Meaningful96

Meaningful96

Greeting :)

[논문리뷰]JointGT: Graph-Text Representation Learning for Text Generation from Knowledge Graphs

Date:     Updated:

카테고리:

JointGT: Graph-Text Representation Learning for Text Generation from Knowledge Graphs
ACL, 2021

Problem Statement

1. Structural information loss during encoding

기존의 Transformer 모델을 기반으로 한 Pre-trained 모델들의 경우 Fully Connected Self-Attention을 중심으로 모델이 구성된다. FC Self-Attention의 경우 하나의 노드에 대해 missing link를 고려하지 않고 모든 노드에 대해 attention을 구하기 때문에 그래프의 구조적 정보가 무시되는 문제점이 발생한다.


2. Absense of Explicit graph-text aliggnments

기존의 Text generation을 위한 Pre-Trained 모델들의 경우 auto-encoding이나 auto-regressive text reconstruction방식을 채택한다. 이 방식은 유실된 정보가 있는(또는 Masking 처리 된) ‘Corrupted Text Sequence’을 인코딩하고 디코딩 결과 ‘Original Sequence’가 출력된다.

한 가지 명백한 사실은, Knowledge Graph가 일반적인 Text Sequence보다 더 구조적으로 복잡하기 때문에 text reconstruction에 기반한 pre-training task를 다이렉트하게 이용하여 graph와 text를 매칭시키는 배열인 graph-text alignment를 학습시키기 난해하다.



Related Work

1. KG-to-Text Generation

KG-to-Text는 세 가지 측면으로 나눠진다. 각각 Encoder modification, Unsupervised Learning, Building pre-training models이다.

1) Encoder modification

  • Linearized Graph를 input으로 하는 Sequence Encoder의 고질적 문제인 그래프 구조 정보 손실을 완화하기위해 보다 더 복잡한 Encoder 모델이 필요하다.

2) Unsupervised Learning

  • graph-to-text task와 text-to-graph task를 non-parallel 한 graph-text 데이터를 이용하여 동시에 conversion하는 것을 목표로한다.
  • Unsupervised training objective to jointly learn = Joint Optimization

3) Building Pre-Training Models

  • 기존의 모델들은 KG-to-Text 데이터셋을 text-to-text 모델에 직접적으로 fine-tuning함.
  • GPT, BART, T5
  • 이 논문에서는 직접적으로 fine-tuning하는 것이 아닌 pre-training을 graph-text alighmnet를 명시적으로 학습하는데 이용한다.


2. KG-Enhanced Pre-Trained Models
KG-Enhanced Pre-trainined model들이 나오게 된 계기는 Knowledge Graph를 Pre-trained 모델에 통합하기 위한 시도에서 출발했다. 이렇게 함으로써, 그래프의 Entity와 Relation의 이해(Understanding entities and relations)를 자연어를 이용해 더 용이하게 하기 위함이다.



Method

1. Task Definition & Overview

1

먼저 Notation을 살펴보면 Knowlege Graph \(\mathcal{G} = (\mathcal{V,E})\) 이다. \(\mathcal{V} = \{e_1, e_2, \cdots, e_{ㅣ\mathcal{V}ㅣ}\}\)로 엔티티(Entity) 집합을 의미하고, \(\mathcal{E} = (r_{ij})\)로 엔티티와 연결된 릴레이션(relation)을 의미한다. 당연히 i와 j는 모든 노드를 한 번씩 지칭하기에 \(r_{ij}\)의 크기는 \(ㅣ\mathcal{V}ㅣ \times ㅣ\mathcal{V}ㅣ\)이 된다.

이 때, Knowlege Graph의 정보를 Input으로 넣어주기 위해 Linearize를 하고, \(\mathcal{G}\)의 linearize를 한 수식이 \(\mathcal{G_{linear}} = (w_1, w_2, \cdots, w_m)\)이다.

Linearize된 \(\mathcal{G_{linear}}\)는 총 m개의 token으로 되어 있고, 이를 통해 생성되는 Text Sequence는 n개의 Token으로 이루어진 \(X = (x_1, x_2, \cdots, x_n)\)이다. X는 이 모델 자체가 Transformer를 기반으로한 Encoder-Decoder 모델이며, 이는 Auto-Regressive하므로 모델의 전체 입력은 \(\mathcal{G_{linear}}\)와 \(X\)를 연속적으로 연결한 벡터가된다.

