ACL 2021 | 丁香园知识增强预训练模型
背景
使用预训练模型已经成为大部分NLP任务的标配，因此近年来有大量的工作围绕着如何提高预训练模型的质量。其中，引入外部知识无疑是最热门的话题之一。丁香园NLP联合华师大何晓丰老师团队，在今年的ACL上发表了 SMedBERT 工作。这是在医疗垂直领域下，首次将知识图谱中的医学实体，连同实体关系中的结构化语义信息，同时引入到预训练模型中。利用该预训练模型，在下游包括MRC、语义匹配、NER等任务都带来指标提升。
研究亮点
在过往关于预训练模型（PLMs）的研究中，已经有不少工作讨论了关于引入外部知识的想法。最主要的动机在于，自然语言中蕴含了大量背景知识、逻辑关系等“不可见”的信息。而大型预训练模型的底层逻辑，依然是由“共现”实现的。但现实则是我们往往无法找到足够丰富的文本数据，同时又要求这些文本包含了完备的领域知识，尤其像复杂如医学领域。
另一方面，现有工作大多只利用linked-entity作为辅助知识，而忽略了实体与相邻实体在结构上也存在语义信息。这类结构上的语义对于医学领域尤为重要，观察下方例子：
在医疗领域中，“疾病”、“症状”、“科室” 是最主要的三类实体，它们会由“首诊科室”、“典型症状”、“罕见症状”、“并发症”、“合并症”等关系类型组成大量多对多的实体关系三元组。预训练模型若只使用实体信息，势必会丢失大量图谱结构上的语义信息。
方法
预训练模型 SMedBERT 对于结构信息的捕捉主要由两个创新点实现。首先是 Mention-neighbor Hybrid Attention，它用于获取 linked-entity 的相邻实体信息，分别引入 type-level 和 node-level 的 attention 来学习到相邻实体对于链接实体的重要程度，同时它们将结构化的语义信息融合进了 encoder layer；另一个称为 Mention-neighbor Context Modeling，顾名思义，就是引入链接实体所在文本的上下文信息。不同的是，我们在此处对相邻实体也做了mask处理。以下为整体框架：
模型主要由3个组件构成，T-Encoder处理输入的mention以及挑选最重要的相邻实体，使用的方法是 Personalized PageRank；另外两块包括 K-Encoder 以及 Pre-training Tasks 分别实现了我们前文提到的 attention 和 mask 处理。最终，在训练目标上对mask任务做了融合：
实验结果
关于训练数据，我们收集了约5G的医疗领域中文文本，总tokens数约为30亿。为实验比较，我们选择了OpenKG以及丁香园的医学图谱DXY-KG，embedding部分选用TransR。在验证数据上，选择了ChineseBLUE的四组公开数据集，CHIP-RE，WebMedQA，以及来自丁香园DXY真实应用场景的下游任务数据集 DXY-NER, DXY-RE。
基线模型的选择包括了通用 BERT-base， BERT-wwm，RoBERTa；鉴于在医疗领域内单独优化的预训练模型较少，我们除了选择了 MC-BERT，也使用BERT在我们的医疗数据集上完成pre-train作为补充，标记为 BioBERT-zh；同时，我们也选择了当时SOTA表现的预训练模型 ERNIE-THU 和 KnowBERT 作为对照。
其中，后缀'open'和'med'表示预训练使用公开数据集语料和医疗数据集语料。结果表明下各下游任务中均获得了提升。
另外，我们也比较了不同模型对于实体embdding 的语义相似能力。图中的D1,D2,D3数据集分别表示我们从KG数据集中挑选所有“同义”关系的实体对，作为正样本。对于这些正样本的，根据3种不同程度的邻实体覆盖度来划分（划分依据为Jaccard Index）。D2使用高频重合的实体对，D3使用低频重合的实体对。实验表明，SmedBERT对于更具备结构信息的捕捉能力，尤其在D2数据集中，由于结构信息较丰满，相应提升也更多。
结论
该工作是基于我们对于医疗知识图谱的观察而得出，医学知识的复杂度，需要我们拓宽语义信息获取的来源。本文从“相邻实体”引入语义信息，在下游各项 NLP 任务中得到提升，其中也给我们留下了两个后续可以深度挖掘的角度。第一点是是否可以利用'farher neighboring'的结构信息；第二是长尾低频的医学实体，如何更好的学习到语义表示。
加入我们
丁香园大数据NLP团队招聘各类算法人才，Base杭州。NLP团队的使命是利用NLP（自然语言处理）、Knowledge Graph（知识图谱）、Deep Learning（深度学习）等技术，处理丁香园海量医学文本数据，打通电商、在线问诊、健康知识、社区讨论等各个场景数据，构建医学知识图谱，搭建通用NLP服务。团队关注NLP前沿技术，也注重落地实现，包括但不仅限于知识图谱、短文本理解、语义搜索、可解释推荐、智能问答等。加入我们，让健康更多，让生活更好！
欢迎各位朋友推荐或自荐至 yangbt@dxy.cn