大家好,关于alphabeticwriting的很多朋友都还不太明白,不过没关系,因为今天小编就来为大家分享关于中文词嵌入|PaperReader的知识点,相信应该可以解决大家的一些困惑和问题,如果碰巧可以解决您的问题,还望关注下本站哦,希望对各位有所帮助!
计算机理解自然语言是个很困难的问题。第一个重要的步骤是如何将文字表达成计算机可识别的方式。通常的做法是通过数学模型进行运算把文字(词语)转化成数字或向量表示。以下我们将分别简述几种常用的数学表述方法及中文词嵌入最新的进展:
1#索引(Index)
索引是把句子中所有出现的词语提取出来建立一个词典,给每个词语赋予唯一的序号。如下例所示:
[一棵,是,枣树,另,一棵,也,是,枣树]=[0,1,2,3,0,4,1,2]
由于这种序号可作为分类信号,序号之间的数值没有实际物理意义,不能直接用于运算。
2#独热编码(One-HotEncoding)
独热编码是将每个词语表达为一个词典长度的向量,每个词向量中对应词语序号所在的位置为数值1,其它位置均为0。以上文中[一棵,是,枣树,另,一棵,也,是,枣树]为例,该编码表达为:
[[1,0,0,0,0],
这种方法虽然可以对模型进行运算,但映射出来的词向量都是两两正交,无法体现词语间的语义相关性;而且矩阵过于稀疏,在词典较大的情况下空间浪费很大。
3#共现编码(Co-OccurenceEncoding)
共现编码则是以某个词为中心,找到它左右区间的词语,根据临近词的位置定坐标,等所有词都定好坐标后再将相同项相加,得到最终坐标向量。以上文中[一棵,是,枣树,另,一棵,也,是,枣树]以2-gram为例,该编码表达为:
[[0,1,0,0,0],
由于相同意义的词周围往往容易出现相同的词,因此这种方法适用于找出词义相近的词语,同时亦考虑了词出现的次序,但它同样面临着词向量过长的问题。
此外,还有其他各种传统词语的表示法,但是大多传统的方法都会面临词典过大时带来的词向量过长、数据过于稀疏的问题。为了解决以上的问题,基于神经网络的词嵌入(wordembedding)方法逐渐成为主流。
词嵌入是自然语言处理中语言模型与表征学习技术的统称。概念上而言,它是指把一个维数为所有词的数量的高维空间嵌入到一个维数低得多的连续向量空间中,每个单词或词组被映射为实数域上的向量。
通俗来说,词嵌入就是把词典里的每一个词分别表示为一个向量,得到的向量通常称为「词向量」,好的映射可以有效抽取词语间的语义相关性。根据这个定义,实际上传统的one-hotencoding、index等方法也可以被称为词嵌入方法,但从狭义的角度而言,以下讨论的「词向量」一词,都是指基于神经网络训练的词嵌入方法。
词嵌入在自然语义理解领域内所有任务中都担任着最基础、最核心的功能,包括文本分类、文本摘要、信息检索、自动对话等,通过词嵌入得到好的词向量作为模型的初始参数,可以帮助几乎所有的各类NLP任务取得更好的效果。
一个好的「词嵌入」可以读取词语与词语之间的语义信息,同时也会避免稀疏性,节省空间。我们把词语与词语之间的语义相近程度称为相似度,举个例子:
高兴=(1.00,-0.31,0.42,-0.02,-0.23)
开心=(0.90,-0.25,0.45,-0.10,-0.11)
难过=(-0.80,0.33,-0.35,0.04,0.09)
天气=(0.82,0.21,-0.30,0.55,0.71)
假设以上四个词存在于同一个五维空间内,其中「高兴」与「开心」语义较为接近,他们每个向量正负相同,在同一个区域内,并且各个维度的数值都十分接近,这种情况下可以说它的相似度高。而「高兴」与「难过」是反义词,用向量表达时正负值一般为相反,距离更远。词语「天气」与其余词没有很明显的语义相关关系,故无呈现出特殊相关规则。
以上是对于相似度定性的讨论,而一般定量地,相似度大小可以通过余弦相似度来衡量,余弦相似度可通过以下公式计算:
在词嵌入领域最经典的模型是连续词袋模型(ContinuousBagOfWords,CBOW)和跨词序列模型(Skip-gram),如下图所示是它们的结构模型。这两个是由TomasMikolov等人2013年在论文《EfficientEstimationofWordRepresentationsinVectorSpace》中提出的。
如图所示,CBOW是通过周围的词w(t-2),w(t-1),w(t+1),w(t+2)预测中间的词w(t),
它会给所有词赋予一个随机的长度向量,接着将周围的词w(t-2),w(t-1),w(t+1),w(t+2)输入线性模型内做非线性变换,通过softmax概率预测w(t)。而Skip-gram是通过中间的词w(t)预测周围的词w(t-2),w(t-1),w(t+1),w(t+2),最大化对w(t-2),w(t-1),w(t+1),w(t+2)的预测之和。
CBOW和skip-gram模型在预测的过程中,不断迭代更新最初随机分配给每个词语的向量。待训练收敛后,最终的向量即为训练所的的「词向量」。
不同语言体系需要训练的词向量亦不相同,近年来一些学者开始研究针对中文词嵌入的训练方式。中文词嵌入是否训练的好的效果评价标准主要有以下几种:
该数据集包含一系列词语对,计算训练好词向量之后计算各词语对的相似度,求相似度与人工打分相关系数ρ。
该数据集包括家庭信息、地理信息等1125条推理类数据,如「巴黎:法国==罗马:?」,通过计算词语推理的准确率来评价效果。
该数据集包含9804篇共20类文章,文章类型包括环境、农业、经济、政治等。以预训练的词向量作为输入,训练文本分类模型,最终准确率为度量。
根据对模型特点的认知与思考,提取部分典型的、具有代表性的词语个例,观察其最邻近的相关词语等。
接下来通过7篇代表最新技术进展的论文来直面感受中文词嵌入的发展。
1#JointLearningofCharacterandWordEmbeddings(IJCAI2015)
XinxiongChen,LeiXu,ZhiyuanLiu,MaosongSun,HuanboLuan
亮点:字符粒度的中文词向量训练&变种—考虑字符在词语中出现的区域
摘要:Mostwordembeddingmethodstakeawordasabasicunitandlearnembeddingsaccordingtowords’externalcontexts,ignoringtheinternalstructuresofwords.However,insomelanguagessuchasChinese,awordisusuallycomposedofseveralcharactersandcontainsrichinternalinformation.Thesemanticmeaningofawordisalsorelatedtothemeaningsofitscomposingcharacters.Hence,wetakeChineseforexample,andpresentacharacterenhancedwordembeddingmodel(CWE).Inordertoaddresstheissuesofcharacterambiguityandnon-compositionalwords,weproposemultipleprototypecharacterembeddingsandaneffectivewordselectionmethod.WeevaluatetheeffectivenessofCWEonwordrelatednesscomputationandanalogicalreasoning.TheresultsshowthatCWEoutperformsotherbaselinemethodswhichignoreinternalcharacterinformation.Thecodesanddatacanbeaccessedfromhttps://github.com/Leonard-Xu/CWE.
