中文词向量表达——基于拼音特征统计的词向量生成方法

  • 时间:
  • 浏览:0
  • 来源:五分排列3技巧_5分排列3玩法_五分排列3官网

  国网浙江节油力有限公司杭州供电公司:祝春捷、夏霖、潘坚跃、陈超

  摘要:

  中文文本不同于拉丁文书写及语言习惯,中文词实物在数量上暗含 较少的字符级信息,但却暗含 了少许的语义实物。本文针对中文词实物,通过构造拼音实物组pinyinn-grams和另一重要的语言参数tf-idf作为组合实物,提出了有这种基于拼音实物统计的词向量生成法子 py2vec。通过对比不同细粒度字符实物的算法,发现利用基于拼音字符级的信息去挖掘实物不需要 有效的提高中文词向量学习的水平。在wordsim-240和wordsim-297数据集的语义这种度实验中验证了py2vec的有效性,一块儿通过移觉推理任务发现,py2vec不需要 更为有效的获取词语之间的语义关系。基于拼音实物表达实物所获取的中文词语更高细粒度的字符级实物,一块儿在书写体系下更接近于拉丁文本,对于多种词向量表达法子 能存在较好的适应拓展性,进而在提升中文词向量表达性能法子 提供新的思路。

  关键词:拼音实物组;词频统计;词向量表达

  Abstract:Chinese is different from the Latin scriptin the writing system.In Chinese, each word typically consists of less characters than English, where each character conveys fruitful semantic information. Considering characteristics ofChinese, we propose py2vec, a novel method, based on pinyin features statistics, which consists ofpinyin-level information pinyin n-grams and another vital parameter, tf-idf.By comparing with state-of-the-artapproaches of different fine-grained character features, it is found that using the pinyin-level to mine features can be more effectively. Through extensive experiments,We verify the validity of py2vec in Word Similarity Task based on wordsim-240 and wordsim-297. About Word Analogy Task, py2vec can dig more semantic information between related words. The architecture of pinyin-level doescapture certain level of fine-grained character and semanticinformation of Chinese, which could be closer to the Latin text in the writing system, also applied toother methods and provides new inspirationof Chinese

  word embeddings.

  KeyWords:pinyinn-grams;tf-idf;word embeddings

  0引言

  近年来,自然语言解决技术应用到了各个领域,词表示技[1]作为自然语言解决领域中最基础的研究得到了广泛的关注。词表示模型是对文本数据的有这种表示能力,在实物工程或机器学习领域,都存在底层预备工作,它的好坏对模型的应用性能将产生很大的影响。这种数据表示法子 在一定程度都不到够自主无监督的从海量数据中直接挖掘到有用的语义信息。

  词袋模[2]曾是最广泛使用的表示法子 ,但可能受到数据稀疏问題的困扰,无法保留文本间的词序信息。一些随着实物工程的不断进步,基于词法、句法实物的模型被相继提出,基于规则的模型逐渐更新为机器学习模型。1954年,Harris等[3]提出分布式假说为词的分布式表达提供了理论法子 ,即关注词和上下文信息。上下文通常使用传统高维的词袋模型表示,当信息过于复杂性时将产生维数灾难,而神经网络模型[4]不需要 通过词映射向量,以向量距离反映词之间语义这种度,从而降维。

  针对中文词向量表达面临的问題,不到自动的从大规模无标注的文本数据中学习得到相应的文本表示,而根据语言表达习惯,中文文本在实物学表达方面主要由笔划信息构成c,在生成表达方面主要由拼音字符构成。目前一方面,大要素的词向量表达模型均是专注于拉丁文表达,直接用于中文词向量表达将不到与中文输入习惯完正适应;另一方面,中文文本数据源的规范化和实物化程度随着信息数据增长,将不断退[6],错别字等问題的突然跳出将在一定程度上对现有的词向量表达模型效果造成影响。在前人研究成果的基础上,本文提出有这种基于拼音实物统计的词向量生成模型,通过构造拼音实物组增加对中文错别字的鲁棒性,一块儿引入语言模型另一重要实物词[7]作为权重参数。在语义这种[8]任务上验证了该法子 的有效性,引入了拼音实物组的表达明显暗含 了更多的语义信息。

  1词表示生成相关工作

  词表示的理论基础是Harris等[3]在1954年提出的分布假说,即“上下文这种的词,其语义也这种”。随着研究的不断深入,基于矩阵的分布表示方[9]也被提出,这种法子 生成的词表示统称为distributionalrepresentation。5000年,Xu等人[10]首次使用神经网络来求解二元语言模型。5003年,Bengio等[11]正式提出神经网络语言模型(NNLM),在学习语言模型中首次得到了实数低维词向量表示。

