内容简介:笔记整理:杨帆,浙江大学硕士,研究方向知识图谱.
笔记整理:杨帆,浙江大学硕士,研究方向知识图谱.
论文链接 : https://arxiv.org/pdf/1611.01628.pdf
动机
Referring expression ( RE )在自然语言中十分常见,并且在信息交流中扮演了十分重要的角色,但是之前的工作并没有在语言模型中明确地引入 RE ,作者在这篇论文中明确对 RE 建模,将其纳入语言模型之中,用以提高文本生成的表现。
贡献
1. 提出了对自然语言中的 reference (引用)进行建模的框架
2. 提出了第一个对引用建模的神经模型,可以根据上下文生成引用的具体表现形式
3. 在三个数据集上对模型进行综合评估,验证了提出的模型比 baseline 表现更好
模型
和传统的语言模型相比不同的是,作者在每个位置引入了一个随机变量 z_i ,用以决定该位置如何生成相应的单词,形式化的条件概率如下:
其中 z_i 在不同的上下文中有着不同的含义。作者分别从三项具体的任务出发详细阐述了对应的模型,分别为 1 ) referenceto lists 2 ) referenceto databases 3 ) referenceto document context 。
1)Reference to lists
该项任务主要考虑引用一个列表中的元素,这种任务有着很广泛的应用,比如根据文本生成对应文档,作者此处以根据食材生成食谱为例。
首先利用 encoder 对 list 中各个元素(食材)编码,将最后的输出作为 decoder 的初始输入,然后将 decoder 的每个输出与 list 中所有项目做 attention 得到 ,再利用 decoder 输出和 attention 值生成 以及传统 sequence to sequence 模型的输出 。 可以看作一个开关,用于控制下一个单词是从 list 中复制还是根据 softmax 生成,而和 分别对应最终生成的单词。具体的计算过程如下:
2)Reference to databases
此类任务基础框架和前一项任务相同,但是外部数据源从列表变为了表格(数据库),则通过下列过程生成。
3)Reference document context
该项任务旨在生成文本时生成对前文出现的实体的引用,当 z_i =0,下一个单词通过 softmax 生成,当 z_i =1 ,下一个单词根据 h_e 生成,此处与前两项任务不同的是,前两项任务从外部数据源(列表或数据库)直接复制,而该任务是前文出现的实体变换之后得到对应的单词,概率形式如下:
其中 h_e 是一个动态维护的前文出现的实体集合,当出现新的实体,则将其加入至集合之中,当实体已在集合中出现,则用其新的表示替换旧的表示,示意图如下:
实验
上述三个表格分别对应三项任务的实验结果,可以看出在语言模型中引入 RE 的确提升了文本生成的性能表现。
OpenKG
开放知识图谱(简称 OpenKG)旨在促进中文知识图谱数据的开放与互联,促进知识图谱和语义技术的普及和广泛应用。
点击 阅读原文 ,进入 OpenKG 博客。
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。