Luận văn: Ứng dụng mô hình Deep Learning nâng cao cho trích xuất quan hệ ngữ nghĩa

Luận văn thạc sĩ: Nghiên cứu mô hình deep learning tiên tiến và ứng dụng trong trích xuất quan hệ ngữ nghĩa. Tìm hiểu các kỹ thuật và ứng dụng mới nhất.

Chuyên ngành

Computer Science

Người đăng

Ẩn danh

Thể loại

Master Thesis

2019

82
2
0

Phí lưu trữ

30 Point

Mục lục chi tiết

Abstract

Acknowledgements

Declaration

Table of Contents

List of Figures

List of Tables

1. Chapter 1 Introduction

1.1. Motivation

1.2. Problem Statement

1.3. Formal Definition

1.4. Examples

3. Materials and Methods

3.1. Convolutional Neural Network

3.2. Long Short-Term Memory

3.3. Overview of Proposed System

3.4. Richer-but-Smarter Shortest Dependency Path

3.4.1. Dependency Tree and Dependency Tree Normalization

3.4.2. Shortest Dependency Path and Dependency Unit

3.4.3. Richer-but-Smarter Shortest Dependency Path

3.4.4. Multi-layer Attention with Kernel Filters

3.4.4.1. Multi-layer Attention

3.5. Deep Learning Model for Relation Classification

3.5.1. CNN on Shortest Dependency Path

3.5.2. Training objective and Learning method

3.6. Model Improvement Techniques

4. Experiments and Results

4.1. Implementation and Configurations

4.2. Training and Testing Environment

4.3. Datasets and Evaluation methods

4.4. Metrics and Evaluation

4.5. Performance of Proposed model

4.5.1. System performance on General domain

4.5.2. System performance on Biomedical data

4.5.3. Contribution of each Proposed Component

List of Publications

Acronyms

Tóm tắt

I. Toàn cảnh Trích xuất quan hệ ngữ nghĩa Kỷ nguyên Deep Learning

Trích xuất quan hệ ngữ nghĩa (Semantic Relation Extraction) là một nhiệm vụ nền tảng trong lĩnh vực Xử lý ngôn ngữ tự nhiên (NLP) và Trích xuất thông tin (Information Extraction). Mục tiêu chính của nhiệm vụ này là tự động xác định và phân loại các mối quan hệ có ý nghĩa giữa các cặp thực thể trong văn bản phi cấu trúc. Ví dụ, trong câu "Hà Nội là thủ đô của Việt Nam", một hệ thống trích xuất quan hệ cần xác định mối quan hệ Thủ đô của giữa hai thực thể Hà Nội (Địa điểm) và Việt Nam (Quốc gia). Kết quả của quá trình này thường được sử dụng để xây dựng các đồ thị tri thức (knowledge graph) quy mô lớn, làm giàu cơ sở dữ liệu có cấu trúc và cung cấp thông tin đầu vào cho các ứng dụng phức tạp hơn như hệ thống hỏi-đáp, phân tích văn bản và máy tìm kiếm thông minh. Sự phát triển của các mô hình Deep Learning đã mang lại những bước tiến vượt bậc cho lĩnh vực này. Thay vì phụ thuộc vào các bộ quy tắc hoặc các đặc trưng được thiết kế thủ công, các mô hình học sâu có khả năng tự động học các biểu diễn ngữ nghĩa phức tạp trực tiếp từ dữ liệu. Các kiến trúc như Mạng nơ-ron tích chập (CNN cho NLP)Mạng nơ-ron hồi quy (RNN), đặc biệt là mô hình LSTM, đã chứng tỏ hiệu quả trong việc nắm bắt các mẫu cục bộ và phụ thuộc tuần tự trong câu. Gần đây hơn, sự ra đời của kiến trúc Transformer và các mô hình tiền huấn luyện (pre-trained models) như mô hình BERT đã định nghĩa lại các tiêu chuẩn về hiệu suất, cho phép mô hình hiểu sâu hơn về ngữ cảnh của câu để đưa ra dự đoán chính xác hơn.

1.1. Định nghĩa Relation Extraction trong Xử lý ngôn ngữ tự nhiên

Về mặt hình thức, bài toán Relation Extraction được định nghĩa là việc gán một nhãn quan hệ R từ một tập các quan hệ được định nghĩa trước cho một cặp thực thể (e1, e2) xuất hiện trong một ngữ cảnh S (thường là một câu). Theo nghiên cứu của Bach và Badaskar (2007), nhiệm vụ này có thể được mô hình hóa như một bài toán phân loại đa lớp. Đầu vào là một câu và hai thực thể đã được xác định, và đầu ra là loại quan hệ ngữ nghĩa liên kết chúng. Nhiệm vụ này thường đi sau bước Nhận dạng thực thể có tên (NER), nơi các thực thể như tên người, tổ chức, địa điểm được xác định trước. Việc trích xuất chính xác các mối quan hệ này là chìa khóa để chuyển đổi văn bản từ dạng phi cấu trúc sang dạng tri thức có cấu trúc, máy có thể đọc và suy luận được.

