知識(shí)圖譜自動(dòng)化構(gòu)建的探索與挑戰(zhàn)｜論文分享

達(dá)觀數(shù)據(jù)

知識(shí)圖譜的自動(dòng)化構(gòu)建是知識(shí)圖譜中具有極強(qiáng)挑戰(zhàn)性且巨大應(yīng)用價(jià)值的技術(shù)方向。就實(shí)體抽取技術(shù)，達(dá)觀數(shù)據(jù)副總裁、上海市人工智能技術(shù)標(biāo)準(zhǔn)委員會(huì)委員王文廣提到“狹義的實(shí)體抽取，即命名實(shí)體識(shí)別（NER）技術(shù)發(fā)展至今已較為成熟，能夠很好地抽取出人名、地名、機(jī)構(gòu)名等少數(shù)類(lèi)型的實(shí)體。但在知識(shí)圖譜實(shí)際應(yīng)用中，則需要抽取出各式各樣各不相同的廣義實(shí)體，比如金融業(yè)中的產(chǎn)品名稱、品牌名、業(yè)務(wù)名、風(fēng)險(xiǎn)提示、觀點(diǎn)等，制造業(yè)中的失效模式、失效現(xiàn)象、工藝、設(shè)備、零部件、物料、方法、故障原因、改善措施等，商業(yè)中的產(chǎn)品、功能、特點(diǎn)、適合人群、搭配方法等等。抽取出這些廣義實(shí)體的挑戰(zhàn)巨大?！标P(guān)系抽取技術(shù)也同樣問(wèn)題多挑戰(zhàn)大，已有關(guān)系抽取大多基于實(shí)體對(duì)之間共現(xiàn)，而現(xiàn)實(shí)復(fù)雜的場(chǎng)景中，實(shí)體對(duì)共現(xiàn)既可能不存在任何關(guān)系，可能存在萬(wàn)千種的關(guān)系，這就造成了關(guān)系抽取的難題。此外，在知識(shí)圖譜構(gòu)建中，還涉及實(shí)體消歧、實(shí)體融合等方面的技術(shù)要求。

除了技術(shù)發(fā)展本身并不成熟之外，在實(shí)際場(chǎng)景中還遇到樣本少的問(wèn)題。在真實(shí)落地的項(xiàng)目或產(chǎn)品中， 往往存在標(biāo)注樣本少的問(wèn)題，其原因即可能是標(biāo)注成本高導(dǎo)致樣本少，也可能是本身樣本就少，無(wú)法獲得大規(guī)模的標(biāo)注樣本。這方面王文廣深有體會(huì)，他提到“在很多場(chǎng)景下，總的文檔數(shù)量有幾千或幾萬(wàn)份，對(duì)于具體某些類(lèi)型的實(shí)體或關(guān)系來(lái)說(shuō)則文檔數(shù)量更少。在這種情況下要做好知識(shí)圖譜的構(gòu)建，是極大的挑戰(zhàn)，也是在實(shí)際落地中必須綜合使用十八般武器，逢山開(kāi)路遇水搭橋，使用最新的技術(shù)結(jié)合業(yè)務(wù)經(jīng)驗(yàn)、專家規(guī)則等來(lái)解決這些問(wèn)題?！?/p>

為了促進(jìn)知識(shí)圖譜自動(dòng)化構(gòu)建技術(shù)的進(jìn)一步發(fā)展，達(dá)觀數(shù)據(jù)在CCKS2020（2020全國(guó)知識(shí)圖譜與語(yǔ)義計(jì)算大會(huì)）組織了金融研報(bào)知識(shí)圖譜的自動(dòng)化構(gòu)建的算法競(jìng)賽。競(jìng)賽選擇了樣本豐富但復(fù)雜度較高的金融研報(bào)文檔作為知識(shí)的來(lái)源，根據(jù)金融投研領(lǐng)域常見(jiàn)的需求，設(shè)計(jì)了簡(jiǎn)化版的知識(shí)圖譜模式，并標(biāo)注了大規(guī)模的金融研報(bào)知識(shí)圖譜數(shù)據(jù)集FR2KG。競(jìng)賽任務(wù)從預(yù)定義的知識(shí)圖譜模式和少量的種子知識(shí)圖譜開(kāi)始，從非結(jié)構(gòu)化的金融研報(bào)文本中抽取出符合知識(shí)圖譜模式的實(shí)體、關(guān)系和屬性值， 并進(jìn)行適當(dāng)?shù)膶?shí)體消歧和實(shí)體融合，構(gòu)建出知識(shí)圖譜，并使用FR2KG來(lái)評(píng)估競(jìng)賽參賽隊(duì)伍所提交的結(jié)果。

