【论文笔记】中文词向量论文综述（一）

导读

最近在做中文词向量相关工作，其中看了一些中文词向量的相关论文，在这篇文章，将把近几年的中文词向量进展及其模型结构加以简述，大概要写3-4篇综述，每篇包含2-3篇论文。

 

一、Component-Enhanced Chinese Character Embeddings

论文来源

这是一篇2015年发表在EMNLP(Empirical Methods in Natural Language Processing)会议上的论文，作者来自于香港理工大学 — 李嫣然。

Abstract

在目前的NLP各项任务中，词向量已经得到了广泛的应用并取得了很好的效果，然而大多数是对于英文等西方语言，对于中文，由于中文汉字包含了巨大的信息，在中文词向量的工作中有很大的提升，这篇论文认为汉字的组件（部首）包含了大量的语义信息，基于此提出了两个词向量模型，对中文字向量进行了改善，实验结果表明在文本分类已经词相似度上都得到了提升。

Model

模型结构图如下，具体做法是抽取每个汉字的组件组成一个component列表（可以从在线新华词典获取component列表），部首信息要比其他的组件信息包含更加丰富的语义信息，所以，把部首放在了component列表的首位进行训练，下图中的E代表的就是component列表，C代表的是上下文词， Z代表的是目标词。 

具体做法，以charCBOW为例，charCBOW是在原始的CBOW的基础之上进行的改善，把E和C进行cat连接作为特征。

也提供了一些部首信息，如下图

Experiment Result

在Word Similarity 和 Text Classification 上面进行了实验，对于Word Similarity任务，可以参考以前写的一篇文章 — 中英文词向量评测。

Word Similarity采用的评估文件大多数都是基于英文构建的，像 WS-353，RG-65等，对于中文来说，仅有HowNet和 E-TC（哈工大词林），由于HowNet包含较少的现代词，选择采用E-TC进行评测；Text Classification 选择的数据集是腾讯新闻（Tencent news datasets），在Word Similarity 和 Text Classification上面都验证了论点。下图是实验结果。

 

二、 Joint Learning of Character and Word Embeddings

论文来源

这是一篇2015年发表在IJCAI (International Joint Conference on Artificial Intelligence)会议上的论文，作者来自于清华大学 — 陈新雄，徐磊。

Abstract

目前，大多数词向量的建模方法都是基于词的，而在中文词语包含多个汉字，并且每个汉字都包含了大量丰富的信息，一个词的语义信息也是与组成它的汉字有很深的关联，比如，智能 這个词，智 和 能 也能够表达一部分其语义，基于這个思想，论文提出了训练中文词向量新的方法，使用汉字来增强词的效果（CWE）。

但是训练CWE存在一些问题，像单个汉字可能存在多种意义，有些汉字组成的词，其中的汉字分开时没有意义的等一些问题，文中提出了 multiple-prototype character embedding 和 an effective word selection method 分别来解决问题。在 Word Relatedness Computation 和 Analogical Reasoning任务上验证了其有效性。

Model

Character-Enhanced Word Embedding

CWE是在CBOW的基础之上进行的改进，CWE和CBOW的模型结构图如下图所示。

像上图表示的一样，词由词和组成它的字联合表示，具体表示是下面的公式， w代表word embedding，c代表的是character embedding，N代表一个词有多少字组成，有两种联合方式，一种是 addition ，一种是 concatenation。

在实验过程中发现 addition 要优于 concatenation，后续实验过程中都采用addition的联合方式，并且对公式进行了简化，在上个公式基础之上，取词和字的平均，如下图。

CWE的核心思想是把CBOW中的词替换成词和字的联合表示，但是仍然和CBOW共用相同的目标函数，這样做的一个好处在于，即使词没有出现在上下文的窗口之中，word embedding也会根据character embedding进行调整，完善了CBOW的這个缺点。

Multiple-Prototype Character Embeddings

由于有些中文汉字存在很大的歧义性，在CWE模型中可能会带来消极的影响，为了解决汉字的歧义性问题，提出了Multiple-Prototype Character Embeddings，核心的思想是一个汉字使用多个character embedding表示，具体的又提出了三种方案，Position-based character embeddings，Cluster-based character embeddings，Nonparametric cluster-based character embeddings。下面简单的看一下這三种方案。

1. Position-based character embeddings 在一个词的内部，字的位置有很大的作用，不同的位置表达不同的意思，這个方案里面，保持单字三个不同的位置embedding，分别是B---Begin，M---Middle，E---End，如下图所示。

   

   和CWE最初的方式差不多，不同在于character embedding的表示采用了BME的平均，具体如下。

   

2. Cluster-based character embeddings 根据2012年Huang的一篇论文（multiple-prototype word embeddings）提出的一个方法，提出了Cluster-based character embeddings的方法，对 character 所有出现的情况做聚类, 为每个聚类分配一个向量，具体的如下图。

   

   這时候词的表示如下图

   

   其中r_max是计算余弦相似度（S），计算公式如下

   

   v_context如下，其中c_most代表的是在聚类中最频繁被选择的。

   

3. Nonparametric cluster-based character embeddings Cluster-based character embeddings具有固定的类数, 而无参聚类方法能分配不同的数量, 在训练的时候学习，非常灵活。

Word Selection for Learning

中文词语中，有很多的字并不能够表示其语义信息，这些包括以下几个方面。

1. 像徘徊，琵琶這样的词语，其中的单字很难在其他的词语中使用。

2. 音译过来的一些词，像沙发(sofa)，巧克力(chocolate) 主要是语音合成。

3. 一些实体的名字，像人名，地名，组织机构名等。

为了去解决這样的问题，提出在学习這些词的时候，不要去考虑其character，具体的做法是手工构建這样的词表来处理。

Experiment Result

在 Word Relatedness Computation 和 Analogical Reasoning任务上验证了其有效性，对于這两个任务，可以参考以前写的一篇文章 — 中英文词向量评测。

1. Word Relatedness Computation 采用的评测数据是 wordsim-240，wordsim-296，以下是评测结果。 

   

2. 对于Analogical Reasoning，由于没有中文的评测数据，手工构建了一份数据集，并且這个数据集在后续的中文词向量评测中被广泛使用。

   

 

References

[1] Component-Enhanced Chinese Character Embeddings

[2] Joint Learning of Character and Word Embeddings

 

作者 github

这是我师兄，也是我老板

一图胜千言！

github地址：

https://github.com/bamtercelboo

欢迎大家Star和Fork。干货满满！

---

更多精彩内容，请关注 深度学习自然语言处理 公众号，就是下方啦！跟随小博主，每天进步一丢丢！哈哈！