基于BERT模型的領(lǐng)域知識圖譜構(gòu)建研究

郭偉鵬，沈松雨

（1.廣州城市信息研究所有限公司，廣州 510665；2.公安部第三研究所，上海 200031）

2012年5月17日，谷歌公司（Google Inc.）首次提出知識圖譜（Knowledge Graph，KG）的概念，旨在描述客觀世界的概念（Concept）、實體（Entity）、事件（Event）及其之間的關(guān)系（Relation），作為構(gòu)建下一代智能化搜索引擎的核心能力。知識圖譜的本質(zhì)是一種大規(guī)模的語義網(wǎng)絡(luò)。知識圖譜作為新興的人工智能技術(shù)，可以有效地挖掘和分析知識實體間的相互聯(lián)系，從而促進知識的交叉融合[1]。在一個成熟的面向特定領(lǐng)域的知識圖譜中，通常存儲數(shù)十億條實體，數(shù)百億條實體與實體之間的關(guān)系。基于領(lǐng)域知識圖譜，無論用戶輸入該領(lǐng)域相關(guān)何種關(guān)鍵字，知識圖譜均能呈現(xiàn)與該關(guān)鍵字密切相關(guān)的實體及關(guān)系。例如，騰訊公司（Tencent）基于社交數(shù)據(jù)構(gòu)建了社交網(wǎng)絡(luò)空間，將社交網(wǎng)絡(luò)轉(zhuǎn)換為知識圖譜[2]。該圖譜在人與人之間、人與群體之間及群體與群體之間構(gòu)建出復(fù)雜的關(guān)系網(wǎng)絡(luò)，通過某個人的屬性信息，便能夠快速找出所在學(xué)校和社區(qū)相關(guān)人員的關(guān)鍵信息，并研發(fā)出關(guān)系推薦系統(tǒng)，如通過相同好友、地理位置（Geographical Location）或者同群組等關(guān)系，推薦出可能認識的人。

隨著信息技術(shù)的快速發(fā)展，當(dāng)今世界步入信息爆發(fā)性增長的時代[3]，社會治理工作更依賴于大規(guī)模信息檢索與分析技術(shù)。目前諸多單位已經(jīng)積累了大量的具有位置屬性的網(wǎng)格事件數(shù)據(jù)資源。研究表明，80%的人類活動信息與地理位置有關(guān)。這些重要的網(wǎng)格事件數(shù)據(jù)資源普遍具有海量、多源及異構(gòu)的特點。為整合這些異構(gòu)環(huán)境下的海量數(shù)據(jù)資源，提高數(shù)據(jù)價值密度，迫切需要構(gòu)建基于位置數(shù)據(jù)的網(wǎng)格事件領(lǐng)域知識圖譜，以滿足大數(shù)據(jù)環(huán)境下的地址搜索、事件關(guān)聯(lián)及網(wǎng)格員調(diào)度推薦等各類的業(yè)務(wù)需求。基于位置的網(wǎng)格事件數(shù)據(jù)，如何構(gòu)建價值密度較高、知識較為豐富的網(wǎng)格事件領(lǐng)域知識圖譜成為一個難點。

自然語言處理（Natural Language Processing，NLP）是人工智能的核心技術(shù)[4]，實體關(guān)系提取和語義分析均屬于典型的自然語言處理工作。作為人工智能領(lǐng)域重要的研究方向之一，已經(jīng)出現(xiàn)諸多自然語言處理方法和模型。同時，隨著機器學(xué)習(xí)模型算法在各領(lǐng)域的廣泛應(yīng)用，自然語言處理算法顯然已從以規(guī)則為核心逐步發(fā)展為以統(tǒng)計為核心，并且以統(tǒng)計為核心的自然語言處理算法已深入應(yīng)用在命名實體識別、實體關(guān)系提取等典型的自然語言處理工作中。然而，目前常用的自然語言處理算法如CRF條件隨機場、BILSTM雙端長短記憶門等，通常需要大量的人工標(biāo)注樣本作基礎(chǔ)支撐，而這項標(biāo)注樣本工作耗時比較多，這顯然增加了語料生產(chǎn)的人工成本，影響了自然語言處理算法實現(xiàn)的經(jīng)濟可行性。

