雷鋒網(wǎng)按：本文原作者為深度好奇研究組，原發(fā)表于公眾號“深度好奇AI”（deeplycurious）。雷鋒網(wǎng)已獲授權(quán)轉(zhuǎn)載。

論文題目：Generalize Symbolic Knowledge With Neural Rule Engine

論文地址：（請戳此處）

目前的自然語言處理任務(wù)中，神經(jīng)網(wǎng)絡(luò)模型在學(xué)術(shù)界占據(jù)了絕對的優(yōu)勢，然而，基于符號知識的規(guī)則系統(tǒng)仍然在工業(yè)界大有用武之地。人類語言是一種非常復(fù)雜的現(xiàn)象，為了更好地構(gòu)建語言智能系統(tǒng)，可以將神經(jīng)網(wǎng)絡(luò)和符號知識融合使用，集成二者的優(yōu)勢。

近兩年來，神經(jīng)符號學(xué)習(xí)（Neural Symbolic Learning）成為一個非常熱門的方向，不少優(yōu)秀的科研工作把符號知識引入神經(jīng)網(wǎng)絡(luò)模型，增強(qiáng)了模型的學(xué)習(xí)能力和可解釋性，在一些經(jīng)典的NLP任務(wù)上都取得了不錯的效果。與這種融合方式相反，近日，深度好奇的研究者們提出了一種全新的融合策略——利用NN模型來改進(jìn)規(guī)則的效果。NN模型的優(yōu)點(diǎn)是靈活性高、泛化能力強(qiáng)、魯棒性好，如果將NN模型的這些優(yōu)勢賦予規(guī)則系統(tǒng)，會產(chǎn)生出怎樣的火花呢？

本文介紹了一種神經(jīng)規(guī)則引擎（Neural Rule Engine，NRE），NRE可以從規(guī)則中學(xué)習(xí)知識，同時(shí)又通過神經(jīng)網(wǎng)絡(luò)來泛化知識，這與人類學(xué)習(xí)知識的方式有異曲同工之妙。

具體來說，NRE由神經(jīng)模塊網(wǎng)絡(luò)（Neural Module Networks）構(gòu)成，其中的每一個模塊代表了規(guī)則中的一種操作，而模塊的實(shí)現(xiàn)形式既可以是神經(jīng)網(wǎng)絡(luò)，也可以是符號算法。并且，給定少量的標(biāo)注樣本，可以使用強(qiáng)化學(xué)習(xí)來微調(diào)（Finetune）學(xué)習(xí)效果。實(shí)驗(yàn)證明，NRE可以大幅提升規(guī)則的召回率（Recall），同時(shí)還能將精確率（Precision）維持在較高的水準(zhǔn)。

舉個具體的規(guī)則例子，對于一個判斷案件類型的分類任務(wù)來說，案件內(nèi)容如下：

“2003年12月21日中午12時(shí)，東浦村張某與王某某二人到臨西縣游玩，被三名男子跟蹤，后用刀威逼，搶走手機(jī)一只?！?/span>

根據(jù)經(jīng)驗(yàn)來看，如果案件表述中有“跟在.*后面|跟蹤”，一般屬于“尾隨作案”，但是如果其中有“事主.*跟隨”的話就不是。所以，針對“尾隨作案”類別，可以寫一條規(guī)則：

“跟在.*后面|跟蹤@@事主.*跟隨”

其中“@@”左邊藍(lán)色的是正規(guī)則，也就是句子中必須匹配上的內(nèi)容，“@@”右邊紅色的是負(fù)規(guī)則，也就是句子中不能包含的內(nèi)容。

由于正則表達(dá)式是有限狀態(tài)機(jī)的一種，所以可以定義一些操作（Action）來解析正則表達(dá)式規(guī)則，比如：

用預(yù)先定義好的操作來表示規(guī)則，如下圖所示：

每一條規(guī)則都可以被拆解成樹狀結(jié)構(gòu)，拆解的過程依賴于Rule Parser。由于整個系統(tǒng)的設(shè)計(jì)既考慮了符號性又考慮了神經(jīng)網(wǎng)絡(luò)的特性，所以對于規(guī)則的拆解上既可以用符號算法來實(shí)現(xiàn)也可以用Neural Rule Parser來實(shí)現(xiàn)。由于樹狀結(jié)構(gòu)可以轉(zhuǎn)變成逆波蘭表達(dá)式（Reversed Polish Notation）的形式（如下圖）：

