笔记整理：米尔扎提·阿力木，天津大学硕士，研究方向为大模型

论文链接：https://aclanthology.org/2024.findings-eacl.32

1. 动机

知识图谱完成（KGC）是自然语言处理（NLP）的一项基本任务，旨在揭示不同知识图谱中隐藏的见解，以探索新的知识模式。传统的KGC方法通常通过根据其结构信息学习每个实体和关系的表示来预测三元组的缺失部分。然而，这种基于嵌入的方法往往会忽略知识图谱形成中的丰富文本。因此，预训练语言模型（PLM）已被引入KGC并取得了可喜的结果。虽然已经充分发现文本信息对基于PLM的KGC模型有益，之前尝试用维基百科文章中的文本数据或同义词集定义来增强KGC模型遇到了某些限制：①实体描述，通常是简洁和静态的，可能会抑制对KGC模型中实体的全面理解的形成。②合并三元组描述，尽管可能丰富，但会引入大量噪声，特别是当通过自动实体对齐得出时。图1演示了一个示例来说明上述限制。头部“J. G. Ballard”的描述是有限的，而尾部的描述“上海”则错误地使用了同样名为“上海”的电影的定义。此外，虽然这两个实体出现在三元组描述中，但它在传达关系“place_of_birth”的语义本质方面存在不足。

鉴于这些限制，我们的注意力转移到大型语言模型（LLM），以其生成清晰和高质量数据的能力而闻名。我们的探索始于对 KGC 中的 LLM的仔细评估，并在几个受人尊敬的 KGC 数据集中对它们进行基准测试。利用1-shot In-Context Learning（ICL），我们推断出三元组中缺失的正面或反面并报告评估指标。它揭示了与 KGS2S 相比，两个 LLM 存在显著的性能差异，尽管它依赖于较小的基础模型 T5-base。这一见解推动我们得出结论，即直接将 LLM 用于KGC任务虽然直观，但被更小、更专业的KGC模型的微调所超越。Wei强调了LLM在以知识为中心的任务中的局限性。

为了最好地利用KGC的LLM，我们从最近的工作中汲取灵感，并引入了一种新方法，即情境化蒸馏。情境化 Distillation 首先通过精心设计的提示从LLM 中提取描述性上下文，从而确保每个实体和三元组的动态、高质量上下文。在此之后，提出了两个辅助任务，以使用这些信息丰富的描述性上下文来训练较小的 KGC模型。我们的情境化蒸馏的即插即用特性使我们能够在各种KGC数据集和基线模型上应用和评估它。通过广泛的实验，我们确认Contextualization Distillation始终如一地增强了较小KGC模型的性能，而与架构和管道差异无关。此外，我们对情境化蒸馏的每个步骤都提供了详尽的分析，鼓励进一步的见解和阐明。

这项工作的贡献可以归纳为三个主要方面：

（1）我们确定了当前语料库对基于PLM的KGC模型的约束，并引入了一种即插即用的方法，即情境化蒸馏，以通过从 LLM 中提取的基本原理来增强较小的KGC模型。

（2）我们在几个广泛认可的KGC数据集中进行了广泛的实验，并利用了各种基线模型。通过这些实验，我们验证了情境化蒸馏在不断改进较小的KGC模型方面的有效性。

（3）我们对我们提出的方法进行了全面分析，并为生成蒸馏路径选择以及选择合适的蒸馏任务提供了有价值的见解和指导。

2. 方法

在本节中，我们首先说明如何策划提示以从 LLM 中提取每个三元组的描述性上下文。随后，我们设计了一个多任务框架，以及两个辅助任务—重建和情境化—以使用这些高质量的语料库训练较小的KGC模型。我们方法的概述管道如图2所示：

2.1 从LLM中提取描述性上下文

最近的研究强调了LLM将结构数据情境化并将其转化为上下文丰富的片段的非凡能力。在这里，我们借用了他们的见解并从LLM中提取了描述性上下文，以解决我们提到的现有KGC语料库的局限性。

特别是，我们关注了先前方法中普遍存在的两种常用的描述类型：实体描述 ED和三元体描述TD。实体描述是指单个实体的定义和描述，而三元组描述是指反映三元组中两个实体之间特定关系的文本段。给定知识图谱 ∈ T 的三元组，我们首先通过填写预定义的模板来为第 i 个三元组策划提示 ：

其中 、 、 是第 i 个三元组的头实体、关系和尾部实体。然后，我们使用 作为输入，提示LLM为每个三元组生成描述性上下文 ：

2.2 生成路径

在不损失泛化的情况下，我们考虑了不同的生成路径，以指示 LLM 生成文本信息并在第 4.3 节中进行消融研究。我们采用的所有生成路径如下：

T −→（ED，TD）同时生成实体描述和三元组描述。如图 3 所示，这是我们在主实验中使用的上下文生成路径。

T −→ED curates提示以指示LLM仅生成实体描述。

T −→TD curates 提示以指示LLM仅生成三元组描述。

T −→RA 促使LLM生成基本原理而不是描述性上下文。

T −→ED −→TD 以两步方式生成实体描述和三元组描述。

最终的描述性上下文是通过连接两段文本获得的。

2.3 使用描述性上下文进行多任务学习

不同的基于PLM的KGC模型采用不同的损失函数和管道架构。为了确保我们的情境化蒸馏适用于各种基PLM的KGC方法的兼容性，我们为这些模型设计了一个多任务学习框架，以便从KGC任务和辅助的描述性基于上下文的任务中学习。对于辅助任务，我们分别为判别性和生成性KGC模型设计了重建和上下文。

