(guān)系抽取的方法。方法框架如圖1所示。

具體步驟如下：

從煤礦安全網(wǎng)、煤礦事故網(wǎng)、安全管理網(wǎng)上爬去煤礦事故案例報(bào)道和分析報(bào)告，通過(guò)實(shí)體抽取算法抽取出句子中實(shí)體。

生成(實(shí)體對(duì)，文本)數(shù)據(jù)：根據(jù)抽取出的實(shí)體，結(jié)合該實(shí)體所屬的文本，選擇兩個(gè)實(shí)體E1, E2, 對(duì)應(yīng)的文本S, 從文本中生成(, S)結(jié)構(gòu)的數(shù)據(jù)。

(1)定義實(shí)體對(duì)關(guān)系。將實(shí)體對(duì)的關(guān)系定義為6個(gè)類(lèi)別(見(jiàn)表1)，按照1到6進(jìn)行編號(hào)。

圖1 實(shí)體關(guān)系抽取框架

序號(hào)對(duì)應(yīng)關(guān)系名稱(chēng)具體定義1位置概念實(shí)體之間有如位于/發(fā)生在等關(guān)鍵詞,表明實(shí)體間的位置關(guān)系2責(zé)任一實(shí)體對(duì)另外一個(gè)實(shí)體負(fù)責(zé),或者為領(lǐng)導(dǎo)關(guān)系3分類(lèi)一個(gè)實(shí)體為另一個(gè)實(shí)體的細(xì)分分類(lèi)4發(fā)生實(shí)體之間動(dòng)詞一般為發(fā)生5占有一個(gè)實(shí)體對(duì)另一實(shí)體具有使用、安裝等關(guān)系6其它其它不再上述關(guān)系中的關(guān)系

(2)標(biāo)注數(shù)據(jù)。根據(jù)煤礦領(lǐng)域訓(xùn)練集之間的基本關(guān)系，對(duì)要抽取的關(guān)系進(jìn)行描述，對(duì)實(shí)體對(duì)-文本結(jié)構(gòu)的數(shù)據(jù)進(jìn)行標(biāo)注，并且去除無(wú)意義的數(shù)據(jù)條目，優(yōu)化訓(xùn)練數(shù)據(jù)。標(biāo)注集格式為{,R,S}，表示實(shí)體對(duì)，R為標(biāo)注的關(guān)系，S為包含實(shí)體對(duì)的文本，一般為一個(gè)句子的長(zhǎng)度。

(3)訓(xùn)練網(wǎng)絡(luò)模型。

用字向量表示文本數(shù)據(jù)：

一個(gè)由T個(gè)字組成的句子S=(x1,x2,...,xT)，句子中的字xi(1≤i≤T)可以用一個(gè)向量ei表示。Embedding矩陣W(W∈Rd×|V|),詞匯表V大小|V|和矩陣W的維度相同，句子中的每一個(gè)字xi可以用對(duì)應(yīng)的向量v(大小為|V|)來(lái)表示，向量v是一個(gè)one-hot向量，只有在位置i處的值為1，其余位置的值為0。故向量ei可以通過(guò)如下公式得到：

ei=Wvi(1≤i≤T)

句子S=(x1,x2,...,xT)則可以表示為{e1,e2,...,eT}。

例如：句子S為“救援工人表示，由于井下的水量大，這2臺(tái)排水泵并不能滿(mǎn)足要求，所以正在鋪設(shè)其它水泵、水管”，將每個(gè)字表示為xi，句子S可以表示為S=(x1,x2,...,xT)，與Embedding矩陣相乘后句子S可以表示為S={e1,e2,...,eT}。

最后在神經(jīng)網(wǎng)絡(luò)層之后加入字級(jí)別的Attention機(jī)制，最終得到分類(lèi)結(jié)果。

2.2 字向量+BMGU-Att模型結(jié)構(gòu)

字向量+BMGU-Att模型由輸入層、編碼層、注意力層、輸出層組成。注意力層由編碼層得到的數(shù)據(jù)，根據(jù)對(duì)不同位置的權(quán)重計(jì)算得到輸出，輸出層的分類(lèi)器得到最終的輸出。模型結(jié)構(gòu)如圖2所示。

圖2 字向量+BMGU-Att模型的結(jié)構(gòu)示意圖

2.2.1 輸入層

輸入層采用詞嵌入機(jī)制對(duì)輸入的文本數(shù)據(jù)進(jìn)行降維處理，用字嵌入矩陣和對(duì)應(yīng)位置的字向量相乘得到該字的字向量，最終將經(jīng)過(guò)標(biāo)注的長(zhǎng)度為T(mén)，格式為(實(shí)體對(duì)， 包含該實(shí)體對(duì)的文本)數(shù)據(jù)轉(zhuǎn)化為一個(gè)由T個(gè)字向量描述的數(shù)據(jù)，傳入編碼層。

數(shù)據(jù)由實(shí)體對(duì): 和長(zhǎng)度為T(mén)的文本S，以及實(shí)體對(duì)在文本中的關(guān)系R組成，結(jié)構(gòu)為：, R, S。數(shù)據(jù)為中文文本數(shù)據(jù)，輸入層將每一個(gè)中文字符轉(zhuǎn)化為字向量輸入訓(xùn)練網(wǎng)絡(luò)。

2.2.2 編碼層

編碼層使用BMGU網(wǎng)絡(luò)作為訓(xùn)練網(wǎng)絡(luò)，學(xué)習(xí)輸入數(shù)據(jù)，對(duì)數(shù)據(jù)降維編碼。BMGU網(wǎng)絡(luò)是一個(gè)雙向循環(huán)神經(jīng)網(wǎng)絡(luò)，其中的網(wǎng)絡(luò)單元由MGU單元構(gòu)成。

BMGU模型是基于BRNN(雙向循環(huán)神經(jīng)網(wǎng)絡(luò), Bidirectional RNN，如圖4)算法的改進(jìn)算法，使用MGU單元替換了傳統(tǒng)單元。BRNN是基于RNN(循環(huán)神經(jīng)網(wǎng)絡(luò)如圖3)的改進(jìn)算法，普通的RNN結(jié)構(gòu)中，隱藏單元中的信息傳遞只能從“前”傳到“后”，位于后面時(shí)間步(位置)的單元可以學(xué)習(xí)到前面單元的狀態(tài)信息，但是前面的單元不能學(xué)習(xí)到后面單元的狀態(tài)信息。改進(jìn)后的BRNN模型，在隱藏單元中增加了從后向前傳遞信息的單元，同一個(gè)輸入不僅輸入到正向的RNN單元中，同時(shí)也輸入到反向的RNN單元中，因此BRNN模型中，一個(gè)時(shí)間步(位置)的單元同時(shí)接收到來(lái)自前后單元的狀態(tài)信息。實(shí)際應(yīng)用中，對(duì)文本信息進(jìn)行處理是常常需要考慮到上下文對(duì)當(dāng)前位置的詞或字的影響，因此，采用雙向循環(huán)神經(jīng)網(wǎng)絡(luò)更符合實(shí)際任務(wù)的需求。

圖3 RNN模型結(jié)構(gòu)

圖4 BRNN模型結(jié)構(gòu)

MGU算法由周志華等[11]人于2016年提出。MGU算法是在LSTM(Long-Short Time Memory)算法和GRU(Gate Related Unit)算法的基礎(chǔ)上得出。LSTM算法中具有forgate gate(遺忘門(mén))、input gate(輸入門(mén))、output gate(輸出門(mén))三個(gè)門(mén)，是為了解決RNN算法在訓(xùn)練過(guò)程中發(fā)生梯度下降的問(wèn)題而提出的。GRU結(jié)構(gòu)則是在LSTM的基礎(chǔ)上進(jìn)行簡(jiǎn)化，在解決梯度下降問(wèn)題的同時(shí)也減少了隱藏單元中門(mén)的數(shù)量。GRU中只有2個(gè)門(mén)： update gate(更新門(mén))和 reset gate(重置門(mén))。MGU算法則在此基礎(chǔ)上對(duì)門(mén)的結(jié)構(gòu)進(jìn)行再簡(jiǎn)化，只有一個(gè)門(mén)：forget gate(遺忘門(mén)),其單元結(jié)構(gòu)如圖5所示。

ft=σ(Wf[ht-1,xt]+bf)

(1)

(2)

(3)

圖5 MGU結(jié)構(gòu)

2.2.3 注意力層

注意力機(jī)制近來(lái)被廣泛應(yīng)用在問(wèn)答系統(tǒng)、機(jī)器翻譯、自然語(yǔ)言處理等領(lǐng)域中。本實(shí)驗(yàn)中，在雙向MGU模型的輸出后面使用注意力機(jī)制對(duì)編碼結(jié)果進(jìn)行優(yōu)化。

雙向MGU模型的輸出結(jié)果為一個(gè)矩陣，設(shè)有矩陣w為對(duì)應(yīng)權(quán)重矩陣，α向量為各個(gè)字所應(yīng)該具有的關(guān)注度,r在對(duì)應(yīng)的α下句子的表示，h表示隱藏層的狀態(tài)。具體計(jì)算公式如下：

M=tanh(S)

(4)

α=softmax(wTM)

(5)

r=SαT

(6)

h'=tanh(r)

(7)

最終將h'作為輸出層的輸入。

2.2.4 輸出層

(8)