笔记:此文为中文词嵌入领域最早使用文字级别颗粒度进行训练的文章。文章将词语拆分为文字的组合,通过CBOW进行训练,非常符合直观思路。除了基本的characterembeddings以外,文章还提出了基于此的几项扩展:position-basedcharacterembeddings、cluster-basedcharacterembeddings、nonparametricclustrer-basedcharacterembeddings。其中position-basedcharacterembeddings对每一个字符给予三个带训练vectors,分别是该字符属于词语开头时、该字符属于词语中间时、该字符属于词语末尾时;cluster-basedcharacterembeddings则对每个字符出现的上下文场景(如一同构成词语的其它字)进行聚类,当聚类中心选为N(c)个时,这个字符将有N(c)种向量表示。在实验中对比原版characterembeddings时,文章报告的数据显示position-based的变种比原版较好。
2#Multi-GranularityChineseWordEmbedding(EMNLP2016)
RongchaoYin,QuanWang,RuiLi,PengLi,BinWang
亮点:将偏旁部首粒度也纳入到embeddings的范围。
摘要:ThispaperconsiderstheproblemoflearningChinesewordembeddings.IncontrasttoEnglish,aChinesewordisusuallycomposedofcharacters,andmostofthecharactersthemselvescanbefurtherdividedintocomponentssuchasradicals.Whilecharactersandradicalscontainrichinformationandarecapableofindicatingsemanticmeaningsofwords,theyhavenotbeenfullyexploitedbyexistingwordembeddingmethods.Inthiswork,weproposemulti-granularityembedding(MGE)forChinesewords.Thekeyideaistomakefulluseofsuchword-character-radicalcomposition,andenrichwordembeddingsbyfurtherincorporatingfiner-grainedsemanticsfromcharactersandradicals.QuantitativeevaluationdemonstratesthesuperiorityofMGEinwordsimilaritycomputationandanalogicalreasoning.Qualitativeanalysisfurthershowsitscapabilitytoidentifyfiner-grainedsemanticmeaningsofwords.
笔记:标题中的「多尺度」,在文章中表现为,除了输入上下文词语、上下文词语字符外,还输入了预测词语的偏旁部首(radicals)。偏旁部首在汉字中有一定的表义能力,显式地对偏旁部首进行编码增强了模型所能提取到的信息。
3#JointEmbeddingsofChineseWords,Characters,andFine-grainedSubcharacterComponents(EMNLP2017)
JinxingYu,XunJian,HaoXin,YangqiuSong
亮点:拆分文字,将子字符信息纳入到训练中。
摘要:Wordembeddingshaveattractedmuchattentionrecently.Differentfromalphabeticwritingsystems,Chinesecharactersareoftencomposedofsubcharactercomponentswhicharealsosemanticallyinformative.Inthiswork,weproposeanapproachtojointlyembedChinesewordsaswellastheircharactersandfine-grainedsubcharactercomponents.Weusethreelikelihoodstoevaluatewhetherthecontextwords,characters,andcomponentscanpredictthecurrenttargetword,andcollected13,253subcharactercomponentstodemonstratetheexistingapproachesofdecomposingChinesecharactersarenotenough.Evaluationonbothwordsimilarityandwordanalogytasksdemonstratesthesuperiorperformanceofourmodel.
笔记:JWE主要是扩展了MGE,文章认为MGE在子字符粒度仅使用偏旁部首的方式,依然遗漏了较多的文字构成信息。故JWE不仅保留了文字的偏旁部首,还将每一个汉字拆分成多个最小汉字的组合并进行训练,这就是标题所提及的「fine-grainedsubcharactercomponents」。
4#ImproveChineseWordEmbeddingsbyExploitingInternalStructure(HLT-NAACL2016)
JianXu,JiaweiLiu,LiangangZhang,ZhengyuLi,HuanhuanChen
亮点:通过引入语义相似性,文章非常有效地解决了纯粹使用文字粒度训练带来的噪音。
摘要:Recently,researchershavedemonstratedthatbothChinesewordanditscomponentcharactersproviderichsemanticinformationwhenlearningChinesewordembeddings.However,theyignoredthesemanticsimilarityacrosscomponentcharactersinaword.Inthispaper,welearnthesemanticcontributionofcharacterstoawordbyexploitingthesimilaritybetweenawordanditscomponentcharacterswiththesemanticknowledgeobtainedfromotherlanguages.Weproposeasimilarity-basedmethodtolearnChinesewordandcharacterembeddingsjointly.ThismethodisalsocapableofdisambiguatingChinesecharactersanddistinguishingnon-compositionalChinesewords.Experimentsonwordsimilarityandtextclassificationdemonstratetheeffectivenessofourmethod.