為解決網(wǎng)格事件領(lǐng)域知識圖譜構(gòu)建過程中標(biāo)注成本高昂的問題，本文將采用BERT（Bidirectional Encoder Representation from Transformers）雙向轉(zhuǎn)換的編碼器遷移學(xué)習(xí)算法模型。BERT模型基于Transoform深度學(xué)習(xí)架構(gòu)，采用注意力機制實現(xiàn)，BERT模型作為預(yù)訓(xùn)練模型的典型被廣泛關(guān)注[5]。BERT模型的核心思想是使用大體量廉價的非標(biāo)注語料進行預(yù)訓(xùn)練（Pre training），實現(xiàn)具有特定領(lǐng)域特征的文本分布式表示的預(yù)訓(xùn)練模型；基于該預(yù)訓(xùn)練模型，僅用少量人工標(biāo)注作輔助語料，便可對預(yù)訓(xùn)練模型進行微調(diào)，進而可解決領(lǐng)域業(yè)務(wù)問題解答的算法模型。本文的研究表明，在網(wǎng)格事件領(lǐng)域，基于BERT預(yù)訓(xùn)練模型在模型訓(xùn)練的準(zhǔn)確率方面表現(xiàn)良好。

1 研究方法

1.1 總體思路

基于多層雙向轉(zhuǎn)換編碼的BERT模型是一種新型的語言處理技術(shù)，該模型通過對每一層的雙向轉(zhuǎn)化器調(diào)節(jié)進行預(yù)訓(xùn)練。BERT模型的出現(xiàn)是自然語言處理領(lǐng)域的一次重大進步，其顯著改變了預(yù)訓(xùn)練過程中詞向量和下游具體自然語言處理任務(wù)之間的關(guān)系。該模型分2個階段，第一階段進行模型預(yù)訓(xùn)練，即采用大體量非標(biāo)注語料作預(yù)訓(xùn)練，獲得文本分布式表示，其結(jié)果和上下文緊密關(guān)聯(lián)；第二階段進行模型微調(diào)（Fine Tuning），即使用訓(xùn)練好的模型遷移學(xué)習(xí)到下游的訓(xùn)練任務(wù)，并采用有標(biāo)注的訓(xùn)練樣本對其進行模型微調(diào)，進而獲得特定領(lǐng)域的知識，減少訓(xùn)練時資源、時間等方面消耗。BERT模型典型體系結(jié)構(gòu)如圖1所示。

圖1 BERT模型典型體系結(jié)構(gòu)

1.2 預(yù)訓(xùn)練

本文采用廣東省信息點數(shù)據(jù)、廣東省地址數(shù)據(jù)、廣東省某轄區(qū)網(wǎng)格事件數(shù)據(jù)構(gòu)建BERT預(yù)訓(xùn)練模型，一方面可以有效降低網(wǎng)格事件領(lǐng)域知識圖譜構(gòu)建過程中，自然語言處理模型人工語料標(biāo)注成本較高問題，另一方面有助于該模型有效推廣到社會治理領(lǐng)域的自然語言處理各種任務(wù)中。

訓(xùn)練過程中采用屏蔽語言模型（Masked Language Model）訓(xùn)練方法，即隨機屏蔽（masked）輸入部分表征（token），在文本段中隨機選擇12%的詞匯用于預(yù)測。被屏蔽的詞匯中70%使用特殊符號[MASKED]替換，15%采用隨機詞替換，剩余15%保持詞匯不變。訓(xùn)練模型依托上下文信息對被屏蔽的詞匯進行預(yù)測，進而使模型可以理解詞語的表征，并進行糾錯工作。具體操作過程見表1。

表1 訓(xùn)練過程說明

1.3 命名實體識別

在社會治理網(wǎng)格事件領(lǐng)域，實體關(guān)系信息蘊含于多源異構(gòu)數(shù)據(jù)中。依據(jù)網(wǎng)格事件管理和決策業(yè)務(wù)需要，在大體量文本數(shù)據(jù)中進行實體與關(guān)系提取，形成用于構(gòu)建網(wǎng)格事件領(lǐng)域知識圖譜的三元組（實體，關(guān)系，實體），為社區(qū)治理中關(guān)系查詢業(yè)務(wù)提供數(shù)據(jù)支撐。