  • JoingGT 모델의 특징
    • KG의 Triple을 Linearize하고, 이를 이전 Layer의 출력값과 연결해 하나의 Input을 만든다.
    • Input Graph의 구조 정보를 보존하기위해 Structure-Aware Semantic Aggregation Module을 제시한다.
    • 그리고 3가지 새로운 Pre-Training을 제시하고 이에 접목시켜 디코더 부분을 조금씩 바꿔준다.

2 Model Structure

1

3가지 Pre-Training Task에 대하여 공통적인 부분을 차지하는 Encoder Module을 살펴보면 크게 네 부분으로 나눠진다.

  • Encoder
    • Vainilla Self-Attention Layer
    • Pooling Layer
    • Structure-Aware Self-Attention Layer
    • Residual Layer

1) Vanilla Self-Attention

1

먼저 Vailla Self-Attention Layer를 살펴보면, 전통적인 Transformer 모델의 Self-Attention기법을 사용한다. 즉, 한 토큰이 전체 시퀀스에 있는 모든 토큰과 Attention을 통해 각각의 토큰과 얼마나 연관성이 있는지에 대한 정보를 얻게된다.

이를 통해 결론적으로 입력 시퀀스의 Textual Information(Contextual Semantic relations)을 얻게된다. Pre-Training과정 중의 입력과 출력을 정리하면 다음과 같다.

  • Goal: Capturing Contextual Semantic Information
  • Input: Sequence (\(\mathcal{G_{Linear}} ㅣㅣ X\)), lineaized graph & corresponding text sequence
  • Output: Attention Value in \(l^{th}\)-layer \(h_i^l\), 여기서 i는 노드(Head Entity) 번호이고 l은 레이어의 층 수를 의미한다.

다시 한 번 강조하면, Vanilla Self-Attention(Fully connected self-attention)의 결과로 엔티티간 풍부한 Contextual Semantic Relationship을 얻을 수 있고, 이 정보를 담고있는 Sequence가 Pooling layer의 입력으로 들어간다.

1

Vanilla Self-Attention 수식


2) Pooling Layer

1

Vanilla Self-Attention의 결과로 얻은 Contextual Semantic information에 Structural Information을 넣어주기 위해서 약간의 Sequence를 변형해야 한다. 이 과정을 Pooling Layer에서 수행하게 된다. Pooling은 mean pooling으로 하며 이 결과로 엔티티의 representation과 릴레이션의 representaion을 각각 얻게된다.

  • Goal: Entitiy Representation과 Relation Representation으로 Input Sequence를 분리
  • Input: Vanilla Self-Attention의 결과로 얻은 Contextual semantic vector
  • Output: Entity Representation & Relation Representation

1

mean pooling 수식


3) Structure-Aware Self-Attention Layer

1

Pooling Layer를 통해서 문맥 정보가 담겨져있는 시퀀스의 정보를 엔티티와 릴레이션의 표현식으로 각각 나뉘어졌다. 이 두 표현식을 입력으로 Structure-Aware Self-Attention에 넣어준다. 수식을 살펴보면 한 엔티티의 정보를 모든 엔티티와 릴레이션의 정보를 Attention하는 것을 알 수 있다. 즉, head 엔티티와 다른 모든 엔티티를 비교해 tail 엔티티가 될 수 있는 확률을 보는 한편, 그에 맞는 릴레이션까지 찾아내기위한 과정임을 알 수 있다. 즉, Contextual Semantic Information을 가진 Input Sequence에 대해 Local Structure Information를 주입하게 되는 것이다.

This layer integrates the contextual semantic representation of entities and relations 
based on graph structure, therby injecting the structural information into the vanila
Transformer layer which contains textual informations
  • Goal: Graph Structure Information을 Contextual Semantic Information에 주입
  • Input: Semantic Information이 있는 Entity & Relation Representation
  • Output: (Semantic + Structural) 엔티티에 대한 Attenton Value

1

Structural-Aware Self-Attention 수식


4) Residual Layer

1

레이어의 이름에서도 알 수 있듯이, Residual(잔차)를 이용하는 레이어이다. Residual Connection을 통해서 정보를 결합하는 역할을 한다. 먼저 Structural-Aware Self-Attention의 결과로 나온 엔티티의 Semantic representation과 Structural representation을 결합하고 최종적인 Hidden State를 뽑아낸다.

