技术解读 | 基于fastText和RNN的语义消歧实战

消歧问题的基线可以借助贝叶斯、Lesk等简单算法来设计

1.问题的引入

在我们云脑科技最近的一个项目中，需要对文本中提取的实体进行消歧(WSD, Word Sense Disambiguation)，即确定某个实体在当前上下文中是我们期望的一个意义。

比如，

美国电影《坏女孩》由Myriad Pictures Inc.于2013年出品。讲述雅蕾克丝，一个女同性恋，父母离异，母亲重新找了一个继父，却又早早自杀身亡；父亲也重新找了个继母，继母对她百般刁难。

其中坏女孩、继父、继母、同性恋都是候选的电影作品名。但结合上下文，如何去掉歧义候选，只保留坏女孩，这就是我们需要解决的消歧问题。

2.解决消歧问题的一般思路

2.1 基线算法

机器学习任务一般需要对效果有简单的基线设置，WSD的基线可以用Lesk算法确定。人类在类似WordNet的词汇释义标注语料上的共识大概75%-80%，这可以作为WSD任务的上限参考。

Lesk是一个经典的算法。它的主要思想是：在词典中，常常需要借助若干其它词汇来对一个词进行解释。因此针对一条语料，我们可以选取它与词典中词汇重叠最多的那条释义。如果词典中的解释太过简单，可以把已标注释义的例句也当做释义内容。

2.2 监督学习算法

监督学习算法一般涉及如下步骤：

a.确定词表和释义表，eg: 目标词bass, 两个释义：乐器-贝斯、鱼类-鲈鱼；

b.获取训练语料：google、crawl；

c.特征提取：一般先设定一个窗口(window)，只关心这个窗口内的词。常用的两种提取：窗口内每一个位置的词汇、相对位置、词性；以及忽略位置和词性的词袋表示，即词典内词的出现计数；

d.分类器选择：朴素贝叶斯、逻辑回归、SVM、KNN、神经网络。

2.3 半监督学习算法

如果对于目标问题没有足够的标注语料，如何启动呢？

一般可以从少量的手动标注启动，按照同一共现释义相同进行标注扩展，例如：bass的鲈鱼解释一般与fish共现；乐器贝斯解释一般与play共现。因此可以标注所有<fish, bass> 和 <play, bass>的语句。

还可以按照同一文章释义相同进行标注扩展，例如利用共现词标注了某个句子，那么可以确定这个文章中其他的目标词的同释义标注。

3.fastText和RNN的组合消歧方法

3.1 选型思路

在本文的应用场景下，我们对于词汇的候选释义集合是固定的。比如候选词坏女孩来说，我们并不关心它的实际解释，只关心它在当前语境中是否代表一个电影名。

因此，与上述一般化的消歧思路不同，我们可以先把问题转化成一个语境分类问题。fastText在这种近乎端到端的文本分类问题上有非常不错的效果，模型尺寸较小而且训练速度也很快。在fastText分类器对候选词的上下文进行领域分类后，基本能够排除掉大部分的非目标领域候选，比如示例语句中的继父/继母/同性恋等等。

但是在拿到最终的目标词提取结果后，发现还有一些电影语境中的其他歧义候选词。比如美国电影《坏女孩》这个例句，能够通过电影领域上下文分类，但是候选词中有电影，没错，电影也是一个影片的候选词。因此，我们还需要更精细化的消歧处理。因此，我们在此处引入了基于RNN的序列标注算法，在确定语境范围后，进一步在语境内标注合理的出现位置。

3.2 fastText语境分类

训练语料

我们的训练语料是来自一些公开网站的影视信息和资讯信息，利用中文标点进行了语句切分。由于我们的语料中绝大多数的作品名是由书名号扩起的，可以利用这一点将语句进一步标注为包含领域关键词的短句。

特征处理

为了简化处理，直接将原始语句做了bigram切分。此时我们去掉了语料中的书名号，因为语料的标注是用书名号这种强规则来标注的，因此模型很可能只学到书名号这个特征。并且在做中文bigram切分时，非中文的数字/英文单词也需要作为一个整体处理。

训练模型

利用官方的源码编译二进制工具进行训练，以下是训练调参过程中的一些小tips。

a.使用epoch参数来更好的拟合训练集；

b.使用wordGram参数，让fastText学习到连续的切分嵌入，弥补分词不足和语序的缺失，但是模型大小会飞速增长，我只用到了wordGram=3；

c.使用minCount参数对词表词频进行过滤，避免词表过于庞大。以我们的语料为例，过滤效果是词表从75w减少到7w，我选取的minCount=5；

d.使用quantize命令压缩最终的模型，尺寸会小很多，本例中是300m到7.5m；

e.使用test命令进行验证集验证时，会发现准确P和召回R是相等的，这是因为fastText把分类问题都当做多分类来处理，不会输出针对每个分类的PR，最终会用所有分类的PR进行某种平均。因此需要手动编写一个基于predict命令的验证过程；

f.注意语料的设计，起初只用了电影语料的作品句子和非作品句子，结果发现在普通文本上的表现并不好。因此又加入了一部分的社会新闻语料，让模型能有更好的泛化效果。

3.3 RNN序列标注

训练语料

语料部分还是采用了fastText相同的规则，利用书名号这种强特征标注了作品名部分。由于序列标注的分类不平衡问题非常明显，因此决定用RNN的序列标注作为fastText的一个补充，训练语料中没有添加不含作品名的语句。

特征处理

直接采用字符级别的切分，同时和fastText一样去掉了书名号，此处将连续的字母和英文单词都做了特殊标签的处理，可谓一切从简。同时将训练语料统一在长度30上，超长的截断，不足的补充[eos]。

训练模型

a.采用多层的双向RNN+softmax分类；

b.引入了dropout进行正则化处理；

c.针对序列标注的类不平衡问题，起初尝试了针对分类配置loss权重的方法，但是权重设置过于主观。最终我们使用了focal loss。Focal Loss的核心思想是样本因为分类难度的不同对损失函数的贡献是不同的。鼓励模型把难分类的分对，而不是进一步优化易分类的效果。

4.小结

最后回顾一下我们在这项任务中的若干做法。

1.消歧问题的基线可以借助贝叶斯、Lesk等简单算法来设计；

2.语料不足时可以采用一些半监督的方法来扩充标注样本，人为总结标注规则；

3.利用fastText做短句分类，确定候选词所在上下文是否是目标领域；

4.利用RNN在短句中做关键信息标注，过滤掉领域上下文中非关键信息的候选；

5.利用focal loss改善序列标注中的类别不均衡问题，提升模型的召回表现。

欢迎探讨。

作者介绍

Amow，云脑科技机器学习算法工程师，负责开发NLP方向的基础服务。

理论

2