1.2. Vai trò trong việc xây dựng Đồ thị tri thức Knowledge Graph

Đồ thị tri thức là một cấu trúc dữ liệu biểu diễn tri thức dưới dạng các nút (thực thể) và các cạnh (quan hệ giữa các thực thể). Trích xuất quan hệ ngữ nghĩa đóng vai trò là công nghệ cốt lõi để tự động điền (populate) và mở rộng các đồ thị này từ các kho văn bản khổng lồ. Bằng cách trích xuất hàng triệu bộ ba (thực thể 1, quan hệ, thực thể 2), các hệ thống có thể xây dựng các đồ thị tri thức toàn diện về nhiều lĩnh vực khác nhau, từ y sinh đến tài chính. Những đồ thị này sau đó cung cấp nền tảng vững chắc cho các công cụ tìm kiếm ngữ nghĩa, hệ thống gợi ý và phân tích dữ liệu thông minh, giúp khám phá các mối liên kết ẩn và tri thức mới.

II. Top 5 thách thức lớn trong Trích xuất quan hệ ngữ nghĩa

Mặc dù đã đạt được nhiều thành tựu, trích xuất quan hệ ngữ nghĩa vẫn đối mặt với nhiều thách thức cố hữu của xử lý ngôn ngữ tự nhiên. Một trong những khó khăn lớn nhất là sự mơ hồ về từ vựng và cú pháp. Một từ có thể có nhiều nghĩa, và một cấu trúc câu có thể được diễn giải theo nhiều cách khác nhau, dẫn đến việc phân loại sai quan hệ. Ví dụ, trong luận văn của Can Duy Cat (2019), các câu có cấu trúc tương tự nhưng biểu thị các mối quan hệ khác nhau được chỉ ra là một vấn đề lớn. Thách thức thứ hai là sự phụ thuộc vào dữ liệu gán nhãn chất lượng cao. Việc tạo ra các bộ dữ liệu lớn, được gán nhãn thủ công bởi các chuyên gia là cực kỳ tốn kém và tốn thời gian, đặc biệt trong các lĩnh vực chuyên ngành như y sinh. Vấn đề mất cân bằng dữ liệu cũng rất phổ biến, khi số lượng các cặp thực thể không có quan hệ (negative instances) lớn hơn rất nhiều so với các cặp có quan hệ. Điều này có thể làm cho mô hình thiên vị và hoạt động kém trên các lớp thiểu số. Hơn nữa, nhiều mối quan hệ không được thể hiện rõ ràng trong một câu duy nhất mà đòi hỏi phải suy luận từ nhiều câu hoặc toàn bộ đoạn văn (cross-sentence relation). Cuối cùng, hiệu suất của hệ thống trích xuất thông tin phụ thuộc rất nhiều vào các bước tiền xử lý như tách câu, tách từ và phân tích cú pháp. Sai sót ở bất kỳ giai đoạn nào cũng có thể lan truyền và ảnh hưởng tiêu cực đến kết quả cuối cùng.

2.1. Vấn đề mơ hồ về từ vựng và cấu pháp trong NLP

Sự mơ hồ là một trong những rào cản chính trong NLP. Về mặt từ vựng, một từ như "put" có thể mang nhiều sắc thái nghĩa khác nhau tùy thuộc vào các từ đi kèm (ví dụ: "put in" so với "put up"). Về mặt cú pháp, các câu có cùng đường đi phụ thuộc ngắn nhất (Shortest Dependency Path - SDP) có thể biểu thị các quan hệ hoàn toàn khác nhau. Luận văn của Can Duy Cat (2019) đã chỉ ra rằng chỉ dựa vào SDP có thể bỏ sót các thông tin quan trọng như phó từ hoặc giới từ, vốn có thể thay đổi hoàn toàn ý nghĩa của mối quan hệ. Điều này đòi hỏi các mô hình phải có khả năng hiểu ngữ cảnh sâu sắc hơn là chỉ dựa vào cấu trúc bề mặt.