  • Goal: Fusing Semantic and Structural representation
  • Input: Structural-Aware Self-Attention의 결과로 얻은 엔티티의 representation(Semantic 정보 + Structural 정보)
  • Output: l번째 layer의 최종 Hidden state Sequence(처음 입력값인 \(h^{l-1}\)과 동일한 형태)

1

Residual Layer 수식


5) Summary of Encoder

1

기존의 Structure-Aware Transformer 인코더는 모델 파라미터를 통해 직접적으로 학습시키거나, 다른 KG 임베딩 모델로부터 엔티티 임베딩과 릴레이션 임베딩을 얻는다. 반면에 JointGT 인코더의 경우, 엔티티와 릴레이션 임베딩을 Contextual semantic representation을 이용해 얻는다. 이 디자인은 구조적인 정보를 보존하면서 동시에 기존의 Pre-trained 모델로부터 얻은 contextual representation을 완전히 이용한다. 그리고 다른 KG dataset을 fine-tuning하여 새로운 엔티티와 릴레이션을 더 잘 생성한다.

3. Pre-Training Tasks

논문에서 제시한 Pre-Traninig Task의 목표는 Input graph ‘\(\mathcal{G}\)‘와 그에 상응하는 Text Sequence ‘\(X\)‘가 주어졌을 때, Graph Encoder와 Sequence Decoder를 Joinly하게 학습시켜 graph-text alignment(그래프-텍스트 정렬)를 향상시키는 것이다. 총 세 가지의 새로운 Pre-Traning Task를 제안한다.

  • Graph Enhanced Text Reconstruction
  • Text Enhanced Text Reconstruction
  • Graph-Text Embedding Alignment

1) Graph Enhanced Text Reconstruction

1

이 Task가 풀고자 하는 것은 완전한 KG 그래프를 이용하여 Masking된 Text Sequence를 복원하는 것이다. Graph Enhanced Text Reconstruction을 풀 때 모델의 구조를 보면 앞서 제안된 JointGT의 Encoder 모듈의 입력으로 Triple정보를 Linearize한 \(\mathcal{G_{linear}}\)와 마스킹 처리된 Text Sequence \(\widehat{X}\)이 들어가고 Structual-Aware Self-Attention layer와 Residual Layer를 거쳐나온 최종 Output Sequence가 Transformer 기반 모델(BART, T5)의 디코더의 입력으로 들어간다. 또한 디코더의 또 다른 입력은 마스킹 처리되지 않은 Text Sequence가 들어가 Self-Attention을 진행하게 된다. 결과적으로 디코더의 출력은 Token으로 이루어진 Text Sequence가된다.

  • Encoder
    • Input: Linearized Graph + Masked Text Sequence
    • Output: Hidden state Sequence
  • Decoder
    • Input: Encoder’s Output + Fully Text Sequence
    • Output: Text Sequence

Task를 풀기위해서 모델을 정의했으니 이제 최적화를위한 Loss를 설정해야한다. Loss는 \(\mathcal{L_{text}}\)로 표현하고 그 수학적인 형태는 Negative MLE와 비슷하다

1

Loss of Graph Enhanced Text Reconstruction

Masking된 Text Sequence를 만들기 위해서는 엔티티를 40%의 확률로, 나머지는 20%의 확률로 마스킹한다. 이 때, 엔티티의 비율이 높은 이유는 KG-to-Text generation에서 엔티티의 단어가 좀 더 중요하기 때문이다. 또한 난이도를 높이기 위해서 연속적으로 마스킹된 토큰들은 하나의 토큰으로 간주한다.

Knowledge Graph를 분리된 vocabulary space에서 연결된 릴레이션을 순회하며 Corrupted(Masking)된 Text Sequence를 복원한다.


