保定企业网站建设沈阳关键词优化报价

诸神缄默不语-个人CSDN博文目录
诸神缄默不语的论文阅读笔记和分类

论文名称：Language Models as Knowledge Bases?

ArXiv网址：https://arxiv.org/abs/1909.01066

官方GitHub项目：https://github.com/facebookresearch/LAMA

本文是2019年EMNLP论文，作者来自脸书和伦敦大学学院。

本文关注LM中蕴含的知识，想要探索的问题是，通过在大型的文本语料上进行预训练，语言模型是否已经（或是有潜力）学习到并存储下了一些事实知识（主体-关系-客体形式的三元组 (subject, relation, object) 或是问题-答案对）？
本文通过将事实三元组转换为自然语言形式，让LM（未经过微调的）用完形填空的形式来预测其中的object（把relation反过来也能预测subject），来进行这一探查：LAMA (LAnguage Model Analysis)
评估正确结果的排序

实验结论：1. BERT表现很好，可以匹敌传统的有监督学习方法 2. LM对有些知识比其他知识学得更好（N-to-M 关系表现较差）
（什么1984经典句式）

实验用的LM：
单向LM & 双向LM

baseline包括纯统计学习的、预训练的关系抽取模型、DrQA（先检索相似文档，再做阅读理解）

实验用的事实数据集来自关系数据集Google-RE、T-REx、ConceptNet，将每一种关系手工转换为填空题。原数据集中就有三元组对应的文本。
再加上QA数据集SQuAD
仅选择只有一个token的场景。

↑注意这里，模版的选择会影响结果。所以本文认为手工制作模版只能说是给出了一个LM知识的下限水平。

指标：P@k

P@1：

P@k：

出现频率越高、实体越相似、subject越长，指标越高

案例分析：