因此可以采用一個Seq2Seq的神經(jīng)網(wǎng)絡(luò)模型來實(shí)現(xiàn)對規(guī)則的拆解。具體如下：

給定一條規(guī)則，鑒于同時(shí)預(yù)測模塊和模塊所需參數(shù)較為困難，所以可以采取分步的方式來預(yù)測。第一步先預(yù)測操作序列，第二步根據(jù)規(guī)則和已經(jīng)預(yù)測出來的操作來預(yù)測每個操作所對應(yīng)的參數(shù)。為了讓預(yù)測的結(jié)果更加可靠，在訓(xùn)練階段，我們加入了微調(diào)（Finetune）過程，對于預(yù)測出來的操作序列根據(jù)在真實(shí)事例上的表現(xiàn)用強(qiáng)化學(xué)習(xí)來進(jìn)行模型的調(diào)整。

得到rule parsing的結(jié)果后，即可對模塊進(jìn)行組裝。在本文中，F(xiàn)ind模塊和And_Ordered模塊都采用了神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)。

Find模塊

Find(x)模塊是用來查找句子中匹配x部分的內(nèi)容，可以用正則表達(dá)式的匹配來實(shí)現(xiàn)，也可以用神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)。神經(jīng)網(wǎng)絡(luò)的Find模塊如下：

對于每一個句子來說，F(xiàn)ind(x)操作就是在句子中找到x，x可以是一個字、一個詞或者是一個N-gram。無論用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)還是用正則表達(dá)式的match(x)來實(shí)現(xiàn)，任務(wù)都可以看作是對句子做序列標(biāo)注，也就是對句子中的每一個單位都標(biāo)注“是否匹配”的標(biāo)簽。具體來說，對于句子中的每一個單位，先獲取到它滑動窗口的上下文，并令上下文和要查找的x都通過相同的編碼器（Encoder），之后用評價(jià)函數(shù)來對二者的相似程度進(jìn)行打分，最后根據(jù)每個位置的所有分?jǐn)?shù)來判斷當(dāng)前位置的標(biāo)簽。

And_Ordered模塊

And_Ordered模塊可以采取如下設(shè)計(jì)：

And_Ordered操作是用來判斷兩個輸入之間是否滿足一定的距離關(guān)系。通常來說，輸入就是子節(jié)點(diǎn)給出的標(biāo)記結(jié)果，如r0和r1。為了讓神經(jīng)網(wǎng)絡(luò)更容易判斷輸入之間的距離，我們可以引入距離標(biāo)記d0和d1。結(jié)合句子原文，And_Ordered模塊可以判斷出兩個子節(jié)點(diǎn)的輸入是否滿足距離關(guān)系。

模型訓(xùn)練

在訓(xùn)練過程中，模塊和Neural Rule Parser都采取了預(yù)訓(xùn)練+微調(diào)的策略。在訓(xùn)練時(shí)，先對數(shù)據(jù)和規(guī)則進(jìn)行訓(xùn)練集/驗(yàn)證集/測試集的劃分，為了避免數(shù)據(jù)泄漏，各部分之間不能混用。訓(xùn)練模塊的時(shí)候，先根據(jù)數(shù)據(jù)隨機(jī)生成各個模塊的訓(xùn)練樣本，在訓(xùn)練到一定程度時(shí)，把訓(xùn)練集中的規(guī)則真實(shí)應(yīng)用于訓(xùn)練集中的數(shù)據(jù)，按照數(shù)據(jù)的真實(shí)標(biāo)簽采用強(qiáng)化學(xué)習(xí)的方式對模塊進(jìn)行微調(diào)。對于Neural Rule Parser也按照類似策略，依前文方式進(jìn)行訓(xùn)練。

Neural Rule Engine (NRE)

NRE集合了上述的組件：NN/算法實(shí)現(xiàn)的模塊，NN/算法實(shí)現(xiàn)的Rule Parser。NRE的整體架構(gòu)如下圖所示：

對于給定的一條事例和一條規(guī)則，NRE先將規(guī)則拆解成由模塊組成的樹狀結(jié)構(gòu)，之后根據(jù)樹狀結(jié)構(gòu)將規(guī)則應(yīng)用于具體的語句上，從而給出匹配后的結(jié)果。

實(shí)驗(yàn)

論文在中文案情分類（Chinese crime case classification）任務(wù)和SemEval-2010 relation classification任務(wù)上進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如下：

