Reinforcement Learning for Relation Classification from Noisy Data

关注

原创最新推荐文章于 2026-04-26 09:02:08 发布 2.8k 阅读 AI 写同款· GEO 优化 ›

AI落地实战论文地图：50篇工业级关键技术路标人工智能工程化落地的核心挑战，从来不是理论前沿性，而是技术方案与真实场景的精准匹配。从数据弱监督标注、模型轻量化部署，到多模态工业对齐与持续迭代中的灾难性遗忘，AI项目生命周期各阶段都存在高频、可复现的技术断点。本文聚焦‘问题驱动’范式，以《Snorkel》《TinyBERT》《CLIP》等50篇高复现度、强实操性的工业验证论文为锚点，系统梳理从纸面算法到产线代码的关键转化链路。内容覆盖弱监督学习、知识蒸馏、跨模态对齐、模型压缩、数据漂移应对等核心技术价值，并深度适配制造业、医疗、金融等垂直领域的真实约束条阅读详情

主要贡献

提出一个新的关系分类模型，它有实体选择器与关系分类器构成。它能够在句子级别提取关系。
将实体选择问题转换成强化学习问题，这使得不需要实体选择的标签，而只需要关系分类器的弱监督的回馈就能进行实体选择。

摘要

现在的关系分类方法都是依赖拍距离监督假设（distance supervision assume）的，它假设一系列提到一对实体的句子，都是在描述这对实体的一种关系。类似于这种思想的方法，其实都是一组句子层面的分类，无法学习出关系与句子之间的映射，并且这种方法对噪声很敏感。

在这篇论文中，作者提出了一种新的模型，它能够在句子层面进行关系分类，并且对噪声的容忍度很强。这个模型主要分为两个模块：实体选择器和关系分类器。实体选择器通过强化学习选出高质量的句子，然后喂给关系分类器；

关系分类器能够进行句子级别的关系预测，并给实体选择器提供反馈。这两个模块会联合训练，从而不断优化整个模型。

实验结果显示，这个模型能够减少噪声的影响，在句子层面获得更好的分类结果。

引言

为了解决噪声标签的问题，之前的研究都是采用多实体学习的方式来考虑实体的噪声。在这种方式中，训练以及测试都是在一组句子级别的，噪声会比较大。因此，之前的研究都有以下两种缺陷：
1. 无法在句子级别进行预测。
2. 对一组句子中的噪声非常敏感。

在这篇文章中，为了解决上述两种缺陷，作者提出了一种新的关系分类模型。通过实体选择器，从一组句子中选出高质量的句子，然后通过句子级别的关系分类器来选择关系。

为了解决第二种缺陷，如果一整个包的句子标签都是错误的，那么句子选择器将会过滤掉整个包。

在这里，一个主要的问题是如何联合训练上述两个模块，特别是当实体选择器一开始不知道哪些句子的标签是不正确的。

尽管我们无法用监督的方式来进行实体选择，但是我们可以从整体上来度量选出的句子。实体选择的过程有一下两个属性：
1. 试错搜索(trial-and-error-search)。实体选择器试图找出一些句子，这些句子在关系选择的时候会获得reward。
2. 只有当完成实体选择之后，关系分类器才会把反馈给实体选择器，也就是delayed。

问题定义

实体选择问题

将<句子,关系标签>对表示为 $X = \{(x_1,r_1),(x_2,r_2),\cdots,(x_n,r_n)\}$ ，其中 $x_i$ 是与一句话有关的两个实体 $(h_i,t_i)$ ， $r_i$ 是远程监督生成的关系。目的是找出关系正确的句子。

关系分类问题
给出一句句子 $x_i$ 以及这句句子提到的一对实体 $(h_i,t_i)$ ，目标是预测 $r_i$ 。概率公式为 $P_{\Phi}(r_i | x_i,h_i,t_i)$ 。

在实体选择阶段，每个句子 $x_i$ 会绑定一个 action $a_i$ ，来表示 $x_i$ 是否被选作训练实体。状态 $s_i$ 用当前句子 $x_i$ 来表示。实体选择器根据随机策略对给定当前状态的动作进行采样。关系分类器采用一个卷集架构来得出一对实体的语义关系。下图体现了这个框架的架构图。

实体选择器（Instance Selector）

对于实体选择器而言，它的主要任务是根据Policy函数，来决定在某种State(包含当前句子，已选出的句子集合，实体对)下，应该采取哪种Action(选或不选)。然后接收从关系分类器传来反馈。

如果我们按照前面说的，当选出了所有的高质量句子之后，再接收关系分类器给出的延迟奖励，然后更新Policy函数的参数，这种方式是低效的。

为了获得更多的反馈，使得训练过程更加有效，作者将训练集分词N组 $B = \{B^1,B^2,\cdots,B^N\}$ ,每一组完成句子选择之后，就会获得Reward。每一组的实体对都是不同的，但是它们的关系标签都是相同的， $B^k = \{x^k_1,x^k_2,\cdots,x^k_{|B^k|}\}$ 都具有相同的标签 $r^k$ 。当训练集中的句子都训练完成之后，会将每一组中选出的句子合并，统一进行关系分类。