2.2. Sự phụ thuộc vào dữ liệu và các bộ dataset tiêu chuẩn

Hiệu suất của các mô hình Deep Learning phụ thuộc rất lớn vào chất lượng và số lượng dữ liệu huấn luyện. Các bộ dataset cho relation extraction phổ biến như SemEval-2010 Task 8 hay TACRED cung cấp một cơ sở chung để đánh giá và so sánh các mô hình. Tuy nhiên, chúng thường có những đặc điểm riêng và một mô hình hoạt động tốt trên bộ dữ liệu này chưa chắc đã hiệu quả trên bộ dữ liệu khác, đặc biệt khi chuyển sang các lĩnh vực chuyên ngành như y sinh (ví dụ: bộ dữ liệu BioCreative V CDR). Việc thiếu dữ liệu gán nhãn trong các lĩnh vực mới nổi là một rào cản lớn, thúc đẩy các nghiên cứu về phương pháp học ít giám sát hoặc không giám sát.

III. Cách CNN và LSTM cách mạng hóa lĩnh vực trích xuất quan hệ

Trước khi các mô hình Transformer thống trị, Mạng nơ-ron tích chập (CNN cho NLP)Mạng nơ-ron hồi quy (RNN), đặc biệt là mô hình LSTM, là những kiến trúc Deep Learning tiên phong và hiệu quả nhất cho bài toán trích xuất quan hệ ngữ nghĩa. Cách tiếp cận chung của các mô hình này là biến đổi câu thành một chuỗi các vector đặc trưng, thường là word embeddings, sau đó đưa vào mạng nơ-ron để học các biểu diễn cấp cao hơn. CNN đặc biệt mạnh trong việc phát hiện các đặc trưng cục bộ quan trọng (n-gram) trong câu thông qua các bộ lọc (filter) với kích thước cửa sổ khác nhau, bất kể vị trí của chúng. Điều này rất hữu ích vì thông tin quan trọng xác định mối quan hệ thường nằm trong một cụm từ ngắn xung quanh các thực thể. Ngược lại, LSTM, một biến thể của RNN, được thiết kế để xử lý các chuỗi và nắm bắt các phụ thuộc dài hạn. Bằng cách sử dụng các cổng (gate) để kiểm soát luồng thông tin, LSTM có thể ghi nhớ thông tin từ đầu câu để giúp dự đoán mối quan hệ ở cuối câu. Nhiều nghiên cứu đã chứng minh hiệu quả của việc áp dụng các mô hình này trên đường đi phụ thuộc ngắn nhất (Shortest Dependency Path - SDP) giữa hai thực thể, vì SDP thường chứa đựng những từ cốt lõi nhất biểu thị mối quan hệ. Ví dụ, nghiên cứu của Xu et al. (2015, 2016) là những công trình tiêu biểu cho thấy sức mạnh của CNN và LSTM trên SDP. Sự kết hợp giữa word embeddings và các kiến trúc này đã giúp giảm đáng kể sự phụ thuộc vào kỹ thuật đặc trưng thủ công và cải thiện đáng kể hiệu suất so với các phương pháp học máy truyền thống.

3.1. Phân tích mô hình Mạng nơ ron tích chập CNN cho NLP

Mô hình CNN cho NLP hoạt động bằng cách trượt các bộ lọc (kernels) trên chuỗi các vector word embeddings của câu. Mỗi bộ lọc được thiết kế để nhận diện một loại mẫu n-gram cụ thể (ví dụ: các mẫu 2 từ, 3 từ). Kết quả của phép tích chập này là một bản đồ đặc trưng (feature map), sau đó được xử lý qua một lớp gộp (pooling layer), thường là max-pooling, để trích xuất ra đặc trưng quan trọng nhất. Ưu điểm của CNN là khả năng nắm bắt các đặc trưng cục bộ bất biến về vị trí. Ví dụ, cụm từ "gây ra bởi" có thể xuất hiện ở bất kỳ đâu trong câu, CNN vẫn có thể nhận diện nó là một tín hiệu quan trọng cho quan hệ Nguyên nhân-Hậu quả. Zeng et al. (2014) là một trong những người đầu tiên áp dụng thành công CNN cho việc phân loại quan hệ.

3.2. Ứng dụng Mạng nơ ron hồi quy RNN LSTM và word embeddings

Mô hình LSTM và các biến thể của nó như BiLSTM (LSTM hai chiều) xử lý câu như một chuỗi tuần tự. Tại mỗi bước thời gian (tương ứng với một từ), mô hình cập nhật trạng thái ẩn của nó dựa trên từ hiện tại và trạng thái ẩn trước đó. Điều này cho phép mô hình nắm bắt thông tin ngữ cảnh tích lũy qua từng từ. BiLSTM còn cải tiến hơn bằng cách xử lý câu theo cả hai chiều xuôi và ngược, giúp mô hình có cái nhìn toàn diện về ngữ cảnh của mỗi từ. Luận văn của Can Duy Cat (2019) đã đề xuất một mô hình kết hợp mô hình LSTM trên chuỗi từ và CNN trên cấu trúc SDP, cho thấy tiềm năng của việc kết hợp các kiến trúc để khai thác cả thông tin tuần tự và cấu trúc.

