词向量算法—【AAAI2018】蚂蚁金服公开的基于笔画的中文词向量算法

╰半橙微兮° 2022-05-29 04:38 171阅读 0赞

词向量算法是自然语言处理领域的基础算法，在序列标注、问答系统和机器翻译等诸多任务中都发挥了重要作用。词向量算法最早由谷歌在2013年提出的word2vec,在接下来的几年里。该算法也经历了不断的改进，但大多数仅适用于拉丁字符构成的单词（英文、法语。。。。），结合中文语言特性的词向量研究相对较少。由于中文语言的博大精深，一字一词都蕴含这丰富的语义，在自然语言处理的相关任务中对于中文语料很难处理。

惊喜的是在AAAI2018会议上，蚂蚁金服公开了其最新研究成果，被高分录用论文“cw2vec: Learning Chinese Word Embeddings with Stroke n-grams”提出了: **cw2vec——基于汉字笔画信息的中文词向量算法研究，该方法揭示了隐藏在一笔一划之间的秘密**。

单个英文字符（character）是不具备语义的，而中文汉字往往具有很强的语义信息。不同于前人的工作，他们提出了“n元笔画”的概念。所谓“n元笔画”，即就是中文词语（或汉字）连续的n个笔画构成的语义结构。

![Image 1][]

图1 n元笔画生成的例子

如上图中，n元笔画的生成共有四个步骤。比如说，“大人”这个词语，可以拆开为两个汉字“大”和“人”，然后将这两个汉字拆分成笔画，再将笔画映射到数字编号，进而利用窗口滑动产生n元笔画。其中，n是一个范围，在上述例子中，我们将n取值为3, 4和5。在论文中提出了一种基于n元笔画的新型的损失函数，如下：

![Image 1][]

其中，W和C分别为当前词语和上下文词语，σ是sigmoid函数，T(w)是当前词语划窗内的所有词语集合，D是训练语料的全部文本。为了避免传统softmax带来的巨大计算量，这篇论文也采用了**负采样**的方式。C'为随机选取的词语，称为“负样例”，λ是负样例的个数，而 ![Image 1][]则表示负样例C'按照**词频分布**进行的采样，其中语料中出现次数越多的词语越容易被采样到。**相似性sim(·,·)函数**被按照如下构造：

![Image 1][]

其中， ![Image 1][]为当前词语对应的一个n元笔画向量，而 ![Image 1][]是其对应的上下文词语的词向量。这项技术**将当前词语拆解为其对应的n元笔画，但保留每一个上下文词语不进行拆解**。S(w)为词语w所对应的n元笔画的集合。在算法执行前，这项研究先扫描每一个词语，生成n元笔画集合，针对每一个n元笔画，都有对应的一个n元笔画向量，在算法开始之前做随机初始化，**其向量维度和词向量的维度相同**。

![Image 1][]

图2 算法过程的举例

如上图所示，对于“治理 雾霾 刻不容缓”这句话，假设此刻当前词语恰好是“雾霾”，上下文词语是“治理”和“刻不容缓”。首先将当前词语“雾霾”拆解成n元笔画并映射成数字编码，然后划窗得到所有的n元笔画，**根据设计的损失函数，计算每一个n元笔画和上下文词语的相似度**，进而根据损失函数求梯度并对上下文词向量和n元笔画向量进行更新。

**数据**  
我们于2016年11月20日，下载了**中文维基百科**dump**7** ，其中包含265K中文维基百科文章。我们使用gensim工具包中的脚本来转换数据从XML到文本格式**8**。 根据我们的观察，语料库由简体和繁体中文组成字符。 因此我们利用opencc toolkit **9**进行标准化  
所有字符都是**简体中文**。 所有Unicode字符落入在0x4E00和0x9FA5，该范围之间是汉字被保留。 我们使用ansj toolkit **10**进行**分词**。我们扫描训练语料库并记录所有的字符以收集中n-gram。 之后，我们称之为 Juhe Data**11** 汉字信息检索服务API，从网上抓取新华字典笔画信息**12**。

以上所用到数据来源：

**7**:https://dumps.wikimedia.org/zhwiki/20161120/  
**8**:https://radimrehurek.com/gensim/corpora/wikicorpus.html  
**9**:https://github.com/BYVoid/OpenCC  
**10**:https://github.com/NLPchina/ansj seg  
**11**:https://www.juhe.cn/docs/api/id/156  
**12**:http://xh.5156edu.com/

为了验证这项研究提出的cw2vec算法的效果，在公开数据集上，与业界最优的几个词向量算法做了对比:

![Image 1][]

上图中包括2013年谷歌提出的word2vec的两个模型skipgram和cbow，2014年斯坦福提出的GloVe算法，2015年清华大学提出的基于汉字的CWE模型，以及2017年最新发表的基于像素和偏旁的中文词向量算法，可以看出cw2vec在word similarity，word analogy，以及文本分类和命名实体识别的任务中均取得了一致性的提升。同时，这篇文章也展示了不同词向量维度下的实验效果：

![Image 1][]

图4 不同词向量维度下的实验结果

上图为不同维度下在word analogy测试集上的实验结果，左侧为3cosadd，右侧为3cosmul的测试方法。可以看出这项算法在不同维度的设置下均取得了不错的效果。此外，也在小规模语料上进行了测试：

![Image 1][]

上图是仅选取20%中文维基百科训练语料，在word similarity下测试的结果，skipgram, cbow和GloVe算法由于没有利用中文的特性信息进行加强，所以在小语料上表现较差，而其余四个算法取得了不错的效果，其中cw2vec的算法在两个数据集上均取得的了最优效果。

为了更好的探究不同算法的实际效果，这项研究专门选取了两个词语做案例分析。

![Image 1][]

第一个是环境相关的“水污染”，然后根据词向量利用**向量夹角余弦（余弦定理）**找到与其语义最接近的词语。GWE找到了一些和“污”字相关的词语，比如“污泥”，“污渍”和“污垢”，而JWE则更加强调后两个字“污染”GloVe找到了一些奇怪的相近词语，比如“循环系统”，“神经系统”。CWE找到的相近词语均包含“水”和“污”这两个字，猜测是由于其利用汉字信息直接进行词向量加强的原因。此外，只有cw2vec找到了“水质”这个相关词语，分析认为是由于**n元笔画和上下文信息对词向量共同作用**的结果。

第二个例子，特别选择了“孙悟空”这个词语，该角色出现在中国的名著《西游记》和知名日本动漫《七龙珠》中，cw2vec找到的均为相关的角色或著作名称。

作为一项基础研究成果，cw2vec在蚂蚁和阿里的诸多场景上也有落地。在**智能客服、文本风控和推荐等实际场景**中均发挥了作用。此外，不单单是中文词向量，对于日文、韩文等其他语言也进行类似的尝试，相关的发明技术专利已经申请近二十项。

我们希望能够在基础研究上追赶学术界、有所建树，更重要的是，在具体的实际场景之中，能够把人工智能技术真正的赋能到产品里，为用户提供更好的服务。

注：以上相关图片来自《cw2vec: Learning ChineseWord Embeddingswith Stroke n-gram Information》所有。

至此，对蚂蚁金服提出的词向量新理论进行了大致学习，具体想做进一步研究的可以看

paper：https://github.com/ShelsonCao/cw2vec/blob/master/cw2vec.pdf

[Image 1]: