精心設(shè)計的 GNN 只是“計數(shù)器”？

編者按：問答（QA）任務(wù)是自然語言理解領(lǐng)域中一個基本且重要的課題，目前通常會使用預(yù)訓練語言模型以及圖神經(jīng)網(wǎng)絡(luò)等方法對問答進行推理。GNN 模塊在推理中到底發(fā)揮了什么作用？這個問題需要科研人員做進一步深入探究。為此，微軟亞洲研究院和佐治亞理工的研究員們剖析了最前沿的相關(guān)方法，并且發(fā)現(xiàn)一種極其簡單、高效的圖神經(jīng)計數(shù)器就能在主流的知識問答數(shù)據(jù)集中取得更好的效果。

長期以來，問答（QA）問題都是人工智能和自然語言處理領(lǐng)域中一個基本且重要的課題，層出不窮的研究工作都試圖賦予問答系統(tǒng)具有人類水平的推理能力。然而，人類的推理過程是極為復(fù)雜的，為了接近這樣復(fù)雜的推理，目前最前沿的方法一般會使用預(yù)訓練的語言模型（LM）來獲取和利用其隱含的知識，再輔以精心設(shè)計的圖神經(jīng)網(wǎng)絡(luò)（GNN）來對知識圖譜進行推理。但是關(guān)于 GNN 模塊在這些推理中到底發(fā)揮了哪些功能，仍需要進一步深入研究。

為此，微軟亞洲研究院和佐治亞理工的研究員們剖析了最前沿的相關(guān)方法，并且發(fā)現(xiàn)一種極其簡單、高效的圖神經(jīng)計數(shù)器就能在主流的知識問答數(shù)據(jù)集中取得更好的效果。同時，研究員們還揭示了當前基于知識推理的 GNN 模塊很有可能只是在完成簡單的推理功能如計數(shù)。（點擊閱讀原文，查看論文）

論文鏈接：https://arxiv.org/abs/2110.03192

知識的獲取和推理是問答（QA）任務(wù)的核心， 而這些知識被隱式編碼于預(yù)訓練語言模型（LM）或者顯式存儲在結(jié)構(gòu)化的知識圖譜（KG）里。當前的 LM 在預(yù)訓練過程中都會使用大規(guī)模的語料庫，其中蘊含極其豐富的知識，這就使得 LM 稍加微調(diào)（finetune）就可以在各種 QA 數(shù)據(jù)集上取得不錯的表現(xiàn)。

但是，LM 更依賴于共現(xiàn)（co-occurrance），這在處理推理問題時捉襟見肘，并缺乏可解釋性。而與之互補的 KG 盡管需要人工整理且規(guī)模受限，但它可以直接顯示存儲特定的信息和關(guān)系，從而具備可解釋性。

如何在 QA 里將二者結(jié)合起來揚長避短是近年來的熱點話題，最前沿的工作大多采用了兩個步驟來處理知識圖譜：

1. Schema graph grounding。在知識圖譜里檢索與 QA 文本提及的實體相關(guān)聯(lián)的子圖，這個子圖包含帶有概念文本的節(jié)點和代表關(guān)系的邊以及鄰接矩陣。

2. 圖建模推理（Graph modeling for inference）。用設(shè)計精巧的 GNN 模塊對這個子圖進行建模推理。

這里的 GNN 模塊通常會設(shè)計得比較復(fù)雜，比如 KagNet 用了 GCN-LSTM-HPA 即基于路徑的分層注意力機制（HPA）來耦合 GCN 與 LSTM，從而對基于路徑的關(guān)系圖進行表征；再如 QA-GNN 則在以 GAT 網(wǎng)絡(luò)為主體的同時，用 LM 將 QA 文本編碼到圖中，成為一個單獨的節(jié)點，從而與圖中其它概念和關(guān)系進行聯(lián)合推理。

隨著 QA 系統(tǒng)變得越來越復(fù)雜，研究員們也不得不進一步思考一些基本問題：這些 GNN 模型是不夠復(fù)雜還是過于復(fù)雜了？它們究竟在推理中扮演了哪些關(guān)鍵的角色？

為了回答這些問題，研究員們首先分析了現(xiàn)在最先進的基于 GNN 的 QA 系統(tǒng)及其推理能力?；诎l(fā)現(xiàn)，研究員們設(shè)計了一種圖計數(shù)網(wǎng)絡(luò)。這個網(wǎng)絡(luò)不光簡單高效，而且在 CommonsenseQA 和 OpenBookQA 這兩個基于推理的主流數(shù)據(jù)集上都達到了更優(yōu)的效果。