IV. Bí quyết dùng BERT và Attention để trích xuất quan hệ chính xác

Sự ra đời của kiến trúc Transformercơ chế chú ý (attention mechanism) đã tạo ra một bước đột phá trong NLP. Thay vì xử lý tuần tự, Transformer cho phép mô hình xem xét tất cả các từ trong câu cùng một lúc và tính toán mức độ quan trọng (attention score) của mỗi từ đối với các từ khác. Điều này giúp mô hình nắm bắt các phụ thuộc phức tạp và dài hạn một cách hiệu quả hơn nhiều so với LSTM. Mô hình BERT (Bidirectional Encoder Representations from Transformers) là một trong những mô hình tiền huấn luyện (pre-trained models) nổi tiếng nhất dựa trên Transformer. BERT được huấn luyện trên một kho văn bản khổng lồ với các nhiệm vụ tự giám sát (như dự đoán từ bị che), giúp nó học được các biểu diễn ngôn ngữ sâu sắc và giàu ngữ cảnh. Để áp dụng cho bài toán trích xuất quan hệ ngữ nghĩa, người ta thường sử dụng kỹ thuật fine-tuning. Mô hình BERT đã được tiền huấn luyện sẽ được thêm một lớp phân loại ở đầu ra và tiếp tục được huấn luyện trên bộ dữ liệu gán nhãn cụ thể của bài toán. Nhờ vào kiến thức nền tảng đã học, BERT có thể đạt được hiệu suất vượt trội chỉ với một lượng dữ liệu fine-tuning tương đối nhỏ. Cơ chế chú ý cũng được áp dụng một cách độc lập để giúp mô hình tập trung vào những phần quan trọng nhất của câu khi xác định mối quan hệ, như được đề xuất trong luận văn của Can Duy Cat (2019) với mô hình RbSP (Richer-but-Smarter SDP) sử dụng nhiều lớp attention để làm giàu thông tin cho các nút trên đường đi phụ thuộc.

4.1. Sức mạnh của Cơ chế chú ý attention mechanism trong NLP

Cơ chế chú ý (attention mechanism) cho phép mô hình gán các trọng số khác nhau cho các phần khác nhau của đầu vào. Trong trích xuất quan hệ, điều này có nghĩa là mô hình có thể tự động học cách "chú ý" nhiều hơn đến các từ hoặc cụm từ then chốt xác định mối quan hệ giữa hai thực thể, đồng thời bỏ qua các thông tin nhiễu. Ví dụ, trong câu "The drug X was approved by the FDA for treating disease Y", cơ chế chú ý có thể giúp mô hình tập trung vào cụm từ "treating" khi xác định quan hệ Trị liệu giữa XY. Các biến thể như multi-head attention trong Transformer còn cho phép mô hình học các loại quan hệ chú ý khác nhau song song.

4.2. Khai thác Mô hình tiền huấn luyện BERT qua fine tuning

Kỹ thuật fine-tuning là chìa khóa để khai thác sức mạnh của các mô hình tiền huấn luyện như mô hình BERT. Quá trình này bao gồm việc điều chỉnh (tinh chỉnh) các trọng số của mô hình đã được huấn luyện trên kho dữ liệu lớn để thích ứng với một nhiệm vụ cụ thể và một bộ dữ liệu nhỏ hơn. Bằng cách này, mô hình không cần phải học lại từ đầu mà có thể tận dụng kiến thức ngôn ngữ tổng quát đã có. Đối với relation extraction, lớp phân loại cuối cùng của BERT sẽ được huấn luyện để dự đoán các loại quan hệ, trong khi các lớp Transformer bên dưới được tinh chỉnh nhẹ để phù hợp với đặc điểm của dữ liệu mới. Cách tiếp cận này đã trở thành tiêu chuẩn vàng và đạt được kết quả SOTA (state-of-the-art) trên nhiều bộ dữ liệu.