笔记:个人认为此文是前后各文中最有价值和说服力的一篇。对比CWE和CBOW对某特定词语的最邻近词,可以发现由于CWE使用了文字编码,故其具有很强的倾向将使用了同样字的词语找出来,即使该词的语义相关性低/日常使用频率低。SCWE指出了CWE中存在的问题:
SCWE使用了以下几个步骤,显式地将文字语义添加入训练过程中:
1.对每一个汉字、词语,使用金山词霸进行汉英翻译,得到多项英文释义;
2.合并字义项:训练一个英文的wordembeddings,并对每一个汉字的各项英文释义两两进行相似度比对,当小于某阈值时,将该汉字的此两项释义。合并合并完成后,某汉字剩余的释义项数即为该字的charvector数量,并进行编号;
3.对于每一个词w,假设其由n个汉字(c1,c2,...)组成,则将该词的英文释义与每个组成汉字的每个释义进行相似度计算,最后保留每个相似度的最大值(s1,s2,...)和取到最大值时对应的字符释义index(n1,n2,...);
4.使用(s1,s2,...)相似度添加对应字并训练模型,得到charvectors和初步的wordvectors。
5#LearningChineseWordRepresentationsFromGlyphsOfCharacters(EMNLP2017)
亮点:采用文字的图像压缩特征进入训练
摘要:Inthispaper,weproposenewmethodstolearnChinesewordrepresentations.Chinesecharactersarecomposedofgraphicalcomponents,whichcarryrichsemantics.ItiscommonforaChineselearnertocomprehendthemeaningofawordfromthesegraphicalcomponents.Asaresult,weproposemodelsthatenhancewordrepresentationsbycharacterglyphs.Thecharacterglyphfeaturesaredirectlylearnedfromthebitmapsofcharactersbyconvolutionalauto-encoder(convAE),andtheglyphfeaturesimproveChinesewordrepresentationswhicharealreadyenhancedbycharacterembeddings.AnothercontributioninthispaperisthatwecreatedseveralevaluationdatasetsintraditionalChineseandmadethempublic.
笔记:文章认为作为象形文字,汉字的图像信息也包含了一定量的语义信息,比起手动切分子模块/偏旁部首,可以直接采用整个字符的图像提取特征。故文章采用(60pixels*60pixels)的楷体繁体字,训练了一个5层encoder、5层decoder的CNNautoencoder,将每个字的图像信息压缩为一个512维的向量进行训练。然而最终文章的测试数据显示,GWE并没有表现出比原版CWE甚至是CBOW显著更优,且其模型会因图像的相似产生部分反语义的误差(如,GWE中词语「山峰」和「蜂蜜」的语义相关度比其它模型都要高)。
6#cw2vec:LearningChineseWordEmbeddingswithStroken-gramInformation(AAAI2018)
ShaoshengCao,WeiLu,JunZhou,XiaolongLi
亮点:使用笔画粒度的信息进行训练。
摘要:Weproposecw2vec,anovelmethodforlearningChinesewordembeddings.Itisbasedonourobservationthatexploitingstroke-levelinformationiscrucialforimprovingthelearningofChinesewordembeddings.Specifically,wedesignaminimalistapproachtoexploitsuchfeatures,byusingstroken-grams,whichcapturesemanticandmorphologicallevelinformationofChinesewords.Throughqualitativeanalysis,wedemonstratethatourmodelisabletoextractsemanticinformationthatcannotbecapturedbyexistingmethods.Empiricalresultsonthewordsimilarity,wordanalogy,textclassificationandnamedentityrecognitiontasksshowthattheproposedapproachconsistentlyoutperformsstate-of-the-artapproachessuchasword-basedword2vecandGloVe,character-basedCWE,component-basedJWEandpixel-basedGWE.