圖 1 ：研究員們分析發(fā)現(xiàn)當前 GNN 在 QA 中扮演的關(guān)鍵角色是對邊進行計數(shù)，于是便設(shè)計了一種高效且具有解釋性的圖計數(shù)模塊來對 QA 進行推理。

而為了分析 QA 里最前沿的基于 GNN 對的系統(tǒng)，研究員們則用 SparseVD 剪枝方法對 GNN 各個子單元先進行剪枝訓練，然后，在不損失精度的前提下，對各層保留的稀疏率進行統(tǒng)計，以判斷各子模塊的重要性及功能。如圖2所示，通常檢索得到的 KG 子圖會被預(yù)處理成 Node Embedding, Edge Embedding 和鄰接矩陣，相關(guān)分數(shù)等部分則作為 GNN 的輸入。研究員們通過分析發(fā)現(xiàn)，初始的 Node Embedding 和相關(guān)分數(shù)是不必要的，相關(guān)層的稀疏率幾乎可以被剪枝到零，即這些相關(guān)層可以直接去掉。而 Edge Embedding 相關(guān)層更難被剪枝，可見其對當前場景下的推理非常重要。對于 GAT 里的 message passing 層，通過觀察可以得知，這些層的稀疏率都比較低，尤其是前幾層的 query 和 key 層已經(jīng)接近于零，即這些層有過參數(shù)化的趨勢，并且注意力機制幾乎退化為線性變換。

圖 2：研究員們用剪枝方法 SparseVD 作為工具對 QA 里的 GNN 各個模塊進行分析，發(fā)現(xiàn)邊的信息相關(guān)層極為重要，而其它很多層存在過參數(shù)化的現(xiàn)象。

基于分析結(jié)論，研究員們設(shè)計了一個極其簡單且高效的基于計數(shù)的Graph Soft Counter（GSC）。如圖3所示，相較于其他主流的 GNN 如 GAT，GSC 只有兩個基本部件：邊編碼器（Edge encoder）和圖計數(shù)層（Graph Soft Counter Layer），并且節(jié)點和邊上的隱層維度也減少到1，這意味著在途中流動的全是單個的數(shù)字，可以將它們解釋為邊和節(jié)點的重要性分數(shù)。亦如圖4的算法一所示，GSC 極度簡化 massage passing 的過程為最基本的兩個操作即 propagation 和 aggregation，從而將這些重要性分數(shù)加總到 QA context 中心節(jié)點，并作為選項的分數(shù)進行輸出。

圖 3：GSC 層交替更新邊和節(jié)點上的計數(shù)分數(shù)

圖 4：算法一：將邊信息進行編碼后，GSC 層執(zhí)行 message passing 將分數(shù)匯總到中心節(jié)點即為圖分

值得一提的是，GSC 層內(nèi)部是完全無參數(shù)的，這也使得它非常高效。如表1所示，GSC 的可學習參數(shù)量少于其它 GNN 模塊的百分之一，并且由于沒有使用初始的Node Embedding，GSC 的模型存儲大小更是小了五個數(shù)量級。再如表2所示，GSC 在時間和空間復(fù)雜度上也都極其高效。

表 1：GSC 僅使用了鄰接矩陣和邊/節(jié)點類型信息，且參數(shù)極少

表 2：GSC 在時間和空間復(fù)雜度上都極其高效

除了簡單高效，GSC 的表現(xiàn)也很突出。研究員們在 CommonsenseQA 和 OpenBookQA 這兩個基于推理的主流數(shù)據(jù)集上進行了實驗。論文中提出的基線既有未使用 KG 的 LM 本身，也有其它使用 GNN 來處理 KG 的其他前沿方法。如表3~5所示，GSC 方法在兩個數(shù)據(jù)集上都占有優(yōu)勢，并且在OpenBookQA 官方排行榜上位居第一，甚至超過了 UnifiedQA（11B）這個擁有110億參數(shù)的巨無霸模型。

表 3：GSC 在 CommonsenseQA 數(shù)據(jù)集上優(yōu)于其它基于 GNN 的方法

表 4：GSC 在 OpenBookQA 數(shù)據(jù)集上優(yōu)于其它基于 GNN 的方法

表 5：GSC 在 OpenBookQA 官方排行榜上排名第一，甚至超過了 UnifiedQA

本篇論文的分析和提出的方法，揭示了當前復(fù)雜的基于 GNN 的 QA 系統(tǒng)很可能只是在執(zhí)行一些基礎(chǔ)的推理功能比如計數(shù)這一現(xiàn)象。如何打造一個面面俱到的 QA 系統(tǒng)以達到人類的推理水平仍是一個丞待解決的宏大命題。