金融研報(bào)是各類(lèi)金融研究結(jié)構(gòu)對(duì)宏觀經(jīng)濟(jì)、金融、行業(yè)、產(chǎn)業(yè)鏈以及公司的研究報(bào)告，是金融行業(yè)中最為復(fù)雜、多樣的文檔。報(bào)告通常是專業(yè)人員撰寫(xiě)，對(duì)宏觀、行業(yè)和公司的數(shù)據(jù)信息搜集全面、研究深入，質(zhì)量高，內(nèi)容可靠。報(bào)告內(nèi)容往往包含產(chǎn)業(yè)、經(jīng)濟(jì)、金融、政策、社會(huì)等多領(lǐng)域的數(shù)據(jù)與知識(shí)，是構(gòu)建行業(yè)知識(shí)圖譜非常關(guān)鍵的數(shù)據(jù)來(lái)源。另一方面，由于研報(bào)本身所容納的數(shù)據(jù)與知識(shí)涉及面廣泛，專業(yè)知識(shí)眾多，不同的研究結(jié)構(gòu)和專業(yè)認(rèn)識(shí)對(duì)相同的內(nèi)容的表達(dá)方式也會(huì)略有差異。這些特點(diǎn)導(dǎo)致了從研報(bào)自動(dòng)化構(gòu)建知識(shí)圖譜困難重重，解決這些問(wèn)題則能夠極大促進(jìn)自動(dòng)化構(gòu)建知識(shí)圖譜方面的技術(shù)進(jìn)步。同時(shí)所構(gòu)建的圖譜在大金融行業(yè)、監(jiān)管部門(mén)、政府、行業(yè)研究機(jī)構(gòu)和行業(yè)公司等應(yīng)用非常廣泛，如風(fēng)險(xiǎn)監(jiān)測(cè)、智能投研、智能監(jiān)管、智能風(fēng)控等，具有巨大的學(xué)術(shù)價(jià)值和產(chǎn)業(yè)價(jià)值。

數(shù)據(jù)集

達(dá)觀數(shù)據(jù)所構(gòu)建的大規(guī)模金融研報(bào)知識(shí)圖譜數(shù)據(jù)集FR2KG是用于評(píng)測(cè)知識(shí)圖譜自動(dòng)化構(gòu)建技術(shù)的專業(yè)數(shù)據(jù)集，是當(dāng)前最大規(guī)模的中文金融研報(bào)知識(shí)圖譜。下圖是數(shù)據(jù)集構(gòu)建過(guò)程示意圖

FR2KG的知識(shí)圖譜模式包含10個(gè)實(shí)體類(lèi)型，19個(gè)關(guān)系類(lèi)型和6種屬性，如下圖所示。

構(gòu)建好的金融研報(bào)知識(shí)圖譜數(shù)據(jù)集FR2KG包含17,799實(shí)體，26,798關(guān)系三元組，1,328屬性三元組，SeedKG和EvaluationKG的數(shù)據(jù)情況如下圖所示。

下圖是數(shù)據(jù)集的樣例，使用達(dá)觀數(shù)據(jù)淵海知識(shí)圖譜平臺(tái)可視化：

目前數(shù)據(jù)集已經(jīng)發(fā)布在SCIDB和OpenKG上，歡迎大家前往下載。在使用數(shù)據(jù)集進(jìn)行研究時(shí)請(qǐng)引用本論文。

文章：Data Set and Evaluation of Automated Construction of Financial Knowledge Graph

作者：王文廣，徐永林、杜春輝、陳運(yùn)文、王逸捷、文輝

引用: Wang, W.G., et al.: Data set and evaluation of automated construction of financial knowledge graph. Data Intelligence 3(3), 418-443 (2021). doi: 10.1162/dint_a_00108

競(jìng)賽技術(shù)回顧

本次評(píng)測(cè)一共有740個(gè)隊(duì)伍報(bào)名，其中F1分?jǐn)?shù)最高的18支隊(duì)伍中，有3支隊(duì)伍來(lái)自企業(yè)，10支隊(duì)伍來(lái)自高校，3支隊(duì)伍高校和企業(yè)的組合，另外2支隊(duì)伍未透露相關(guān)信息。本次評(píng)測(cè)的top5隊(duì)伍都梳理并提交了他們所使用的方法的簡(jiǎn)要說(shuō)明，下文對(duì)這些方法和說(shuō)明進(jìn)行分析總結(jié)。

所有隊(duì)伍都使用了規(guī)則或者labelling function來(lái)生產(chǎn)訓(xùn)練樣本，只有一個(gè)隊(duì)伍在自動(dòng)生成樣本之外，又額外人工標(biāo)注了20份的研報(bào)來(lái)作為補(bǔ)充和驗(yàn)證的訓(xùn)練樣本。

所有隊(duì)伍在實(shí)體抽取中都使用了基于BERT的模型，并且在模型之外也都使用了基于規(guī)則的方法來(lái)對(duì)特定的實(shí)體類(lèi)型進(jìn)行補(bǔ)充。