構(gòu)建實體識別模型，需要在訓(xùn)練好的BERT模型末端補充前向網(wǎng)神經(jīng)網(wǎng)絡(luò)層，采用Adam算法優(yōu)化器，并結(jié)合交叉熵損失函數(shù)對模型參數(shù)進行局部微調(diào)。基于BERT的命名實體識別模型結(jié)構(gòu)如圖2所示。

圖2 命名實體識別

1.4 實體關(guān)系識別

在文本關(guān)系提取的業(yè)務(wù)中，重點關(guān)注網(wǎng)格事件和位置信息密切相關(guān)的實體，如人（PERSON）實體、地址（ADDRESS）實體、事件（EVENT）實體、物品（GOODS）實體和車（CAR）實體等。實體之間的關(guān)系包含：居住（LIVE）、發(fā)生（HAPPEN）、擁有（OWN）、丟失（LOST）、落腳（STAY）、歸屬（BELONG）和提交（APPLY）等。在精調(diào)BERT模型過程中，每回合隨機抽取小批量人工標(biāo)注的語料進行模型訓(xùn)練，對模型參數(shù)進行微調(diào)。實體關(guān)系識別如圖3所示。

圖3 實體關(guān)系識別

1.5 知識圖譜構(gòu)建過程

對本文數(shù)據(jù)進行基于BERT模型算法的預(yù)訓(xùn)練，預(yù)訓(xùn)練過程使用人工標(biāo)注語料精調(diào)后，提取一個實體、關(guān)系并進行語義解析，形成實體—關(guān)系—實體三元組，定期三元組數(shù)據(jù)持久化到圖數(shù)據(jù)庫（Neo4j）中，開發(fā)面向?qū)嶓w、關(guān)系的圖譜檢索服務(wù)，便可對網(wǎng)格事件管理起到?jīng)Q策支持作用。本文采用的領(lǐng)域知識圖譜構(gòu)建過程如圖4所示。

圖4 領(lǐng)域知識圖譜構(gòu)建

1.6 實驗

1.6.1 實驗環(huán)境

本研究的實驗環(huán)境見表2。

表2 實驗環(huán)境

1.6.2 實驗結(jié)果

本研究實驗結(jié)果見表3。

表3 實驗結(jié)果

1.6.3 網(wǎng)格事件知識圖譜示例

本研究構(gòu)建的面向用于社會治理的網(wǎng)格事件領(lǐng)域知識圖譜示例中共包含6種實體，12種關(guān)系。實體包括人員（PERSON）實體、地址（ADDRESS）實體、事件（EVENT）實體、物品（GOODS）、車輛（CAR）及電話（phone）；關(guān)系包括居住（LIVE）、發(fā)生（HAPPEN）、擁有（OWN）、丟失（LOST）、落腳（STAY）、歸屬（BELONG）、提交（APPLY）、關(guān)聯(lián)（LINK）、同住（COHABIT）、同行（PEER）、親屬（RELATIVES）及密接（TIGHT JOINT）。本文實驗結(jié)果部分成果示例如圖5所示。

圖5 領(lǐng)域知識圖譜成果示例（查詢車，深度3）

2 結(jié)論

實驗結(jié)果表明，本文面向社會治理層面的網(wǎng)格事件管理，本文提出基于預(yù)訓(xùn)練模型（Bidirectional Encoder Representations from Transformers，BERT）的命名實體識別方法[6]和領(lǐng)域知識圖譜構(gòu)建技術(shù)，在實體提取、關(guān)系提取等自然語言處理（NLP）任務(wù)中可獲得良好的效果，基于圖數(shù)據(jù)庫存儲在關(guān)系存儲和表達方面也更為直觀。該模型在區(qū)別于訓(xùn)練樣本格式的文本數(shù)據(jù)處理中同樣獲得較好的識別支持率，具備較強的社會治理賦能領(lǐng)域進一步泛化賦能。