论文链接：https://arxiv.org/pdf/1805.09927.pdf
来源：ACL2018
Motivation：
远程监督是以一种生成关系抽取训练样本的方法，无需人工标注数据。但是远程监督引入了噪音，即存在很多的假正例。本文的出发点非常简单，希望通过强化学习的方法来训练一个假正例的判别器，它可以识别出数据集中的假正例，并加入到负例集中。产生更加干净的训练集，从而提高分类器的性能。
Relatedwork：
对于远程监督的噪音，之前常用的做法是加attention机制，给以真正例更大的权重，给以假正例较小的权重，单这种方法是次优的。本文有一个有意思的地方，作者在文中指出，他在提交了ACL之后，发现已经有一篇相同的工作. Reinforcement learning for relation classification from noisy data（参照论文笔记），是 feng 等人发表在AAAI 2018上的，两篇文章从立意到方法都基本一致，唯一不同的就是强化学习的reward不同。feng 等人的论文中 reward 来自预测概率，而这篇论文的 reward 是分类器的性能的改变。
Model:
远程监督中的强化学习框图
模型的整体结构如上图所示。首先对每一个关系，生成相应的正负样本，划训练集和验证集。在每一个epoch中，利用了 policy based 的 agent，对训练集的正样本做筛选，对每个句子选择保留或者移除到负样本集，得到筛选后的训练集。然后在此训练集上训练关系抽取分类器，在验证集上做测试得到分类的F1值。根据分类器的 F1 值的变化得到 reward，最后利用 policy gradient 对参数作更新。下面介绍RL方法中几个基本要素：
States：
为了满足MDP的条件，state不仅包含了当前句子的信息，还加入了过去句子的信息。对当前句子给予较大的权重，对过去句子给予较小的权重。句子的向量表示采用了常用的 word embedding 和 position embedding。
Actions：
Agent 的作用是识别出正样本中的假正例，所以action包含了两种：判断当前句子为真正例并保留；判断为假正例并移除到负样本集中。
Rewards：
Rewards 来自于关系抽取分类器的性能变化，论文中采用的是第i轮的F1值减去第i-1轮的F1值。
Policy Network：
Policy Network 的作用相当于一个二元分类器，故论文采取了一个简单的CNN网络。
另外，Policy Network 采用了预训练的策略，目的是加快收敛。训练整体的流程如下图所示：
Experiments：
实验在远程监督常用的 NYT 数据集和主流方法做了比较。下表首先给出了在原始数据集、预训练的 agent 筛选后的数据集上、RL agent 筛选后的数据集上训练得到的分类器性能对比，可以看到，RL 有效提升了分类器的性能。
下面两张图给出了关系抽取分类器分别采用 CNN 和 PCNN 时，加入 RL 和不加 RL 的分类结果的 PR 曲线图，可以看到加入 RL 提升了分类器的性能。
Conclusion：
本文利用强化学习的方法，对远程监督的数据集进行降噪，从而提升分类器的性能。另外，Agent 的 Reward 来自于分类器性能的改变，不需要加入额外的监督信息。
论文笔记整理：叶志权，浙江大学硕士，研究方向为自然语言处理、知识图谱。
OpenKG.CN
中文开放知识图谱（简称OpenKG.CN）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。