2) Text Enhanced Graph Reconstruction

1

이 Task가 풀고자 하는 것은 앞서 제안된 Graph Enhanced Text Reconstruction과는 반대로 Text가 주어졌을때 Graph를 복원하는 것이다. 쉽게 설명하면 Text 정보를 이용해서 그래프의 Missing link또는 Missing Entity를 찾는 것이다. 엔티티와 릴레이션이 마스킹된 Corrupted KG \(\widehat{\mathcal{G}}\)와 완전한 Text Sequence \(X\)가 주어졌을 때 loss function은 linearized KG에서 마스킹된 엔티티와 릴레이션을 복원한다.

Loss function은 \(\mathcal{L_{graph}}\)로 표현하고 형태는 \(\mathcal{L_{text}}\)와 유사하다. 다만, \(M_i\)라는 파라미터가 추가적으로 있는데 이것은 indicator function(지칭함수)라 하며, Linearized graph \(\mathcal{G_{linear}}\)의 성분인 \(w_i\)가 마스킹되어 있으면 1이다.

1

Loss of Text Enhanced Graph Reconstruction

Graph를 복원하는데 Text를 사용하고, Text에 있는 엔티티와 릴레이션에 좀 더 집중해 인코더를 가이딩한다.


3) Graph-Text Embedding Alignment

1

Graph-Text Embedding Alignment task는 Embedding space에서 graph-text 정렬을 명시적으로 향상시키기 위해 고안된 Task이다. 참고로 Pre-Training task들은 연속적인 임베딩 공간(continuous embedding space)에서 graph-text alignment를 향상시키기 위함이다.

논문에서 이 문제를 해결하기 위해 Optimal Transport(OT) 를 도입했다. OT는 Cross-domain alignment 문제를 해결하는데 자주 사용되며 인코더로부터 얻은 graph representation과 디코더로부터 얻은 text representation의 minimum cost를 계산하는 것을 목표로한다. 정리하자면, Graph-Text Embedding Alignment가 풀고자 하는 것은 결국 KG의 임베딩 벡터와 Text를 Optimal Transport를 통해 매칭시키는 것이다.

1

1) Graph-Text Embedding Alignment의 전체적인 모델 아키텍쳐를 살펴보면, Input은 기존과는 다르게 Linearized된 KG인 \(\mathcal{G_{linear}}\)이다. 이는 총 m개의 토큰으로 구성 되어있는 시퀀스 벡터이다. 인코더를 거쳐서 나온 최종 결과값이 \(H^L\)이다. 인코더 내부에서 Pooling Layer를 거쳤을때도 마찬가지로 Graph Representation을 얻을 수 있다.

2) 또한 Entity Set과 Relation Set의 합집합을 새로운 시퀀스로 정의하고 \(\mathcal{G_{seq}}\)로 표기한다. 모든 엔티티와 릴레이션을 포함하므로 시퀀스의 총 토큰 수는 \(ㅣ\mathcal{V}ㅣ \times ㅣ\mathcal{E}\) 개이다. 이 시퀀스 \(\mathcal{G_{seq}}\)로 인코더에 넣어 다이렉트하게 Contextual Embedding Vector를 얻을 수 있다.

1

3) 디코더가 인코더의 출력값과 Text Sequence를 입력으로 받는다. 디코더의 최종 Hidden state로부터 \(X\)의 임베딩 벡터를 얻을 수 있고 이는 \(S = (s_1, s_2, \cdots, s_n)\)로 표기된다. \(X\)와 마찬가지로 \(S\)역시 시퀀스 벡터는 n개의 토큰으로 구성된다.

4) Graph-Text Alignment를 위해 확률분포를 정의해야 하는데, \(\mathcal{G_{seq}}\)와 \(X\)는 모두 이산분포를 따른다.

1

5) OT Distance를 이용해 Loss를 정의한다. \(T\)는 transport plane이고, \(1_n\) 과 \(1_{ㅣ\mathcal{V}ㅣ \times ㅣ\mathcal{E}ㅣ}\)는 모든 요소가 1인 벡터이다. \(n\)과 \(ㅣ\mathcal{V}ㅣ \times ㅣ\mathcal{E}ㅣ\)이 차원수를 의미한다.