V. Ứng dụng thực tiễn và kết quả nghiên cứu trong trích xuất quan hệ

Trích xuất quan hệ ngữ nghĩa có vô số ứng dụng thực tiễn, đóng vai trò quan trọng trong việc chuyển hóa dữ liệu phi cấu trúc thành tri thức hành động. Một trong những ứng dụng nổi bật nhất là xây dựng và mở rộng đồ thị tri thức (knowledge graph) tự động. Các công ty như Google và Microsoft sử dụng công nghệ này để cung cấp các câu trả lời trực tiếp và thông tin có cấu trúc trong kết quả tìm kiếm. Trong lĩnh vực y sinh, trích xuất quan hệ được sử dụng để phân tích hàng triệu tài liệu nghiên cứu, nhằm tìm ra các mối quan hệ giữa gen và bệnh, thuốc và tác dụng phụ, hay protein và tương tác của chúng. Luận văn của Can Duy Cat (2019) đã chứng minh hiệu quả của mô hình đề xuất trên bộ dữ liệu y sinh BioCreative V CDR, cho thấy khả năng ứng dụng thực tế trong việc phát hiện quan hệ giữa Hóa chất-Bệnh. Trong ngành tài chính, công nghệ này giúp phân tích báo cáo tài chính, tin tức thị trường để xác định mối quan hệ giữa các công ty, giám đốc điều hành và các sự kiện kinh tế, hỗ trợ việc ra quyết định đầu tư. Trong lĩnh vực quản trị, nó giúp phân tích các văn bản pháp luật để xây dựng cơ sở dữ liệu về các quy định và mối liên hệ giữa chúng. Hiệu suất của các mô hình này thường được đánh giá bằng các độ đo như Precision, Recall và F1-score trên các bộ dataset cho relation extraction tiêu chuẩn như SemEvalTACRED.

5.1. Xây dựng Đồ thị tri thức Knowledge Graph quy mô lớn

Việc xây dựng đồ thị tri thức từ đầu là một quá trình tốn kém. Relation extraction tự động hóa quá trình này bằng cách quét qua các tài liệu web, bài báo, và các nguồn văn bản khác để trích xuất các bộ ba (subject, predicate, object). Các bộ ba này sau đó được hợp nhất, làm sạch và tích hợp vào một đồ thị tri thức duy nhất. Đồ thị này không chỉ lưu trữ các sự kiện rời rạc mà còn cho phép suy luận các mối quan hệ mới, tạo ra một mạng lưới tri thức dày đặc và kết nối.

5.2. Phân tích ngữ nghĩa trong y sinh tài chính và pháp luật

Phân tích ngữ nghĩa trong các lĩnh vực chuyên ngành đòi hỏi sự hiểu biết sâu về thuật ngữ và các mối quan hệ phức tạp. Trong y sinh, việc phát hiện sớm tương tác thuốc-thuốc hoặc tác dụng phụ của thuốc có thể cứu sống nhiều người. Trong tài chính, việc theo dõi mối quan hệ giữa các công ty có thể giúp dự báo các vụ sáp nhập và mua lại. Trong pháp luật, việc liên kết các điều luật và các vụ án liên quan giúp luật sư nghiên cứu và tra cứu hiệu quả hơn. Các mô hình Deep Learning, đặc biệt là các mô hình được fine-tuning trên dữ liệu chuyên ngành, đang đóng vai trò trung tâm trong các ứng dụng này.

5.3. Các bộ dataset phổ biến SemEval TACRED và BioCreative

Sự tiến bộ trong trích xuất quan hệ được đo lường qua các cuộc thi và bộ dữ liệu tiêu chuẩn. SemEval (Semantic Evaluation) là một chuỗi các hội thảo tổ chức các nhiệm vụ đánh giá, với SemEval-2010 Task 8 là một benchmark kinh điển. TACRED là một bộ dữ liệu quy mô lớn hơn với nhiều loại quan hệ hơn, được thu thập từ các tin tức và trang web. BioCreative là một cuộc thi tập trung vào các nhiệm vụ trong lĩnh vực y sinh, bao gồm cả việc trích xuất quan hệ giữa hóa chất và bệnh (CDR task). Việc đánh giá trên các bộ dữ liệu này đảm bảo tính khách quan và thúc đẩy sự phát triển của lĩnh vực.

VI. Tương lai của Trích xuất quan hệ Xu hướng và cơ hội mới

Lĩnh vực trích xuất quan hệ ngữ nghĩa đang tiếp tục phát triển nhanh chóng, với nhiều xu hướng và cơ hội đầy hứa hẹn. Một trong những hướng đi quan trọng là giảm sự phụ thuộc vào dữ liệu gán nhãn thông qua các phương pháp học ít giám sát (few-shot learning), học không giám sát (unsupervised learning) và học yếu (weakly supervised learning). Các kỹ thuật này cho phép mô hình học từ một vài ví dụ hoặc từ các nguồn tri thức có sẵn như bản thể học (ontology), giúp triển khai hệ thống cho các lĩnh vực mới một cách nhanh chóng. Một xu hướng khác là trích xuất các quan hệ phức tạp hơn, chẳng hạn như quan hệ n-ngôi (n-ary relation) thay vì chỉ quan hệ hai ngôi, và trích xuất quan hệ cấp tài liệu (document-level relation) thay vì chỉ trong một câu. Các mô hình ngày càng được tích hợp sâu hơn với các nền tảng và công cụ mã nguồn mở mạnh mẽ. Các thư viện như PyTorch, TensorFlow và đặc biệt là Hugging Face đã dân chủ hóa việc tiếp cận các mô hình tiền huấn luyện phức tạp như mô hình BERT, cho phép các nhà nghiên cứu và kỹ sư dễ dàng xây dựng và thử nghiệm các hệ thống trích xuất quan hệ tiên tiến. Trong tương lai, các mô hình sẽ cần có khả năng giải thích (explainability) cao hơn, giúp con người hiểu được tại sao mô hình lại đưa ra một dự đoán cụ thể. Sự kết hợp giữa trích xuất thông tin và các mô hình suy luận logic cũng là một hướng đi đầy tiềm năng, tạo ra các hệ thống có khả năng "hiểu" văn bản thực sự.