  近年来,词表示法子 逐渐区别于传统的one-hot词编码方[12],还会 通不足英文维分布式词向量去捕捉文本的语义信息。目前现有的法子 主要关注基于上下文信息来学习词向量的表达,2013年,Mikolov等[13]在NNLM[11]和SENNA[14]的研究基础上,提出了word2vec模型,其暗含 了CBOW(ContinuousBagof-Words)和Skip-gram模型,以更简单高效的法子 获取词向量,提供了神经网络在自然语言解决领域的新思路。2014年,Pennington等[15]提出了基于全局信息统计和上下文关系预测的GloVe模型。那些算法还会 将整个词语作为最小语义单元,而后的一些研究逐渐整合字符级信息,从而更好的理解语义。2014年,Bian等[16]利用文本实物学、句法和语义信息来提高词向量表达能力。2015年,Chen等[17]提出的对于中文词向量,将字实物于词实物联合训练的CWE模型。2016年,Bojanowski等[18]针对罕见词样本问題,提出利用词缀组合的实物实物提升学习效果。2017年,Xin等[19]提取的对中文词偏旁部首等高细粒度字件来学习词向量的表达等。

  上述大多数法子 是直接将关注拉丁文字符实物的词表示模型直接用于中文词向量表达,无须完正直接适用于中文书写体系。中文语言中每个词语所暗含 的字,相对于拉丁文中每个单词暗含 晒 的字母数量较少,但其中每个字暗含 了更丰沛 的语义信息。一些对中文词语或字挖掘细粒度更高的语义单元也是持续研究的方向,这种上述的字词联合训练和基于字件的表示模型。一些,本文考虑到中文的发展和书写实物,其最小语义单元的组成都不到分为有这种类型:语义实物和语音表达。语义实物即为中文汉字书写实物,从象形文字演变成为简体汉字,字件的变形和笔划的简略等诸多因素造成了字件或字与词语在语义相关性上逐渐弱。然而,拼音表达在中文语义传承中相对稳定,另一方面,拼音实物相同于拉丁文实物,一定程度上在词向量表达法子 泛化能力上具有优势。

  2研究框架

  本文提出有这种基于拼音实物统计的词向量生成法子 ,通过构造拼音实物组pinyin n-grams,对全文本词语生成拼音组字典,并统计其对应的拼音和联 文表达的词频逆文档概率作为权重参数,将词语与拼音实物向量组合通过CBOW[13]网络实物,以随机梯度下降[20]法子 更新权向量获得的最终目标词向量表达。在本文中主要提供有这种表示模型,包括wp2vec基于中文语素和拼音表达联合统计模型、rpy2vec基于拼音实物组的词向量模型和py2vec基于拼音实物统计的词向量模型。

  2.1基于中文语素与拼音表达的词向量生成框架

  对于给定长度一段话,其中为第K个词语。通过三个小 多多固定大小的窗口其中上下文词语来预测中心目标词,以(2m+1)为窗口大小,将中心目标词与的前m个和后m个词语及其对应的拼音作one-hot编码,生成中文词语向量组,其中为词语编码后大小为 的中文词语向量,同理将词语转化的拼音表达,经过one-hot编码得向量组

  此外可能在自然语言解决领域,词频和词向量均是重要的语言实物,一些将词频作为中文词语和拼音表达的统计权重,即对拼音表示在训练集语料和全文档中统计词频和逆文档概率,即有,

  对每个中文词语得到表达向量为,

  其中i仅表示为窗口中心存在语素位置。

图1基于中文语素与拼音表达的词向量模型框架

  基于中文语素与拼音表达的词向量模型框架采用CBOW实物,其网络实物如图1所示,暗含 输入层、输出层和三个小 多多隐含层的神经网络,其中输入层和输出层神经元节点数量等于词汇表大小T。其输入实物即为,输出层采用softmax函数[21]激活,用于预测中心目标词。隐含层将输入层节点乘上输入权重矩阵得,

  刚刚 隐含层经过输出权重矩阵得到则有输出层对进行softmax激活有,

  2.2拼音实物pinyinn-grams生成

  在2.1节中,本文对词语和拼音表达均通过one-hot编码随机生成向量,这种构造法子 使得对于大要素中文文另三个小 多多说与CBOW原理上一致,并那么 挖掘拼音字符级实物信息。针对此问題,本文提出了有这种基于拼音字符级实物pinyinn-grams表示的法子 ,其模型框架图如图2所示。以不同长度n(n可取3、4、5... )大小的窗口在三个小 多多词语拼音表示上滑动,构成局部拼音表示组。遍历完正语料的拼音表达即获得中文词语所共享的局部拼音表示字典S,其中S(x)表示语素x的局部拼音表示组