状态（State）

状态 $s_i$ 主要包含当前句子，已经选出的句子以及实体对。作者使用一个连续函数 $F(s_i)$ 来表示状态，它将输出一个Vector。
1. 当前句子的Vector表示是从用于关系分类的CNN的非线性层中获得。
2. 已选出句子集合的Vector表示是每句句子Vector的平均值。
3. 一对实体的Vector表示是从预训练的knowledge graph embedding中获得。

动作（Action）

动作 $a_i$ 的的取值是{0,1}，表示是否选取一句句子。 $a_i$ 根据Policy函数 $\pi_{\theta}(s_i,a_i)$ 获得，其中 $\theta$ 是需要学习的参数。

π θ (s i, a i) = P θ (a i | s i) = a i σ (W * F (s i) + b) + (1 - a i) (1 - σ (W * F (s i) + b))

$\pi_{\theta}(s_i,a_i) = P_{\theta}(a_i|s_i) = a_i\sigma(W * F(s_i) + b) + (1-a_i)(1-\sigma(W * F(s_i) +b))$

其中 $F(si)$ 就是状态特征Vector, $\theta = \{W,b\}$ 。

奖励\回馈（Reward）

Reward的作用的反映选出句子的有用程度。作者假设这个模型完成所有的选择之后，会有一个最奖励，因此只需要在最终状态 $s_{|B|+1}$ 接收一个delayed reward，其他状态的奖励都是0。因此Reward函数定义如下：

r(si|B)={01|Bˆ|∑xj∈Bˆlogp(r|xj)i<|B|+1i=|B|+1 r ( s i | B ) = { 0 i < | B | + 1 1 | B ^ | ∑ x j ∈ B ^ l o g p ( r | x j ) i = | B | + 1

$r(s_i|B) = \left\{\begin{matrix} &0 & i<|B|+1 \\ &\frac{1}{|\widehat{B}|} \sum_{x_j \in \widehat{B}} log p(r|x_j) & i=|B|+1 \end{matrix}\right.$

其中 $\widehat{B}$ 是选出的句子集合， $r$ 是当前句子组的关系标签， $p(r|x_j)$ 是关系分类器，它由CNN模型构成。对于 $\widehat{B}$ 是空集的情况，其奖励为训练集中所有句子得分的平均值，这能是实体选择器更有效地消除噪声影响。

注意，关系分类器 $p(r|x)$ 是作用在每句句子上的，而Reward是在一组句子的基础上计算的，因此Reward能够全面评估Policy函数选出的句子的有用性。它通过弱监督的方式来最大化选出句子的平均似然估计，从而使得实体选择器的目标函数与关系分类器一致。

优化

对于每组句子 $B$ ，目标是最大化Reward，目标函数如下：

$J (θ) = V_{θ} (s_{0}, B) = E_{s_{0}, a_{0}, s_{1}, a_{1}, \dots, s_{i}, a_{i}, \dots} [\sum_{i = 0}^{| B | + 1} r (s_{i} | B)]$ $J(\theta) = V_{\theta}(s_0,B) = E_{s_0,a_0,s_1,a_1,\cdots,s_i,a_i,\cdots}[\sum^{|B|+1}_{i=0}r(s_i|B)]$
其中 $a_i \sim \pi_{\theta}(s_i,a_i)$ ， $s_{i+1} \sim P(s_{i+1}|s_i,a_i)$ 。转移方程 $P(s_{i+1}|s_i,a_i)$ 等于 $\pi_{\theta}(s_{i+1},a_{i+1})$ ，因为 $s_{i+1}$ 的值可以被 $s_i$ 与 $a_i$ 确定。

那么梯度按照如下方式计算:
1. 对于每组句子，根据Policy函数计算每个句子的state以及action，得到 $\{s_1,a_1,s_2,a_2,\cdots,s_{|B|},a_{|B|},s_{|B+1|}\}$ 。
2. 将选出的句子喂给关系分类器，根据结果得到reward $r(s_{|B|+1} | B)$ 。
3. 按照 $\theta \leftarrow \theta + \alpha\sum_{i=1}^{|B|}v_i {\triangledown}_{\theta} log \pi_\theta(s_i,a_i)$ 的规则去更新 $\theta$ 。

关系分类器（Relation Classifier）

在关系分类器中，使用CNN来预测关系，它由一个输入层，一个卷积层，一个max poolling层，一个非线性层组成。

输入层

对于每个句子 $x$ ，我们将它表示成一系列向量 $(w_1,w_2,\cdots,w_m)$ 。每个向量由两部分组成：word embedding和pisition embedding。word embedding用word2Vec实现,维度为 $d^w$ 。position embedding是按照当前单词到开头和结束的相对位置来计算的,维度为 $d^p$ 。然后将word embedding和pisition embedding进行组合，得到新的向量 $w_i$ ,维度为 $d^w+2*d^p$ 。

CNN

为了得到更高级、更抽象的句子表示，作者使用了CNN来得到新的特征L:

$L = C N N (x)$ $L=CNN(x)$
其中 $x$ 就是输入层的输入， $L$ 是一个 $d^s$ 维的矩阵，作者取230。因此卷积的参数 $W_f \in \mathbb{R}^{d^s * 3d} , b_f \in \mathbb{R}^{d^s}$ 。

然后关系预测的概率为 $p(r|x;\Phi) = softmax(W_r * tanh(L) + b_r )$ ，其中 $W_r \in \mathbb{R}^{d^s * n_r} , b_r \in \mathbb{R}^{n_r}$ ， $n_r$ 是关系总数。