6.1. Hướng tới các mô hình ít giám sát và phát hiện quan hệ mở

Thay vì bị giới hạn bởi một tập quan hệ được định nghĩa trước, các hệ thống Open Information Extraction (Open IE) đang được chú ý. Các hệ thống này tự động khám phá các chuỗi từ biểu thị quan hệ trực tiếp từ văn bản mà không cần gán nhãn trước. Bên cạnh đó, các phương pháp few-shot learning, sử dụng các kỹ thuật như meta-learning, cho phép mô hình nhanh chóng học cách nhận diện một loại quan hệ mới chỉ từ một vài ví dụ. Những hướng đi này giúp hệ thống trở nên linh hoạt và có khả năng mở rộng tốt hơn.

6.2. Tích hợp với công cụ PyTorch TensorFlow và Hugging Face

Hệ sinh thái công cụ mã nguồn mở đã thúc đẩy mạnh mẽ sự phát triển của NLP. PyTorchTensorFlow cung cấp các framework linh hoạt để xây dựng và huấn luyện các mô hình Deep Learning phức tạp. Đặc biệt, thư viện Transformers của Hugging Face đã trở thành một tiêu chuẩn không chính thức, cung cấp quyền truy cập dễ dàng vào hàng ngàn mô hình tiền huấn luyện và các công cụ để fine-tuning chúng cho các nhiệm vụ cụ thể như relation extraction. Sự sẵn có của các công cụ này giúp giảm rào cản kỹ thuật và đẩy nhanh chu kỳ nghiên cứu và phát triển sản phẩm.

24/09/2025

Trích đoạn nội dung tài liệu

VIETNAM NATIONAL UNIVERSITY, HANOI UNIVERSITY OF ENGINEERING AND TECHNOLOGY CAN DUY CAT ADVANCED DEEP LEARNING MODELS AND APPLICATIONS IN SEMANTIC RELATION EXTRACTION MASTER THESIS Major: Computer Science HA NOI - 2019 TIEU LUAN MOI download : skknchat@gmail.com VIETNAM NATIONAL UNIVERSITY, HANOI UNIVERSITY OF ENGINEERING AND TECHNOLOGY Can Duy Cat ADVANCED DEEP LEARNING MODELS AND APPLICATIONS IN SEMANTIC RELATION EXTRACTION MASTER THESIS Major: Computer Science Supervisor: Assoc. Ha Quang Thuy Assoc. Chng Eng Siong HA NOI - 2019 TIEU LUAN MOI download : skknchat@gmail.com Abstract Relation Extraction (RE) is one of the most fundamental task of Natural Language Pro- cessing (NLP) and Information Extraction (IE). To extract the relationship between two entities in a sentence, two common approaches are (1) using their shortest dependency path (SDP) and (2) using an attention model to capture a context-based representation of the sentence.

Each approach suffers from its own disadvantage of either missing or redundant information. In this work, we propose a novel model that combines the ad- vantages of these two approaches. This is based on the basic information in the SDP enhanced with information selected by several attention mechanisms with kernel filters, namely RbSP (Richer-but-Smarter SDP). To exploit the representation behind the RbSP structure effectively, we develop a combined Deep Neural Network (DNN) with a Long Short-Term Memory (LSTM) network on word sequences and a Convolutional Neural Network (CNN) on RbSP.

Furthermore, experiments on the task of RE proved that data representation is one of the most influential factors to the model’s performance but still has many limitations. We propose (i) a compositional embedding that combines several dominant linguistic as well as architectural features and (ii) dependency tree normalization techniques for generating rich representations for both words and dependency relations in the SDP. Experimental results on both general data (SemEval-2010 Task 8) and biomedical data (BioCreative V Track 3 CDR) demonstrate the out-performance of our proposed model over all compared models. Keywords: Relation Extraction, Shortest Dependency Path, Convolutional Neural Net- work, Long Short-Term Memory, Attention Mechanism.

iii TIEU LUAN MOI download : skknchat@gmail.com Acknowledgements I would first like to thank my thesis supervisor Assoc. Ha Quang Thuy of the Data Science and Knowledge Technology Laboratory at University of Engineering and Technology. He consistently allowed this paper to be my own work, but steered me in the right the direction whenever he thought I needed it. I also want to acknowledge my co-supervisor Assoc.Prof Chng Eng Siong from Nanyang Technological University, Singapore for offering me the internship opportuni- ties at NTU, Singapore and leading me working on diverse exciting projects.