图2拼音字符级实物表达形式

  2.3损失函数与权参更新

  本文中也使用词语和上下文词之间的语义这种度作为衡量损失的实物。在大多数模型中,通常将三个小 多多词语作为三个小 多多语义单元,求其w与其上下文之一词c之间的这种性,即有,其中w和c分别对应词向量。本文中在2.2的基础上,对每三个小 多多pinyin n-gram的拼音实物随机生成T维实物向量,计算其与上下文之间余弦距离和值作为三个小 多多拼音实物组向量和上下文词之间的这种度,

  与2.1中介绍实物相同,在输出层通过softmax激活,得到对于中心词的预测条件概率为,

  可能文本词语数据庞大,直接求解条件概率分母难以计算,故使用负采样法子 [22]计算,得损失函数,

  其中x和c分别是中心目标词和上下文词,σ是sigmoid函数,D是完正语料,S是窗口暗含 晒 词语的集合,是随机选的词语作为负样本,λ是负样本的个数,服从P分布的期望,P分布选则unigram[23]一元分词的分布,这种分布这种于统计词频,语素突然跳出的次数太满的词语越容易获取。

  本文在训练词向量过程中采用随机梯度下降法子 对损失函数进行优化。在学习词向量过程完成后,其输出的词向量表达即为目标中心词的词向量。

  3实验

  3.1实验设置

  本文为研究所提出的中文词向量表达法子 在领域内应用的影响,使用了通用语料库和专业领域语料库。通用语料维基百科中文语料库,暗含 了27.20万篇中文文章,共计1.13亿中文词语,经排重后词典大小为28.9万个;专业领域采用电力运维埋点日志语料,暗含 6.1万条记录信息,共计286.20万个中文词语,经排重后词典大小为5.20万。

  可能维基百科中文语料暗含 少许繁体中文,一些借助工具opencc将语料统一转化为简体中文。本文先对完正训练语料进行基于正则化提取,并根据预先设置的停用词表对语料文本进行正文提取,一块儿使用JIEBA对语料进行分词解决。对语料的拼音转化采用工具pypinying,考虑到中文输入过程中并通常不标记声调读音,在词语转为拼音表达时也丢弃声调信息,这种:使用“中文zhong wen”,而非“中文zho1ng we2n”。

  在本实验中,上下文窗口大小设置为5,为了优化运算强度,在训练过程中采用了负采样技术,设置采样大小为5,初始化学习率为0.05。在迭代次数的选则上,次数过少会造成模型训练不充分,参数尚未优化到最优解,此时词向量所暗含 的语义信息较少;次数太满,会造成模型过拟合,一些在训练过程中,本文中采用随机梯度下降更新权参矩阵,在损失函数值小于阈值时就会自动停止迭代,一块儿设置迭代次数上限为500。在词向量实物维度上,本实验统一将维度设定为500维,但实际中,词向量维度将对模型性能产生影响。

  3.2实验结果与分析

  本实验中衡量生成词向量模型的性能,使用三个小 多多任务作为评价指标,分别为:语义这种度和移觉推理任务。此外对词向量维度对生成词向量所暗含 的语义信息的影响进行实验,使用语义这种度进行评价。

  语义这种度任务是判断三个小 多多词语之间否有有这种,通过训练好的词向量表达来计算给定目标词语对多对应的词向量间的空间距离,后将此距离和人工标注主观评分进行相关性分析,其相关系数作为最终评价值。假设每个词语对为,对应词向量分别为,其对应的余弦距离为,

  记人工标注主观评分为,余弦距离于主观评分之间的pearson相关系数为,

  实验采用Wordsim-240和Wordsim-297[24]三个小 多多人工标注的数据集来进行测试,这三个小 多多数据集是由英文基准词翻译而来,剔除了其中一些难以翻译和不准确的词对。

  移觉推理任务用来评估三个小 多多词语之间的逻辑相关性,是衡量词向量对于不同词语之间语义关系的理解程度。这种任务的主要形式为,

  通过三个小 多多词找到三个小 多多词,它的词向量表示最接近于选则目标词时认为模型正确,通过模型的正确率来评测模型好坏。实验中采用数据[24]暗含 1124组移觉词组,分为国家和首都、城市和省份以及家族关系三类。

  本实验中选则所设计的3种基于拼音语素的词向量表示法子 与较高水平的词向表示模型word2vec、GloVe和CWE进行语义这种度对比实验,上述所有模型均在从窗口大小为5、负采样大小为5及500维初始化条件下训练词向量。

