小編注：前段時間，小屋介紹了吳恩達(dá)老師近期發(fā)起的以數(shù)據(jù)為中心的 AI 競賽。吳恩達(dá)老師認(rèn)為：工業(yè)界已經(jīng)具備較為成熟的算法和代碼體系，現(xiàn)在更加缺少的是一套成熟的構(gòu)建工業(yè)化數(shù)據(jù)集的方法論。然而，正如圖靈獎得主 Judea Pearl 教授所質(zhì)疑的那樣：“在不知道什么是質(zhì)量更好的數(shù)據(jù)的基礎(chǔ)上提升數(shù)據(jù)質(zhì)量是不太現(xiàn)實的”。對于這個問題，本文作者由關(guān)系抽取任務(wù)說起，探討了一些可能的答案——我們究竟需要怎樣的數(shù)據(jù)？

前段時間，我的項目正在準(zhǔn)備開源發(fā)布，補充項目在一些任務(wù)上的表現(xiàn)，以作為開源之后可以宣傳的點。我們項目的一大特點是十分擅長應(yīng)對挖掘任務(wù)，因而我們自然也就想蹭波熱度，在某關(guān)系抽取評測任務(wù)上試了一下效果。

在此之前，我們的項目在一些其他挖掘任務(wù)上的表現(xiàn)一直是可以的，但是在那個關(guān)系抽取數(shù)據(jù)上，我們就翻車了，無論是我們的 baseline 還是增強模型，都無法打出來差異化的分?jǐn)?shù)。其實簡單來講，就是：單純使用標(biāo)注方法，怎么樣都無法提升了。

數(shù)據(jù)之殤

實際上，對于幾乎所有的公開評測任務(wù)，我都會本能地懷疑它的數(shù)據(jù)是什么樣子的，尤其在我看到了榜單之后。例如細(xì)粒度實體識別任務(wù) CLUENER。它的 baseline 評測在某些類別上，連 BiLSTM+CRF 的結(jié)果都已經(jīng)超過了人類（甚至可以說是遠(yuǎn)超）。當(dāng)我看到了這個榜單，自然就會本能地懷疑這個數(shù)據(jù)是有問題的。CLUENER 數(shù)據(jù)集暫且按下不表，我們繼續(xù)說關(guān)系抽取數(shù)據(jù)集。

對于讓我的項目遭遇了滑鐵盧的那個關(guān)系抽取數(shù)據(jù)集，它的主要的問題則是：無論我在模型上做什么樣的改變，效果的差異都是不穩(wěn)定的（更換了隨機(jī)種子之后，不同模型結(jié)構(gòu)的rank也會改變）。那我自然也要去看一看數(shù)據(jù)有什么問題了。

隨機(jī)抽取了 train 和 dev 評估之后，果然印證了我的思想。在 train 和 dev 上，在單條數(shù)據(jù)粒度上，分別存在 42% 和 37% 的數(shù)據(jù)錯誤，其錯誤包括關(guān)系錯誤、關(guān)系不全，以及句子中不存在的關(guān)系被標(biāo)注成了答案。而我無論怎么更換模型結(jié)構(gòu)，方法也都是簡簡單單的標(biāo)注算法，就必然會存在標(biāo)簽上的沖突。對于模型來講，尤其是“學(xué)習(xí)了一些知識”的預(yù)訓(xùn)練語言模型來講，自然就 confuse 了。

當(dāng)然我也理解這種數(shù)據(jù)會出現(xiàn)，因為關(guān)系抽取數(shù)據(jù)在構(gòu)造的時候，基本都是用已有的圖譜 SPO 數(shù)據(jù)去反查文本，通常 S 和 O 在某一個句子里面共現(xiàn)了，就認(rèn)為該句中存在這種關(guān)系了。

注：SPO 指 三元組，是知識圖譜用于描述一條知識的基本形式。

這種數(shù)據(jù)構(gòu)造方法當(dāng)然一定是有問題的。這個數(shù)據(jù)的質(zhì)量一看也自然是未經(jīng)review的。甚至說，在學(xué)界，大家在打榜的絕大多數(shù)公開數(shù)據(jù)，可能都或多或少存在著不可忽視的噪音問題，例如最近在比的某領(lǐng)域比賽的某一個數(shù)據(jù)之中，就存在這種東西。這讓我不禁有了一個疑問：當(dāng)數(shù)據(jù)有不可忽視的噪音問題的時候，榜單上的高分導(dǎo)向的就是更好的模型嗎？如果答案是否定的，那這些比賽的意義在哪里呢？只是在消耗多余的算力，擠占業(yè)務(wù)的用卡時間嗎？