在關(guān)系和屬性抽取方面，所有的隊(duì)伍都使用了基于共現(xiàn)的方法，共現(xiàn)是遠(yuǎn)程監(jiān)督的基本假設(shè)，也就是說(shuō)，當(dāng)兩個(gè)實(shí)體共同出現(xiàn)在一個(gè)較短的一段文本時(shí)，即可假設(shè)它們存在符合相應(yīng)的關(guān)系。在基于共現(xiàn)的假設(shè)之上，三支隊(duì)伍使用了規(guī)則來(lái)判斷是否真正存在這種關(guān)系，另外兩只隊(duì)伍使用了基于BERT的模型來(lái)對(duì)關(guān)系進(jìn)行分類(lèi)。

其中一支隊(duì)伍使用了聚類(lèi)的方法來(lái)將相似或相同主題的研報(bào)給聚在一起，對(duì)研報(bào)進(jìn)行了預(yù)處理。

知識(shí)圖譜自動(dòng)化構(gòu)建的挑戰(zhàn)

從本次基于知識(shí)圖譜模式的自動(dòng)化構(gòu)建知識(shí)圖譜評(píng)測(cè)的結(jié)果來(lái)看，單純使用算法來(lái)構(gòu)建完全自動(dòng)化地構(gòu)建知識(shí)圖譜，尚存在較多挑戰(zhàn)，這里總結(jié)了一些具有相當(dāng)挑戰(zhàn)性的課題和研究方向：

在給定知識(shí)圖譜模式和種子知識(shí)圖譜來(lái)自動(dòng)化的構(gòu)建知識(shí)圖譜上，現(xiàn)有的方法效果都不太好，如何實(shí)現(xiàn)端到端或者多步的框架實(shí)現(xiàn)知識(shí)圖譜的完全自動(dòng)化構(gòu)建是值得繼續(xù)探索的。

通過(guò)知識(shí)圖譜及其對(duì)應(yīng)的Schema如何實(shí)現(xiàn)自動(dòng)化標(biāo)注語(yǔ)料是一個(gè)值得研究的課題，能夠?qū)崿F(xiàn)高精度的自動(dòng)化標(biāo)注語(yǔ)料可以帶來(lái)更好的抽取模型。此外，自動(dòng)化標(biāo)注語(yǔ)料方面的評(píng)測(cè)也是一件非常有意義的事情。

實(shí)體抽取方面，評(píng)測(cè)的優(yōu)秀選手都使用了基于BERT的模型，再加上基于規(guī)則的方法來(lái)實(shí)現(xiàn)，在這種真實(shí)的場(chǎng)景且計(jì)算力資源受限的情況下，如何在少量語(yǔ)料的情況下實(shí)現(xiàn)高精度的抽取。

關(guān)系和屬性抽取與識(shí)別上，目前集中在采用短文本內(nèi)共現(xiàn)并過(guò)濾的方法來(lái)實(shí)現(xiàn)，這極大的依賴于實(shí)體抽取的F1分?jǐn)?shù)，高precision和高recall的實(shí)體抽取決定了關(guān)系和屬性抽取有好的效果。那么如何在噪聲較多，即不那么高的情況下來(lái)實(shí)現(xiàn)好的關(guān)系和屬性抽??？

本次評(píng)測(cè)沒(méi)有看到使用端到端的實(shí)現(xiàn)實(shí)體和關(guān)系聯(lián)合抽取的模型，可能的原因是實(shí)體和關(guān)系類(lèi)型較多且沒(méi)有大量的語(yǔ)料，那么在這種情況下如何開(kāi)發(fā)出端到端的模型也是非常具有挑戰(zhàn)性的課題。

當(dāng)Schema的規(guī)模進(jìn)一步擴(kuò)大時(shí)，比如50種實(shí)體類(lèi)型，數(shù)百種的實(shí)體屬性和實(shí)體間的關(guān)系，對(duì)這樣的知識(shí)圖譜研究其自動(dòng)化構(gòu)建是一個(gè)兼具挑戰(zhàn)性與現(xiàn)實(shí)意義的課題。

多語(yǔ)言的知識(shí)圖譜自動(dòng)化構(gòu)建技術(shù)的研究。本次評(píng)測(cè)集中在中文，以及中文中存在的少量英文的情況，特別的，沒(méi)有涉及到多語(yǔ)言之間實(shí)體融合的情況。但在真實(shí)場(chǎng)景下，多語(yǔ)言語(yǔ)料以及構(gòu)建多語(yǔ)言圖譜是非常重要的。這涉及了多方面的內(nèi)容，包括多語(yǔ)言的實(shí)體、關(guān)系和屬性的抽取，多語(yǔ)言之間實(shí)體的融合等等方面技術(shù)的研究。同時(shí)，組織多語(yǔ)言知識(shí)圖譜自動(dòng)化構(gòu)建方面的評(píng)測(cè)也是非常有意義的事情。

本次評(píng)測(cè)中隱含著少量實(shí)體的消歧與融合，這塊沒(méi)有顯性的進(jìn)行評(píng)測(cè)，未來(lái)可以將這塊明確的表達(dá)出來(lái)，以促進(jìn)相關(guān)領(lǐng)域的研究。