Furthermore, I am very grateful to my external advisor MSc. Le Hoang Quynh, for insightful comments both in my work and in this thesis, for her support, and for many motivating discussions. In addition, I have been very privileged to get to know and to collaborate with many other great collaborators. I would like to thank BSc.

Nguyen Minh Trang and BSc. Nguyen Duc Canh for inspiring discussion, and for all the fun we have had over the last two years. I thank to MSc. Ho Thi Nga and MSc.

Vu Thi Ly for continuous support during the time in Singapore. Finally, I must express my very profound gratitude to my family for providing me with unfailing support and continuous encouragement throughout my years of study and through the process of researching and writing this thesis. This accomplishment would not have been possible without them. iv TIEU LUAN MOI download : skknchat@gmail.com Declaration I declare that the thesis has been composed by myself and that the work has not be submitted for any other degree or professional qualification.

I confirm that the work submitted is my own, except where work which has formed part of jointly-authored publications has been included. My contribution and those of the other authors to this work have been explicitly indicated below. I confirm that appropriate credit has been given within this thesis where reference has been made to the work of others. The model presented in Chapter 3 and the results presented in Chapter 4 was pre- viously published in the Proceedings of ACIIDS 2019 as “Improving Semantic Relation Extraction System with Compositional Dependency Unit on Enriched Shortest Depen- dency Path” and NAACL-HTL 2019 as “A Richer-but-Smarter Shortest Dependency Path with Attentive Augmentation for Relation Extraction” by myself et al.

This study was conceived by all of the authors. I carried out the main idea(s) and implemented all the model(s) and material(s). I certify that, to the best of my knowledge, my thesis does not infringe upon any- one’s copyright nor violate any proprietary rights and that any ideas, techniques, quota- tions, or any other material from the work of other people included in my thesis, pub- lished or otherwise, are fully acknowledged in accordance with the standard referencing practices. Furthermore, to the extent that I have included copyrighted material, I certify that I have obtained a written permission from the copyright owner(s) to include such material(s) in my thesis and have fully authorship to improve these materials.

Master student Can Duy Cat v TIEU LUAN MOI download : skknchat@gmail.com Table of Contents Abstract. v Table of Contents. ix List of Figures. xi List of Tables .3 Difficulties and Challenges .5 Contributions and Structure of the Thesis .1 Rule-Based Approaches .1 Feature-Based Machine Learning .2 Deep Learning Methods .4 Distant and Semi-Supervised Methods.

18 vi TIEU LUAN MOI download : skknchat@gmail.com 3 Materials and Methods .2 Convolutional Neural Network .3 Long Short-Term Memory .2 Overview of Proposed System .3 Richer-but-Smarter Shortest Dependency Path .1 Dependency Tree and Dependency Tree Normalization .2 Shortest Dependency Path and Dependency Unit .3 Richer-but-Smarter Shortest Dependency Path .4 Multi-layer Attention with Kernel Filters .2 Multi-layer Attention .5 Deep Learning Model for Relation Classification .2 CNN on Shortest Dependency Path .3 Training objective and Learning method .4 Model Improvement Techniques. 41 4 Experiments and Results .1 Implementation and Configurations .2 Training and Testing Environment .2 Datasets and Evaluation methods .2 Metrics and Evaluation .3 Performance of Proposed model .2 System performance on General domain .3 System performance on Biomedical data .4 Contribution of each Proposed Component. 56 vii TIEU LUAN MOI download : skknchat@gmail. 60 List of Publications.