6) \(T\)를 추적하는 것은 불가능하다.(Intractable) 따라서, IPOT 알고리즘을 이용해서 최적화를 진행하며 Iteratively하게 \(T\)의 solution을 얻게된다. \(T\)를 찾고나면 비로서 \(\mathcal{L_{OT}}\)를 모델 파라미터를 최적화하는 alignment loss로써 역할을 할 수 있다. 이 Task가 하고자 하는 바는 결국 KG와 Text의 Contextual Embedding Vector를 연결하여 결과적으로 연속 공간에서 명시적인 Graph-Text alignment(그래프-텍스트 정렬)를 가능하게 한다.

1

Loss of Graph-Text Alignment



Experiment & Result

1. Dataset

  • Pre-Training
    • KGTEXT를 이용하여 사전 학습을 진행.
    • 7M개의 Graph-Text data pair를 가진다.
    • 텍스트는 English Wikidump에서 얻었고, Wikidata로부터 그에 상응하는 KG를 얻었다.
    • Pre-trained 모델은 BART와 T5이다.
  • Fine-tuning dataset
    • WebNLG(U)
    • WebNLG(C)
    • WebQuestions
    • PathQuestions


2. Fine-Tuning Settings

1

  • WebNLG
    • RDF Triple(Semantic Triple)을 Textual Description으로 변환하는 것을 목표로하는 데이터셋이다.
  • WebQuestions
    • Knowledge bases question generation(KBQG)을 위한 Banchmark 데이터셋이다.
    • 이 것은 KG에 상응하는 자연어 질문을 만들어 내는 것을 목적으로 하는 task이다.
  • PathQuestions
    • KGQG를 위한 Banchmark 데이터셋이다. 다만, Question-answering dataset으로부터 만들어졌다.
    • 가장 큰 차이점은 엔티티간의 거리가 2-hop 또는 3-hop path라는 것이다.

3. Result

1) Automatic Evaluation

1

SOTA 달성


2) Human Evaluation

1

두 가지 기준을 가지고 Human Evaluation을 진행했다. fluency와 adequacy이다.

  • fluency: 문장이 문법적으로 유창한지를 판단(whether a sentence grammatically fluent)
  • adequacy: 문장이 Knowledge Graph를 명확하게 묘사하는지를 판단(whether a sentence clearly describes the knowledge graph)

랜덤하게 총 100개의 KG를 test set으로부터 샘플링하고, 가장 경쟁력이 있는 BART나 T5와 JointGT 모델로부터 나온 결과를 모아서 비교했다. 결론적으로 JointGT가 다른 Baseline모델들에 비해 더 좋은 fluency와 adequacy를 보여주었다.



4. Ablation Study

1) Encoder Structure

1

JointGT의 Structure-Aware Semantic Encoder 모듈의 효과를 비교하기위해 기존에 존재하던 Sequence 인코더와 Relation-Aware 인코더를 대채하여 실험을 진행하였다. Evaluation Metric은 BLEU, METEOR, ROUGE 총 세 가지를 사용하여 진행했다. 결론적으로 JointGT가 모든 평가지표에서 가장 높은 점수를 보였다.

또한 WebNLG(U) 데이터 셋에서 다른 Triple input을 넣어서 실험을 진행을 하였고, BLEU 스코어를 평가 지표로 삼았다. 이 역시 JointGT가 가장 좋은 결과가 나왔다. 특히, Input triple의 수가 커질수록 명백하게도 JointGT가 더 복잡한 KG구조에서도 인코딩을 잘 한다는 것을 알 수 있다.


2) Pre-Training Task

1


3) Few-Shot Learning

1

Pre-Training data의 양이 작아도 JointGT가 가장 좋은 결과를 보인다. 위의 그림에서 빨간색과 파란색 글씨가 오답인 부분으로, JointGT는 하나도 없는 반면 BART나 T5는 신뢰할 수 없는 부분이 나온다.



Contribution

1

  1. KG-to-Text를 위한 새로운 Pre-trained Encoder Module을 제시하였다.
  2. 여러가지 Banchmark dataset에 대해 SOTA달성

GR 카테고리 내 다른 글 보러가기

댓글 남기기

최근 글 10 개 :)