3 實(shí)驗(yàn)結(jié)果分析

3.1 實(shí)驗(yàn)描述

本文使用的語(yǔ)料為煤礦安全網(wǎng)、煤礦事故網(wǎng)、安全管理網(wǎng)中有關(guān)煤礦管理和煤礦事故分析報(bào)告。經(jīng)過(guò)預(yù)處理之后的實(shí)體對(duì)-文本數(shù)據(jù)共2 M(總計(jì)約20 000條數(shù)據(jù))。其中1.2 M作為訓(xùn)練語(yǔ)料，0.8 M作為測(cè)試語(yǔ)料。實(shí)驗(yàn)中定義了6類(lèi)關(guān)系，6類(lèi)關(guān)系描述見(jiàn)表2、表3。通過(guò)Adam方法控制學(xué)習(xí)率變化，最小學(xué)習(xí)率設(shè)定為0.000 5。

3.2 實(shí)驗(yàn)分析

訓(xùn)練過(guò)程中，使用相同的數(shù)據(jù)，設(shè)置相同的批次大小， 相同的迭代次數(shù)，分別對(duì)以LSTM、MGU、GRU三種RNN單元為核心的模型進(jìn)行訓(xùn)練，記錄訓(xùn)練過(guò)程中的最高準(zhǔn)確率和對(duì)應(yīng)的loss值，具體信息見(jiàn)表2。本文采用的方法和基于LSTM、GRU的方法相比，準(zhǔn)確率基本一致，訓(xùn)練過(guò)程中的準(zhǔn)確率相對(duì)接近，但在訓(xùn)練相同數(shù)量的數(shù)據(jù)時(shí)，使用MGU單元的訓(xùn)練時(shí)間更少，相比使用LSTM單元和GRU單元，本文采用的方法效率較高。

表2 不同模型的訓(xùn)練過(guò)程中的最優(yōu)結(jié)果

表3不同模型在相同數(shù)據(jù)量下訓(xùn)練消耗的時(shí)間對(duì)比

Tab.3Timecomparisonoftrainingconsumptionofdifferentmodelsunderthesameamountofdata

模型名稱(chēng)消耗時(shí)間/minBMGU-Att 13.2BGRU-Att20.15BLSTM-Att18.98

訓(xùn)練過(guò)程中不同模型的accuracy和loss值分別如圖6、圖7所示。

圖6 訓(xùn)練過(guò)程中Accuracy值變化曲線

圖7 訓(xùn)練過(guò)程中Loss值變化曲線

根據(jù)上述圖表中的數(shù)據(jù)，BMGU-Att、 BLSTM-Att、 BGRU-Att三種模型的準(zhǔn)確率相差不大，但BMGU模型的Loss值相對(duì)更小，對(duì)數(shù)據(jù)集擬合度更好。從不同模型占用資源的角度來(lái)看，可以明顯地看到使用MGU作為RNN單元的BMGU-Att模型在訓(xùn)練過(guò)程中所消耗的時(shí)間顯著低于另外2個(gè)模型的訓(xùn)練時(shí)間。因此，在相同情況下，BMGU-Att模型的訓(xùn)練效率更高。使用驗(yàn)證集對(duì)已經(jīng)訓(xùn)練好的BMGU模型進(jìn)行驗(yàn)證，結(jié)果見(jiàn)表4。

表4 BMGU-Att模型的驗(yàn)證結(jié)果

由此可以看出，采用BMGU模型加注意力機(jī)制來(lái)進(jìn)行分類(lèi)，在總分類(lèi)中能夠達(dá)到較好的效果。在各類(lèi)別的分類(lèi)中，識(shí)別率會(huì)有所降低。不同類(lèi)別的Precision、Recall、F1值差別較大，有可能是在訓(xùn)練數(shù)據(jù)中不同類(lèi)別的訓(xùn)練數(shù)據(jù)所占比例不同所導(dǎo)致的。

4 結(jié)束語(yǔ)

本文采用BMGU+Attention模型，以字向量方法對(duì)文本輸入進(jìn)行處理，最終能夠有效對(duì)實(shí)體對(duì)之間的關(guān)系進(jìn)行抽取。通過(guò)實(shí)驗(yàn)，證明了該方法在煤礦領(lǐng)域中進(jìn)行實(shí)體關(guān)系抽取是基本可行的。本文采用人工標(biāo)注的實(shí)體對(duì)-文本數(shù)據(jù)訓(xùn)練模型，在文本數(shù)據(jù)中各個(gè)關(guān)系的數(shù)據(jù)比例不一，最終各個(gè)關(guān)系的分類(lèi)準(zhǔn)確率有一定差距，如何解決這兩個(gè)問(wèn)題是下一步研究的重點(diǎn)。