笔记:文章先将汉字拆分成按笔画(strokes)顺序编码的序列,其中笔画共分为五类(横、竖、撇、捺、折),然后取一定长度的stroken-grams(文章中使用3~12)作为特征,采用skip-gram的方式进行训练。文章使用下图左简单说明了使用笔画编码的动机:ridical-based的MGE在拆分文字时只提取了部分信息;component-based的JWE在拆分文字时将文字拆分为最细的粒度,但细粒度的子字符与原字符的语义间很可能不是很好的组成关系;stroke-based的方法,如果按作者的预想,可以智能地提取合适的子字符区域,潜在中使得子区域的语义匹配更加准确。
7#AHybridLearningSchemeforChineseWordEmbedding
亮点:混合了compositional和predictive方法,用两种模型结构共同训练。
摘要:Toimprovewordembedding,subwordinformationhasbeenwidelyemployedinstate-of-the-artmethods.Thesemethodscanbeclassifiedtoeithercompositionalorpredictivemodels.Inthispaper,weproposeahybridlearningscheme,whichintegratescompositionalandpredictivemodelforwordembedding.Suchaschemecantakeadvantageofbothmodels,thuseffectivelylearningwordembedding.TheproposedschemehasbeenappliedtolearnwordrepresentationonChinese.Ourresultsshowthattheproposedschemecansignificantlyimprovetheperformanceofwordembeddingintermsofanalogicalreasoningandisrobusttothesizeoftrainingdata.
笔记:文章提出此前对中文的多种wordembeddings方法主要可以分为两类:compositional和predictive,作者对其的解释为,predictive的模型使用多个分离的信息向量来预测目标词语;而compositional的模型将所有的信息通过各种方式组合成一个向量然后预测目标词语。而文章标题「Hybrid」意味着,模型同时使用了compositional和predictive两种模型进行训练并得到结果,其中predictive的模型如图1所示,其组成与文章JWE基本一样;predictive的模型如下图2,根据作者的解释,白色圆点为h1、h2...、h5的平均值点,然后再与黑色圆点即目标词点作loss计算。然而在这种结构下,个人认为所谓的compositional和predictive模型并没有本质差异,或者可以认为compositional模型是predictive模型的一个特例。文章最终提供的数据指标也并没有普遍的提升,个人认为不存在特别强的说服力。
通过以上几篇论文可以看出中文词嵌入主要分为基于形态和基于语义两个方向。
基于形态的方法通过深入挖掘汉字的形态构成特征,将中文词语拆分成字符、偏旁部首、子字符、笔画等等细分的特征,这些特征与原词语一并进入词嵌入模型,给模型提供更多的语义信息。
基于语义的方法显式地对中文字符层级语义多样性进行建模,可以有效处理一字多义的问题,更能通过字词语义相似性的先验,非平均地对待构成词的不同字符。
从发展及改进的角度看,基于形态的方法引入特征信息的同时也会引入一定的噪音,因此模型可能产生对噪音的过拟合(如经CWE训练后,某个词语的最近似词非常倾向于出现在使用过同样字的词语中)。使用过细的特征可能会存在表义能力渐弱、噪音增加的问题,在元素拆分几乎达到极致的情况下,如何适当地选择特征层级、设计去噪方法以提高信噪比等方向值得思考。至于基于语义的方法,观察到在SCWE中,英翻辅助的处理方式有助于在训练前得到字义、词义的基点并提供给模型,但该方法也同时存在字词相似度信息不可变、新词翻译难处理等不足,有待于探索更多的处理方案。
OK,关于alphabeticwriting的和中文词嵌入|PaperReader的内容到此结束了,希望对大家有所帮助。