我們需要什么樣的數(shù)據(jù)

關(guān)系抽取數(shù)據(jù)中存在這樣一個例子：

汪涵曾多次在天天向上中展示自己高超的廚藝。

這句話，數(shù)據(jù)中標(biāo)出來的答案是S：天天向上，P：主持人，O：汪涵。乍一看好像沒有問題。但是我們仔細(xì)想一想：如果排除掉所有的背景知識，我們看這個句子會得到怎樣的理解？是否真能推斷出“主持人”這一關(guān)系？

排除背景知識，只看句子本身：汪涵貌似是一個人，天天向上似乎是一個節(jié)目——汪涵可能參加過天天向上。這個是我們通過中文的常識知識和句式知識能夠推斷出來的信息。

更進(jìn)一步，即使我們給出一些特化信息，即“汪涵是著名主持人”，天天向上是綜藝節(jié)目”。在帶有這樣的先驗下，我們又能推斷出來什么信息呢？汪涵是一個主持人，但主持人參加綜藝節(jié)目未必就是主持綜藝節(jié)目。比如主持人馬東參加過脫口秀大會，但他只是嘉賓。所以，對于“汪涵”和“天天向上”這兩個個體，我們從這句話中還是只能推斷出參加關(guān)系。

那模型怎樣才能知道這個關(guān)系？看上去只有通過這個訓(xùn)練樣本，讓模型自己強行記住這個關(guān)系了。（當(dāng)然還有一種可能是：模型從別的句子里面學(xué)到了“汪涵主持天天向上”的知識，然后在這個句子里面應(yīng)用到了。但如果是這樣，那這個訓(xùn)練樣本的用處是什么呢？）

或許有的朋友會反駁說：在訓(xùn)練關(guān)系抽取任務(wù)的時候，就是想讓模型去過擬合一些東西的。也就是說，直接將汪涵和天天向上兩個實體完全綁定起來，形成主持關(guān)系，這樣在榜單上就可以打高分了。然而，如果以這樣的方式去擬合S和O的名字，就要保證測試集和真實使用場景中一定會出現(xiàn)類似的情況。

如果過擬合這個句式里面出現(xiàn)的S和O一定是主持，一定會在其他場景中遇到問題。比如下面這個例子：

張杰也多次在快樂大本營上表現(xiàn)了對謝娜的愛意。

這句話和“汪涵曾多次在天天向上中展示自己高超的廚藝”的句式十分相像。那張杰和快樂大本營又是什么關(guān)系呢？實際上，數(shù)據(jù)中甚至可能會標(biāo)注出張杰和謝娜的夫妻關(guān)系，以及謝娜是快樂大本營的主持人。但這兩條關(guān)系在這句話中都沒有直接的體現(xiàn)。

我們再看CLUENER中的一個例子：

去年我們憑借《現(xiàn)代戰(zhàn)爭1》大獲成功，其輝煌業(yè)績讓眾多業(yè)界老手大跌眼鏡。

其中，現(xiàn)代戰(zhàn)爭1被標(biāo)注成為了游戲。

這個例子，我想我沒有必要做過多的解釋了。人沒打過這游戲的，確實標(biāo)不出來。同理，沒了解過賽博朋克2077的人，可能也不太會知道波蘭蠢驢這個名字。

(實際上這個問題也有提到issue里面，但是權(quán)威大佬們也沒有理會我......）

另外，還有在研究中文分詞的時候經(jīng)常會舉的一個所謂疑難雜癥般的例子：

南京市長江大橋

實際上，這句話兩種切分方式都是合理的，都符合我們的常識認(rèn)知，只不過可能有一個不是事實。那么其實我認(rèn)為，對于模型來講，就不必過分糾結(jié)于這條數(shù)據(jù)會被切分成哪一個。

模型真正要去區(qū)分的，其實是下面兩個句子：

南京長江大橋位于南京市鼓樓區(qū)下關(guān)浦口區(qū)北之間

南京市長江大橋因嚴(yán)重違紀(jì)違法問題被立案檢查

舉了那么多例子，其實是想說：我們在衡量一個數(shù)據(jù)好壞時，似乎應(yīng)該遵循這樣一個邏輯——如果僅利用任務(wù)規(guī)則中允許我們用到的知識，人類能否有能力得到該樣本中給出的答案？如果能，則這條數(shù)據(jù)是一個好的數(shù)據(jù)；如果不能，則一定會對模型形成誤導(dǎo)。所以在判定一條數(shù)據(jù)的時候，我們應(yīng)該去回顧這幾乎本能做出判斷背后的思考過程。如果我們不知道答案，通過思考也得不到這個答案，為什么要讓模型去得到這個答案呢？

