Closed xerrors closed 2 years ago
xerrors
commented
2 years ago 但是直接使用 $(s + r - o)$ 的方式，感觉是有点简单粗暴了哈~
这部分我后来做了些功课，这里计算使用的 $d(s, r, o) = (s+r-o)^2$ 兴许是参考了 TransE 中的做法？”在TransE中，关系类被表征为翻译嵌入式表征。如果实体对存在，则头实体与之对应的关系向量之和和尾实体尽可能相同。“
https://github.com/thunlp/KB2E/blob/master/TransE/Test_TransE.cpp#L98-L108
Translating Embeddings for Modeling Multi-relational Data
zxlzr
commented
2 years ago 感谢关注哈，前段时间忙发现这个issue，不知道是否已有同学回复了。我来简单解答一下问题： 1 在设计 KE loss 的时候是怎样考虑的？当时在实验的时候，KE loss 的表现又是如何？ 答：设计KE主要为了隐式建立实体和关系间的一种关联，原理和之前一些知识增强提示学习的思想是类似的，我们的确参考了transe。KE loss是有超参数控制的起到一种类似正则的作用，对模型影响较大的是同时学习verbalizer和prompt的embedding这一过程。对于少样本实验，方差会较大，需要run多次进行调参。 2负样本的选取中，是在 max_token_length 长度上选取的，必定也会包含 prompt 部分和 句子后面 padding 部分的 token，这个当时有没有考虑呢？ 答: 这部分未做特殊处理，不过个人经验padding部分影响不大。 3 负样本的计算为什么会选用 real_relation_embedding，而不是选择模型的输出呢？ 答：模型设计是为了学习更好的prompt 和verbalizer，这里real_relation_embedding表示了可学习的verbalizer，而且这个emb是有初始化向量的（关系标签词），用模型输出开始学习的时候很难保证能采样到符合要求语义的样本。
yccckid
commented
3 months ago 能请问各位大佬一个问题吗？就是文章中提到将虚拟答案词扩展到MLM Head中，请问这部分在代码中的实现在哪里？或者这个步骤是怎么做的？
njcx-ai
commented
3 months ago 您好，感谢对我们工作的关注。您可以在下面这行代码对应的函数中看到将虚拟答案词扩展到MLM Head中的实现。
大佬好！首先对你们的卓越工作以及开源精神表示敬意！
起因：我在尝试重新运行项目中的代码的时候，对 KE loss 的有效性有一些疑问，虽然论文中你们提到“In addition, there exists rich semantic knowledge among relation labels and structural knowledge implications among relational triples, which cannot be ignored.”，我在这里将 ke_loss 理解为文中所说的
structural knowledge，但是直接使用 $(s + r - o)$ 的方式，感觉是有点简单粗暴了哈~ 而且从实验的日志来看，ke_loss 从头到尾并没有得到优化。https://github.com/zjunlp/KnowPrompt/blob/9159e4bf4f1ae4986fddcf5c803bf4f953ee3e9b/lit_models/transformer.py#L292-L293
（顺便一提，你们公开的代码里面这部分的 log 写错了，两个输出都是 loss）
https://github.com/zjunlp/KnowPrompt/blob/9159e4bf4f1ae4986fddcf5c803bf4f953ee3e9b/lit_models/transformer.py#L196-L197
如果调整到正常的输出之后就会发现 ke_loss 一直在 20 左右。这也印证了我前面的想法，毕竟 $s$、$r$、$o$ 都是直接从模型直接输出的，没有经过额外的全连接之类的重新映射，直接取距离的二范数可能不太好训练。
总而言之，我的疑问如下，如果能够抽空解答一二，十分感谢~ @njcx-ai (应该是作者吧~😘)
https://github.com/zjunlp/KnowPrompt/blob/9159e4bf4f1ae4986fddcf5c803bf4f953ee3e9b/lit_models/transformer.py#L262-L297