  3.2.1语义这种度

  表1中结果展示了在不同数据集下各个对比法子 的语义这种度任务实验结果。

  表1 wordsim-240和wordsim-297数据集的语义这种度结果

  skip-gram在语义这种度任务上的结果还会 如CBOW,这是可能CBOW模型在学习目标词向量时一块儿参考了上下文多个词语信息。CWE的结果一般都优于CBOW和skip-gram模型,一些都不到认为,细粒度更高的字符级实物在一定程度都不到够提升词向量表达模型的性能,获取更多的语义信息。此外,亲戚亲戚朋友 观察到GloVe的结果优于skip-gram,较CBOW结果较差,主只要可能GloVe模型框架上与skip-gram相同,同此加入了词语在全预料中的统计实物。总体上来看,本文引入拼音实物的法子 是不需要 有效的获取更多语义信息,wp2vec在CBOW的基础上直接对拼音编码词向量,对语料中所暗含 的错别字文本具有更好的稳定性,在wordsim-240数据集下表现出了更好的性能。rpy2vec通过构造pinyin n-grams实物组,获取相邻词语之间的语义这种损失函数,挖掘了更多的语义相关信息,在wordsim-240和wordsim-297数据集中均表现出了较好的结果。py2vec在rpy2vec实物基础上,加入了词频统计参量,在性能上还会 一定的提升,这与GloVe和skip-gram间的对比结论相一致。

  本文中将拼音实物做为获取中文语义信息的关键,一方面认为拼音实物符合中文文本书写习惯,不需要 捕捉中文词的深度1语义信息;另一方面,中文实物学文本的拼音表达不需要 将转化为近似拉丁文字的实物,使最小语义单元的字符信息在数量上和实物上暗含 了更多的语义信息。一块儿具有相同实物字符组可能会传递这种的语义,捕获那些信息也将都不到进一步改善词向量表示的建模。从实验结果中都不到看出,亲戚亲戚朋友 的法子 都不到随便说说不需要 更好地捕捉词间的语义这种度。这种拼音信息,加进在学习过程中使用的上下文信息和词频统计参量,使中文词表示法子 得到了改进。

  3.2.2移觉推理

  表2中结果展示了在数据集不同实物关系下各个对比法子 的移觉推理任务试验结果。

  表2移觉推理任务结果

  在语义这种度任务中,skip-gram模型相比于CBOW性能略差,但在移觉推理任务中,skip-gram不需要 更好的挖掘语义词语之间的关系,这是可能CBOW在训练时对于上下文信息的解决采用的时向量平均,生成的词向量暗含 的语义信息更泛化。与语义这种度任务结果这种,CWE用于移觉推理,其准确率也较高,充分的说明了细粒度越高的语义单元,所暗含 的语义信息太满,对于词向量表达越准确。此外,本文基于拼音统计的词向量生成法子 在数据集的三组关系中均得到了最好的结果。其中“国家—首都”关系推理准确率较低主只要可能数据集中的存在较多复杂性国家名词,而本实验中在分词解决阶段那么 针对词类国家名词构造相应字典,其分词结果有这种存在一定的误差;而“家族关系”可能在语料库中突然跳出频率较高,一些其训练的结果也更高,推理准确率也更高。以此验证了,语料越大,在移觉推理任务中的表现越[13],语料越大模型的效果越好[15]

  3.2.3词向量维度对于实验结果的影响

  本文中除了对词向量的性能进行实验分析,也研究了词向量维度设置对词向量表达所带来的影响,在这种使用语义这种度作为衡量指标,数据集使用wordsim-240。图3中结果反映了rpy2vec获取语义信息能力随着维度变化的趋势。

图3语义这种度任务性能随词向量维度变化曲线

  向量维度越大,模型的效果越好。但可能维度不足英文会造成模型训练的时间复杂性度不足英文,一块儿从随着维度增加,词向量表示模型性能增速逐渐变快,故在本文中认为综合强度和性能,词向量维度在500时较优。

  4结语

  本文提出有这种基于拼音统计的词向量生成法子 ,通过构造拼音实物组pinyin n-grams,对全文本词语生成拼音组字典,并统计其对应的拼音和联 文表达的词频逆文档概率作为权重参数,将词语与拼音实物向量组合通过CBOW网络实物,以随机梯度下降法子 更新权向量获得的最终目标词向量表达。