我們在用數(shù)據(jù)和任務(wù)的形式去建模這個世界，并基于此去指導(dǎo)模型去學(xué)習(xí)。這一過程其實與我們教育人類幼崽的方式、或者我們自己去理解新知識的方式，是類似的。畢竟，我們現(xiàn)在還不具備憑空描述知識的能力，只能把人類一直在經(jīng)歷的學(xué)習(xí)過程加諸到模型身上。

在預(yù)訓(xùn)練的階段，我們貌似讓模型學(xué)到了部分語法知識，以及通過大量的事實知識讓模型部分學(xué)到了常識知識，但遠(yuǎn)遠(yuǎn)沒做到讓模型去記憶事實，實際上也記憶不過來，又怎么指望模型在任務(wù)中直接就能搞定那些僅僅包含事實的判定呢？

題外話，由于我是做解析的，所以實際上我是沒有那么支持領(lǐng)域預(yù)訓(xùn)練的。因為具體領(lǐng)域和所謂通用域的區(qū)別，更多是在于專名（命名實體、術(shù)語等）的區(qū)別，但表達(dá)是相對固定的。還是類比人類，哪怕一個人不是醫(yī)生，他看到自己的病歷的時候，除了可能看不懂疾病、臨床表現(xiàn)、藥物，醫(yī)療程序等等的專業(yè)術(shù)語，也能大概能看懂這個病歷的一些意思。無論領(lǐng)域?qū)I(yè)性多強，它也是“人話”。在做解析挖掘的時候，我們也應(yīng)讓模型著重去看懂人話的部分，而不是依賴那些專業(yè)的部分。是否不需要讓模型見過那些專業(yè)的東西，也能做到效果不錯？當(dāng)然這個思路比單純?nèi)プ瞿Ｐ头爆嵉枚?，產(chǎn)出也慢得多。

任務(wù)回歸應(yīng)用

回歸到更本源的問題，關(guān)系抽取任務(wù)是為了做什么的？

其實最初關(guān)系抽取任務(wù)是為了輔助構(gòu)造結(jié)構(gòu)化知識。隨著知識圖譜越來越多，關(guān)系抽取模型已然可以基于已有數(shù)據(jù)知道一些知識了。此時，我們的需求可能就變成了“通過新的事實描述文本去挖掘補充新的知識”。更準(zhǔn)確地說，我們希望：模型能夠基于已有知識圖譜中的信息，從新的文本中挖掘出新的關(guān)系，從而與時俱進(jìn)地補充和更新現(xiàn)有知識圖譜。

當(dāng)然這種“新的關(guān)系”不是類似于“爸爸的爸爸是爺爺”的關(guān)系。工業(yè)應(yīng)用已經(jīng)證明了，這種關(guān)系寫規(guī)則更香。需要補充的是真正的新關(guān)系，比如新婚，比如新參演電影，比如新主持節(jié)目等。

所以其實在定義任務(wù)的時候，應(yīng)該詢問這樣幾個問題：

這個任務(wù)想要導(dǎo)向什么樣的模型？

這個任務(wù)做好了之后能干什么？

這個任務(wù)能不能做？

而不是直接拍腦門想出來了這么個任務(wù)，然后就隨手弄一波數(shù)據(jù)發(fā)出來了。這樣只會讓學(xué)界與工業(yè)界越來越剝離，只會讓研究越來越?jīng)]有用，只會讓頂會做的這種種事情越來越變成消耗多余的電力。

同時在數(shù)據(jù)上，也應(yīng)該有上面所提到的思考。給出的數(shù)據(jù)，也應(yīng)該符合實際會應(yīng)用到的需求。現(xiàn)在看來，部分領(lǐng)域任務(wù)或許能做到這個。

否則，最終也只會導(dǎo)向越來越無意義的卷。

所幸，或許，業(yè)界有去重新思考數(shù)據(jù)的趨勢，例如Ng老師的新比賽。但，前路茫茫，不知這束光，是否長久。

責(zé)任編輯：lq6