NRE在中文案情分類數(shù)據(jù)集上的結(jié)果

NRE在關(guān)系分類數(shù)據(jù)集上的結(jié)果

上面的結(jié)果顯示，RE的Precision很高，但是Recall相對較低。而第二組Baseline是傳統(tǒng)意義上的序列模型，并不能處理好正則表達(dá)式，特別是正則表達(dá)式除了局部的匹配還需要考慮有層級關(guān)系的全局匹配，傳統(tǒng)的序列模型很難處理好這些情況。NRE則能帶來Recall接近翻倍的效果，同時(shí)Precision仍維持在較高的水平。需要關(guān)注的是，微調(diào)（Finetune）對NRE來說是至關(guān)重要的，因?yàn)镹RE在預(yù)訓(xùn)練階段是單純地在訓(xùn)練各個模塊，而微調(diào)是讓規(guī)則在真實(shí)場景中調(diào)整的關(guān)鍵。

同時(shí)，由于NRE可以充分利用神經(jīng)網(wǎng)絡(luò)和符號二者的優(yōu)勢，為了探究規(guī)則的泛化性從何處而來，我們還進(jìn)行了額外的實(shí)驗(yàn)。我們通過對不同部分分別采用神經(jīng)網(wǎng)絡(luò)和符號算法，從而得到了混合的模型（見下表）。隨著神經(jīng)網(wǎng)絡(luò)的介入，NRE整體的Recall表現(xiàn)會更好，而Precision在合理的范圍內(nèi)有所下降。實(shí)際上，這是因?yàn)樯窠?jīng)網(wǎng)絡(luò)的靈活性所帶來的優(yōu)勢，彌補(bǔ)了規(guī)則匹配的僵硬。

神經(jīng)網(wǎng)絡(luò)和符號算法的不同組合，其中“_”左邊是神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)，右邊是算法實(shí)現(xiàn)，“P”是“Find_Positive”，“N”是“Find_Negative”，“A”是“And_Ordered”，“S”是“Rule Parser”。

另一方面，研究模型給出的結(jié)果可以發(fā)現(xiàn)，F(xiàn)ind模塊帶來了巨大的泛化能力。傳統(tǒng)的正則表達(dá)式是對樣式進(jìn)行匹配，而NRE在一定程度上是對語義進(jìn)行匹配。如下述兩圖的中英文案例所示，查找“pushed into”會合理地找到“put inside”，而像“進(jìn)入室內(nèi)”被“入室”整體匹配上更能說明NRE對詞語的查找會超越樣式本身。

與此同時(shí)，用Neural Rule Parser對規(guī)則進(jìn)行拆解也是對規(guī)則本身進(jìn)行修正。比如下圖中的“落水管”和“不銹鋼管”被合并成為了“管”，而且“打墻洞”中的“洞”被刪去。

總結(jié)

我們提出了一種全新的學(xué)習(xí)策略來對符號規(guī)則進(jìn)行改進(jìn)，神經(jīng)規(guī)則引擎（Neural Rule Engine）使得規(guī)則獲得了神經(jīng)網(wǎng)絡(luò)帶來的靈活性、魯棒性和泛化能力，同時(shí)又保持了規(guī)則的精確性和可解釋性。

NRE包含了Rule Parser和一系列操作模塊，它們既可以是定制化的神經(jīng)網(wǎng)絡(luò)，又可以是符號算法。對于一條給定的規(guī)則，NRE先對規(guī)則進(jìn)行拆解，使其成為操作序列，之后根據(jù)操作序列來裝配模塊，最終給出預(yù)測結(jié)果。此外，我們還提出了分步的訓(xùn)練方法使得構(gòu)建NRE成為可能，即先對模塊和Rule Parser隨機(jī)生成數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練，之后根據(jù)真實(shí)的樣本標(biāo)注用強(qiáng)化學(xué)習(xí)進(jìn)行微調(diào)，從而得到具有泛化能力的規(guī)則表示。

實(shí)驗(yàn)表明NRE可以大幅提升規(guī)則的Recall，同時(shí)還能維持較高的Precision。NRE不僅是一種新的神經(jīng)符號學(xué)習(xí)范式，同時(shí)也為現(xiàn)有的工業(yè)應(yīng)用帶來了一種高效的改進(jìn)，它可以被用來對已有的規(guī)則系統(tǒng)進(jìn)行升級，或者在訓(xùn)練數(shù)據(jù)不大的情況下快速開發(fā)出神經(jīng)規(guī)則系統(tǒng)。

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。