东莞招聘信息网不同类型网站优化

原文链接：

https://aclanthology.org/2023.acl-long.698.pdf

ACL 2023

介绍

        问题

        目前将prompt方法应用在ner中主要有两种方法：对枚举的span类型进行预测，或者通过构建特殊的prompt来对实体进行定位。但作者认为这些方法存在以下问题：1）时间开销和计算成本较高；2）需要精确的设计模板，难以在实际场景中应用。

        IDEA

        因此作者提出了一种双插槽的prompt模板来分别进行实体定位和分类，模型可以同时处理多个prompt，通过对每个prompt中的插槽进行预测来提取所有的实体。

        如下图所示，（a）表示根据实体类别构造prompt的方法；（b）表示根据span构造prompt的方法；（c）表示作者所提出的双插槽方法。

方法

         整体的结构如下图所示：

Prompt Construction

        模型的输入由两部分组成：M个prompt和句子X。具体的，当输入的句子x=“Jobs was born in San Francisco”，则输入序列就表示为T：

        i表示第i个prompt，pi和Ti分别表示实体的位置和类别，M表示prompt的数量，通过对每个prompt中对应的位置进行解码来提取实体。

Prompt Locating and Typing

Encoder

         使用bert对T进行编码后，通过位置索引得到句子X与两个插槽的编码 ：

        这里作者为了对句子进行独立于prompt的编码（为啥要进行独立编码？好像是为了不让prompt对句子产生影响 实验证明这样的效果会好一点点），通过一个n*k（k表示prompt序列的长度）的左下角掩码矩阵来阻断prompt对句子的注意。

        为了增强不同prompt之间的交互，作者设计了一个额外的prompt交互层，每层中包括插槽之间的自注意力以及句子和插槽的交叉注意力（q是插槽，key和value是句子），即位置和类别两种插槽的最终表示为：

Entity Decoding 

         通过对prompt中的position slot（位置插槽）和type slot（类别插槽）进行解码得到最终的实体。

        具体的，对于第i个prompt，将其type slot 送入一个分类器得到其属于不同类别的可能性：

        对于实体的位置，转化为确定第j个词是第i个prompt所预测实体的起始词还是结束词。首先将position slot 送入一个线性层，然后与句子中每个单词的表征进行相加得到融合表征，对其进行二分类，得到第j个词是第i个prompt预测实体的左右边界概率：

        最后，m个prompt所预测出的实体可以表示为：

        在推理时，同一实体跨度选择分数最高的类别。 

Dynamic Template Filling 

         由于prompt和实体之间没有确切的对应关系，也就不能提前为其分配标签。因此，将插槽视为一个线性分配问题，按最小代价原则进行分配。作者提出了一种动态模板匹配机制，在实体和prompt之间进行二部图匹配。

        gold entity表示为， 其中k表示实体的数量，分别表示第i个实体的左右边界和类别。即与prompt对应的最佳匹配为：

        其中第i个实体与第θ（i）个prompt之间匹配的代价为（这里没看懂这个计算公式，文中也没有进一步说明，预测的实体与真实实体相乘？）：

         但传统的二方图匹配算法是一对一的，即一个实体只能分配给一个prompt，这就会导致部分prompt匹配到空集，降低了训练效率。因此作者将其扩展到了一对多的情况，在预定义好的下限值U下重复gold entity来扩充Y，实现一个实体能分配给多个prompt。

        模型的loss由以下两部分的loss组成：

实验

对比实验

        在ACE04、ACE05、Conll03这三个数据集上进行实验，结果如下所示：

域内Few-shot

         领域内few-shot场景下的实验结果如下图所示：

        对conll03数据集进行下采样，使得这四个类别的样本数分别为：3763、2496、100、100.

跨域Few-shot

         模拟跨领域few-shot的情况进行实验，在conll03数据集上进行预训练，然后迁移到MIT Movie、MIT Restaurant和ATIS这三个数据集的部分样本上（10、20表示每个类别的样本数）进行实验，结果如下图所示：

        作者认为由于promptNER分别对位置和类别进行预测，适用于语法一致而语义不一致的跨域场景。

消融实验 

         作者对模型的主要模块进行了消融实验，结果如下所示：

        消融设置：

        1）根据实体出现的顺序来分配给prompt；

        2）不进行标签的扩充，比如使用传统的一对一二部图匹配；

        3）使用原始的bert用于对句子和prompt进行编码

        对不同的prompt模板也进行了实验，结果如下所示：

Inference Efficiency

        对于有N个单词、C个类别的句子，基于实体类型和span的promt方法分别需要运行C和N(N-1)次，以自回归生成实体序列的方法需要运行T步（实体的长度）才能获得所有的实体。

        而PromptNER只需要运行一次就能得到所有的实体。在conll03数据集上进行推理速度的实验，结果如下所示：

总结

        之前用在ner上的prompt都是对实体位置和类别分开进行的，这是第一篇（我读到的） 用这种两个slot的方法来对实体及其类别分别进行处理。（但是感觉这样没有语义上的可理解性，也不太符合预训练任务，因为感觉一句话后面也不会直接接上实体）第二个创新点感觉标签动态分配那一块没有讲清楚，很多方法都是使用这种动态分配标签的方法，而去作者扩展为一对多的方式竟然是直接复制，有点过于简单了，真的。但是作者做的相关实验很充分！

        另外，作者对prompt的模板进行了消融实验，其实这三种prompt相差都不大，感觉都差不多，只是[pi][Ti]这种模板附加信息更少，不会超出bert的最大长度。不过可以借鉴作者做的推理效率那一块的实验。