62 viii TIEU LUAN MOI download : skknchat@gmail.com Acronyms Adam Adaptive Moment Estimation ANN Artificial Neural Network BiLSTM Bidirectional Long Short-Term Memory CBOW Continuous Bag-Of-Words CDR Chemical Disease Relation CID Chemical-Induced Disease CNN Convolutional Neural Network DNN Deep Neural Network DU Dependency Unit GD Gradient Descent IE Information Extraction LSTM Long Short-Term Memory MLP Multilayer Perceptron NE Named Entity NER Named Entity Recognition NLP Natural Language Processing POS Part-Of-Speech ix TIEU LUAN MOI download : skknchat@gmail.com RbSP Richer-but-Smarter Shortest Dependency Path RC Relation Classification RE Relation Extraction ReLU Rectified Linear Unit RNN Recurrent Neural Network SDP Shortest Dependency Path SVM Suport Vector Machine x TIEU LUAN MOI download : skknchat@gmail.com List of Figures 1.1 A typical pipeline of Relation Extraction system.2 Two examples from SemEval 2010 Task 8 dataset.3 Example from SemEval 2017 ScienceIE dataset.4 Examples of (a) cross-sentence relation and (b) intra-sentence relation.5 Examples of relations with specific and unspecific location.6 Examples of directed and undirected relation from Phenebank corpus.1 Sentence modeling using Convolutional Neural Network.2 Convolutional approach to character-level feature extraction.3 Traditional Recurrent Neural Network.4 Architecture of a Long Short-Term Memory unit.5 The overview of end-to-end Relation Classification system.6 An example of dependency tree generated by spaCy.7 Example of normalized dependency tree.8 Dependency units on the SDP.9 Examples of SDPs and attached child nodes.10 The multi-layer attention architecture to extract the augmented informa- tion.11 The architecture of RbSP model for relation classification.1 Contribution of each compositional embeddings component.2 Comparing the contribution of augmented information by removing these components from the model .3 Comparing the effects of using RbSP in two aspects, (i) RbSP improved performance and (ii) RbSP yielded some additional wrong results. 58 xi TIEU LUAN MOI download : skknchat@gmail.com List of Tables 4.1 Configurations and parameters of proposed model.2 Statistics of SemEval-2010 Task 8 dataset.3 Summary of the BioCreative V CDR dataset .4 The comparison of our model with other comparative models on SemEval 2010 Task 8 dataset.5 The comparison of our model with other comparative models on BioCre- ative V CDR dataset .6 The examples of error from RbSP and Baseline models. 59 xii TIEU LUAN MOI download : skknchat@gmail.com Chapter 1 Introduction 1.1 Motivation With the advent of the Internet, we are stepping in to a new era, the era of information and technology where the growth and development of each individual, organization, and society is relied on the main strategic resource - information. There exists a large amount of unstructured digital data that are created and maintained within an enterprise or across the Web, including news articles, blogs, papers, research publications, emails, reports, governmental documents, etc.

Lot of important information is hidden within these doc- uments that we need to extract to make them more accessible for further processing. Many tasks of Natural Language Processing (NLP) would benefit from extracted information in large text corpora, such as Question Answering, Textual Entailment, Text Understanding, etc. For example, getting a paperwork procedure from a large collection of administrative documents is a complicated problem; it is far easier to get it from a structural database such as that shown above. Similarly, searching for the side effects of a chemical in the bio-medical literature will be much easier if these relations have been extracted from biomedical text.

We, therefore, have urge to turn unstructured text into structured by annotating semantic information. Normally, we are interested in relations between entities, such as person, organization, and location. However, it is impossible for human annotation because of sheer volume and heterogeneity of data. Instead, we would like to have a Relation Extraction (RE) system that annotate all data with the structure of our interest.

In this thesis, we will focus on the task of recognizing relations between entities in unstructured text. 1 TIEU LUAN MOI download : skknchat@gmail.2 Problem Statement Relation Extraction task includes of detecting and classifying relationship between enti- ties within a set of artifacts, typically from text or XML documents.1 shows an overview of a typical pipeline for RE system. Here we have to sub-tasks: Named Entity Recognition (NER) task and Relation Classification (RC) task. Named Relation Unstructured Entity Classification Knowledge literature Recognition Figure 1.1: A typical pipeline of Relation Extraction system.

A Named Entity (NE) is a specific real-world object that is often represented by a word or phrase. It can be abstract or have a physical existence such as a person, a loca- tion, a organization, a product, a brand name, etc. For example, “Hanoi” and “Vietnam” are two named entities, and they are specific mentions in the following sentence: “Hanoi city is the capital of Vietnam”. Named entities can simply be viewed as entity instances (e., Hanoi is an instance of a city).

A named entity mention in a particular sentence can be using the name itself (Hanoi), nominal (capital of Vietnam), or pronominal (it). Named Entity Recognition is the task of seeking to locate and classify named entity mentions in unstructured text into pre-defined categories. A relation usually denotes a well-defined (having a specific meaning) relationship between two or more NEs. It can be defined as a labeled tuple R(e1 , e2 , ., en ) where the ei are entities in a predefined relation R within document D.

Most relation extrac- tion systems focus on extracting binary relations. Some examples of relations are the relation capital-of between a CITY and a COUNTRY, the relation author-of be- tween a PERSON and a BOOK, the relation side-effect-of between DISEASEs and a CHEMICAL, etc. It is also possible be the n-ary relation as well. For example, the relation diagnose between a DOCTOR, a PATIENT and a DISEASE.

In short, Rela- tion classification is the task of labeling each tuple of entities (e1 , e2 , .

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