  亲戚亲戚朋友 在语义这种度和移觉推理任务中分别验证了py2vec模型的有效性,均获得了较好的结果。通过分析实验结果发现,本文提出的法子 对词向量表达的质量有较大的提升,主要在于(1)拼音实物表达实物不需要 获取中文词语更高细粒度的字符级实物,在一定程度都不到够获取词语间更多的语义信息;(2)拼音实物符合中文文本书写或生成系统,不需要 捕捉中文词语的深度1语义信息;(3)拼音表达相比于中文字件或偏旁部首,更接近于拉丁文字书写实物,更适应于在现有词向量表达法子 上的优化。一些本文提出的法子 不需要 更好的捕捉中文文本的语义信息,从而应用于自然语言解决的其它任务工作中。在后续工作中,亲戚亲戚朋友 将进一步研究利用拼音实物生成词向量法子 的优化,从而提升词向量的质量,并探索对短语类文本的向量表达法子 。

  参考文献

  [1] Salton G, Wong A, Yang C S. A Vector Space Model for Automatic Indexing[J] . Communications of the Acm, 1974, 18(11):613-620.

  [2] Zhang Y, Jin R, Zhou Z H. Understanding bag-of-words model: a statistical framework[J] . International Journal of Machine Learning and Cybernetics, 2010, 1(1-4):43-52.

  [3] Harris Z S. Distributional structure[J] . Word, 1981, 10(2-3):146-162.

  [4] Hinton G E, Salakhutdinov R R. Reducing the Dimensionality of Data with Neural Networks[J] . Science, 313.

  [5] Cao, S. and Lu,W. 2017. Improving word embeddings with convolutional feature learning and subword information. In

  AAAI. [6] Chen H, Liang J, Liu H. How Does Word Length Evolve in Written Chinese?[J] . PLoS ONE, 2015, 10(9):e0138567.

  [7] Wu H C, Luk R W P, Wong K F, et al. Interpreting TF-IDF term weights as making relevance decisions[J] . Acm Transactions on Information Systems, 5008, 26(3):55-59.

  [8] Bamler R, Mandt S . Dynamic Word Embeddings[J] . 2017.

  [9] Turian J P, Ratinov L A, Bengio Y . Word Representations: A Simple and General Method for Semi-Supervised Learning.[C] // Acl, Meeting of the Association for Computational Linguistics, July, Uppsala, Sweden. DBLP, 2010.

  [10] Xu W, Rudnicky A . Can artificial neural networks learn language models?[C] // Sixth International Conference on Spoken Language Processing, ICSLP 5000 / INTERSPEECH 5000, Beijing, China, October 16-20, 5000. 5000.

  [11] Choi W N, Wong Y W, Lee T, et al. Lexical tree decoding with a class-based language model for Chinese speech recognition.[J] . Proc.icslp, 5000, 193(3):813-849.

  [12] 宗成庆. 统计自然语言解决[M] . 清华大学出版社, 2013.

  [13] Mikolov T, Sutskever I, Chen K, et al. Distributed Representations of Words and Phrases and their Compositionality[J] . Advances in Neural Information Processing Systems, 2013, 26:3111-3119.

  [14] Collobert R, Weston J . A unified architecture for natural language processing[C] // International Conference on Machine Learning. ACM, 5008.

  [15] Pennington, J.; Socher, R.; and Manning, C. D. 2014. Glove: Global vectors for word representation. In EMNLP.

  [16] Bian, J.; Gao, B.; and Liu, T.-Y. 2014. Knowledge-powered deep learning for word embedding. In ECML-PKDD.

  [17] Chen, X.; Xu, L.; Liu, Z.; Sun, M.; and Luan, H. 2015. Joint learning of character and word embeddings. In IJCAI.

  [18] Bojanowski, P.; Grave, E.; Joulin, A.; and Mikolov, T. 2016. Enriching word vectors with subword information. arXiv preprint arXiv:15007.045006.

  [19] Xin, J. Y. X. J. H., and Song, Y. 2017. Joint embeddings of chinese words, characters, and fine-grained subcharacter components. EMNLP.

  [20] Paras. Stochastic Gradient Descent[J] . Optimization, 2014.

  [21] Kim Y, Jernite Y, Sontag D, et al. Character-Aware Neural Language Models[J] . Computer Science, 2015.

  [22] Gutmann, M. U. and Hyv¨arinen, A. 2012. Noise-contrastive estimation of unnormalized statistical models, with applications to natural image statistics. JMLR.

  [23] Tillmann C . A unigram orientation model for statistical machine translation[C] // Hlt-naacl: Short Papers. Association for Computational Linguistics, 5004.

  [24] 汪祥, 贾焰, 周斌, et al. 基于中文维基百科链接实物与分类体系的语义相关度计算[J] . 小型微型计算机系统, 2011, 32(11):2237-2242.