（1）重建

重建任务旨在训练模型以恢复损坏的描述性上下文。对于判别性KGC模型，我们遵循Kenton和Toutanova的实施并使用掩码语言建模MLM。以前的研究已经验证，特定领域语料库中的这种辅助自监督任务可以使下游应用受益。

具体来说，MLM在描述性上下文中随机识别15%的代币。在这些代币中，80% 被特殊代币“< Mask >”战术性地隐藏起来，10% 被随机代币无缝替换，而其余 10% 保持不变。对于每个选定的代币，MLM 的目标是通过交叉熵损失恢复该特定位置的原始内容。上述过程可以正式表示如下：

判别性KGC模型的最终损失是KGC损失1和建议的重建损失的组合：

其中α是一个超参数，用于控制两种损失之间的比率。

（2）情境化

上下文化的目标是指示模型在提供原始三元组ti= h，r，t时生成描述性上下文 。与重建相比，情境化需要PLM具有更细致和复杂的能力。它要求PLM精确掌握所涉及的两个实体的含义以及将它们联系在一起的内在关系，以生成流畅准确的描述。

具体来说，我们将 head、relation和tail与特殊标记“< Sep >”作为输入连接起来：

然后，我们将它们输入到生成式PLM中，并训练模型使用交叉熵损失生成描述性上下文 :

生成KGC模型的最终损失KGC损失2和提出的情境化损失的组合:

对于生成式KGC模型，也适用于将重建作为辅助任务。

3. 实验

在本节中，我们将情境化蒸馏应用于一系列基于PLM的KGC基线。我们将增强模型与我们的方法与使用多个KGC数据集的普通模型进行比较。此外，我们对情境化蒸馏中的每个成分进行进一步分析，并通过进行案例研究使我们的方法更具可解释性。

3.1 数据集

我们在实验中使用 WN18RR和FB15k-237N。WN18RR是其各自对应物 WN18的增强版本。这些改进包括删除所有逆关系以防止潜在的数据泄漏。对于 FB15K-237N，它是FB15k的改进版本，通过消除源自Freebase中介节点的级联关系以避免笛卡尔生产关系问题。

3.2基准线

我们采用几种基于PLM的KGC模型作为基线，并将提议的情境化蒸馏应用于它们。KG-BERT是第一个建议将PLM用于KGC任务的人。我们还考虑了 CSPromKG，它将PLM与传统知识图谱嵌入KGE模型相结合，在KGC中实现了效率和性能之间的平衡。除了这些判别性模型外，我们还利用了生成式 KGC 模型。GenKGC是第一个以序列到序列的方式完成KGC的人，以微调的 BART为支柱。紧随其后，KGS2S采用软提示调整，并在生成KGC模型中导致新的 SOTA 性能。

3.3实验设置

我们所有的实验都是在使用 CUDA 版本11.1的单个GPU（RTX A6000）上进行的。我们使用 PaLM2-540B作为大型语言模型来提炼描述性上下文。我们将情境化蒸馏超参数α ∈ {0.1，0.5，1.0} 进行调整。我们遵循原始论文中的超参数设置来重现每个基线的结果。对于所有数据集，我们遵循以前的工作并报告平均倒数秩（MRR）、Hits@1、Hits@3 和Hits@10。

3.4实验结果

表2显示了我们在 WN18RR 和 FB15k-237N 上的实验结果。我们观察到，我们的情境化蒸馏始终如一地提高了所有基线方法的性能，无论它们是基于生成模型还是判别模型。这种坚定不移的改进证明了我们的方法在各种基于PLM的 KGC 方法中的稳健泛化和兼容性。

此外，我们选择实施情境化蒸馏的一些基线也利用了情境信息。例如，KGBERT和CSProm-KG都采用实体描述来增强实体嵌入表示。尽管如此，我们的方法还是设法为这些基于上下文的基线提供了额外的改进。其中，值得注意的是，将我们的方法应用于KG-BERT后，MRR总体提高了31.7%。所有这些发现使我们得出结论，情境化蒸馏不仅与基于上下文的KGC模型兼容，而且能够进一步提高它们的性能。

辅助蒸馏任务带来的额外培训成本可能会对我们的方法构成潜在的限制。但是，我们也注意到基线模型在验证集上的方法覆盖率更高。图4显示了在 FB15k-237N上进行 CSPromKG训练期间的验证MRR与纪元数的关系。很明显，与没有我们方法的变体（大约220个时期）相比，具有情境化蒸馏的CSProm-KG 实现了更快的收敛，并更早地（大约 125 个时期）达到了最佳检查点。这意味着辅助蒸馏损失也可以加快KGC中的模型学习。批处理时间和训练步骤之间的这种权衡最终导致训练效率与原版模型相当。

4. 总结

在这项工作中，我们提出了 情境化蒸馏，通过提示LLM生成描述性上下文来解决现有KGC文本数据的局限性。为了确保我们的方法在各种基于PLM的 KGC模型中的多功能性，我们设计了一个多任务学习框架。在这个框架内，我们结合了两个辅助任务，重建和情境化，这有助于在信息丰富的描述性上下文中训练较小的KGC模型。我们在几个主流的KGC基准上进行了实验，结果表明我们的情境化蒸馏始终如一地提高了基线模型的性能。此外，我们进行了深入分析，以使我们的方法的效果更易于解释，从而为如何有效地利用LLM来改进 KGC提供指导。将来，我们计划将我们的方法应用于其他知识驱动型任务，例如实体链接和知识图谱问答。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】