论文地址：https://arxiv.org/abs/1909.07606v1
项目地址：https://github.com/autoliuweijie/K-BERT
摘要
BERT虽然能够从大规模的语料库中捕获通用的语言表示信息，但是缺少特定领域的知识。针对这一点，论文中的作者提出了融入知识图谱（KGs）的K-BERT模型，作者是通过将三元组注入到句子中作为特定的知识。但如果融入太多的知识可能会使原句子偏离正确的语义，称之为知识噪声（KN）问题。为了解决此问题，作者引入了软位置和可视化矩阵来限制知识对原句子的影响。
引言
当阅读领域的文本时，普通人只能根据上下文来理解，但是专家有能力借助相关的领域知识来进行推断。因此作者打算预训练一个包含特定领域知识的模型。
如果KG可以集成到LR（语言表示）模型中，它将为模型配备领域知识，从而提高模型在特定领域任务上的性能，同时减少大规模的预训练成本。此外，生成的模型具有更大的可解释性，因为注入的知识可以手动编辑。
- 知识注入中遇到的两个挑战：
（1）Heterogeneous Embedding Space（异构嵌入空间） (HES):文本中单词的嵌入向量和KG中的实体的获取向量是分开的，这使得它们的向量空间不一致。
（2）Knowledge Noise（知识噪声） (KN):过多的知识融入会改变原句的语义。
因此作者提出了K-BERT模型，它能够加载预训练的BERT模型，还能够轻松的将领域知识注入到模型中。
- 主要贡献：
（1）K-BERT，与BERT兼容并且在融入领域知识时没有异构嵌入空间问题和知识噪声问题。
（2）精细地融入了知识，使K-BERT模型无论是在开放领域还是特地领域任务中，都比BERT模型取得了更优异的结果。
（3）开源地址：https://github.com/autoliuweijie/K-BERT
模型结构
如上图所示，与其他RL模型相比，K-BERT配备了可编辑的KG，可以适应其应用领域。模型包含知识层、嵌入层、可见层、掩盖-转换编码器层。对于输入句子，知识层首先从KG中将相关的三元组注入到句子中，将原始句子转换成具有丰富知识的句子树。然后将句子树同时输入嵌入层和查看层，然后转换为标记级别的嵌入表示和可见矩阵。可见矩阵用于控制每个标记的可见区域，防止由于注入的知识过多而改变原始句子的含义。
知识层
用于将知识注入句子和句子树的转换。给定输入句子：s = [w0,w1,w2, …, wn] 和 一个KG记为K，然后生成句子树t =[w0,w1, …, wi[(ri0,wi0), …,(rik,wik)], …, wn].
首先在KG中查询输入句子中所有实体的三元组E
E = [ (wi,ri0,wi0), …,(wi,rik,wik)]
接下来，K-Inject通过将E中的三元组注入到其对应位置，将查询到的E注入到句子s中，并生成句子树t。 t的结构如图3所示。
嵌入层
与BERT相似，K-BERT的嵌入表示形式是三个部分的总和：标记嵌入，位置嵌入和段嵌入，但不同之处在于K-BERT的嵌入层的输入是句子树而不是标记序列。因此，如何在保留句子结构信息的同时将句子树转换为序列是K-BERT的关键。
K-BERT和BERT的标记嵌入之间的区别在于，在嵌入操作之前，句子树中的标记需要重新排列。在我们的重新安排策略中，将分支中的标记插入到相应的节点之后，而将后续标记向后移动。如图2所示的示例，句子树被重新排列为“Tim Cook CEO Apple is visiting Beijing capital China is a City now”。尽管此过程很简单，但它使句子不可读并丢失了正确的结构信息。幸运的是，它可以通过软位置和可见矩阵来解决。
软位置嵌入
以图2中的句子树为例，重新排列后，在[Cook]和[is]之间插入了[CEO]和[Apple]，但是[is]的主题应该是[Cook]，而不是[Apple]。要解决此问题，我们只需将[is]的位置号设置为3而不是5。因此，在计算变压器编码器中的自注意力得分时，[is]会位于[Cook]的下一个位置相等的。但是，出现了另一个问题：[is]和[CEO]的职位号都为3，这使得他们在计算自我注意力时的位置接近，但实际上它们之间没有任何联系。解决此问题的方法是屏蔽自我注意，将在下一部分中介绍。
段嵌入
像BERT一样，当包含多个句子时，K-BERT也使用分段嵌入来标识不同的句子。例如，当输入两个句子[w00，w01，…，w0n]和[w10，w11，…，w1m]时，它们被组合为一个句子[[CLS]，w00，w01，… ，w0n，[SEP]，w10，w11，…，w1m]和[SEP]。对于组合的句子，它用段标记序列[A，A，A，A，…，A，B，B，…，B]标记。
可见层
可见层是K-BERT和BERT之间的最大区别，也是使此方法如此有效的原因。 K-BERT的输入是一棵句子树，其中的分支是从KG获得的知识。但是，知识带来的风险是它可能导致原始句子含义（即KN问题）的更改。例如，在图2的句子树中，[China]仅修饰[Beijing]，而与[Apple]没有关系。因此，[Apple]的表示形式不受[China]的影响。另一方面，用于分类的[CLS]标签不应绕过[Cook]来获取[Apple]的信息，因为这会带来语义变化的风险。为了防止这种情况的发生，K-BERT使用可见矩阵M来限制每个标记的可见区域，以使[Apple]和[China]，[CLS]和[Apple]彼此不可见。
掩码-转换层
在某种程度上，可见矩阵M包含句子树的结构信息。 BERT中的Transformer（V aswani et al.2017）编码器无法接收M作为输入，因此我们需要将其修改为Mask-Transformer，这可以根据M限制自我关注区域.Mask-Transformer是一个堆叠多个mask-self-attention的块。对于BERT，我们将层数（即mask-self-attention块）表示为L，将隐藏大小表示为H，并将mask-self-attention头的数量表示为A.
hi是第i个mask-self-attention的隐藏状态，Wq,Wk,Wv是可训练的参数，M是visible matrix,如果对wk来说wj是不可见的，注意力分数Mjk设为0。
以上公式只是对 BERT 里的 self-attention 做简单的修改，多加了一个 M，其余并无差别。如果两个单词之间互相不可见，它们之间的影响系数S[i,j]就会是0，也就使这两个词的隐藏状态之间没有任何影响。这样，就把句子树中的结构信息输入给 BERT 了。
如上图，掩码转换器层是多个掩码自我注意的堆栈。 [Apple]只能通过[Cook]间接作用于[CLS]，降低了知识噪声的影响。