伊瓢 發自 中關村
量子位 報道 | 公眾號 QbitAI

中文分詞的最佳效果又被刷新了。

在今年的ACL 2020上，來自創新工場大灣區人工智能研究院的兩篇論文中的模型，刷新了這一領域的成績。

WMSeg，在MSR、PKU、AS、CityU、CTB6這5個數據集上的表現，均達了最好的成績。

另外，在詞性標注方面，TwASP模型同樣刷新了成績。

中文分詞的SOTA

中文分詞目的是在中文的字序列中插入分隔符，將其切分為詞。例如，“我喜歡音樂”將被切分為“我/喜歡/音樂”(“/”表示分隔符)。

中文語言因其特殊性，在分詞時面臨著兩個主要難點。一是歧義問題，由于中文存在大量歧義，一般的分詞工具在切分句子時可能會出錯。例如，“部分居民生活水平”，其正確的切分應為“部分/居民/生活/水平”，但存在“分居”、“民生”等歧義詞。“他從小學電腦技術”，正確的分詞是：他/從小/學/電腦技術，但也存在“小學”這種歧義詞。

二是未登錄詞問題。未登錄詞指的是不在詞表，或者是模型在訓練的過程中沒有遇見過的詞。例如經濟、醫療、科技等科學領域的專業術語或者社交媒體上的新詞，或者是人名。這類問題在跨領域分詞任務中尤其明顯。

對此，《Improving Chinese Word Segmentation with Wordhood Memory Networks》這篇論文提出了基于鍵-值記憶神經網絡的中文分詞模型。

該模型利用n元組（即一個由連續n個字組成的序列，比如“居民”是一個2元組，“生活水平”是一個4元組）提供的每個字的構詞能力，通過加（降）權重實現特定語境下的歧義消解。并通過非監督方法構建詞表，實現對特定領域的未標注文本的利用，進而提升對未登錄詞的識別。

例如，在“部分居民生活水平”這句話中，到底有多少可能成為詞的組塊？單字可成詞，如“民”；每兩個字的組合可能成詞，如“居民”；甚至四個字的組合也可能成詞，例如“居民生活”。

“民” → 單字詞“居民” → 詞尾“民生”→ 詞首“居民生活” → 詞中

把這些可能成詞的組合全部找到以后，加入到該分詞模型中。通過神經網絡，學習哪些詞對于最后完整表達句意的幫助更大，進而分配不同的權重。像“部分”、“居民”、“生活”、“水平”這些詞都會被突出出來，但“分居”、“民生”這些詞就會被降權處理，從而預測出正確的結果。

△ 鍵-值記憶神經網絡分詞模型

在“他從小學電腦技術” 這句話中，對于有歧義的部分“從小學”（有“從/小學”和“從小/學”兩種分法），該模型能夠對“從小”和“學”分配更高的權重，而對錯誤的n元組——“小學”分配較低的權重。

為了檢驗該模型的分詞效果，論文進行了嚴格的標準實驗和跨領域實驗。

實驗結果顯示，該模型在5個數據集（MSR、PKU、AS、CityU、CTB6）上的表現，均達了最好的成績。

創新工場大灣區人工智能研究院執行院長宋彥表示，與前人的模型進行比較發現，該模型在所有數據集上的表現均超過了之前的工作，“把中文分詞領域廣泛使用的標準數據集上的性能全部刷到了新高。”

在跨領域實驗中，論文使用網絡博客數據集（CTB7）測試。實驗結果顯示，在整體F值以及未登陸詞的召回率上都有比較大提升。

△ 跨領域分詞實驗（網絡博客測試集）的結果

解決“噪音”問題

《Joint Chinese Word Segmentation and Part-of-speech Tagging via Two-way Attentions of Auto-analyzed Knowledge》論文提供了一種基于雙通道注意力機制的分詞及詞性標注模型。

中文分詞和詞性標注是兩個不同的任務。詞性標注是在已經切分好的文本中，給每一個詞標注其所屬的詞類，例如動詞、名詞、代詞、形容詞。詞性標注對后續的句子理解有重要的作用。

在詞性標注中，歧義仍然是個老大難的問題。例如，對于“他要向全班同學報告書上的內容”中，“報告書”的正確的切分和標注應為“報告_VV/書_N”。但由于“報告書”本身也是一個常見詞，一般的工具可能會將其標注為“報告書_NN”。

△ 利用句法知識進行正確的詞性標注

句法標注本身需要大量的時間和人力成本。在以往的標注工作中，使用外部自動工具獲取句法知識是主流方法。在這種情況下，如果模型不能識別并正確處理帶有雜音的句法知識，很可能會被不準確的句法知識誤導，做出錯誤的預測。

例如，在句子“他馬上功夫很好”中，“馬”和“上”應該分開（正確的標注應為“馬_NN/上_NN”）。但按照一般的句法知識，卻可能得到不準確的切分及句法關系，如“馬上”。

針對這一問題，該論文提出了一個基于雙通道注意力機制的分詞及詞性標注模型。該模型將中文分詞和詞性標注視作聯合任務，可一體化完成。模型分別對自動獲取的上下文特征和句法知識加權，預測每個字的分詞和詞性標簽，不同的上下文特征和句法知識在各自所屬的注意力通道內進行比較、加權，從而識別特定語境下不同上下文特征和句法知識的貢獻。

這樣一來，那些不準確的，對模型預測貢獻小的上下文特征和句法知識就能被識別出來，并被分配小的權重，從而避免模型被這些有噪音的信息誤導。

△ 基于“雙通道注意力機制”的分詞及詞性標注

即便在自動獲取的句法知識不準確的時候，該模型仍能有效識別并利用這種知識。例如，將前文有歧義、句法知識不準確的句子（“他馬上功夫很好”），輸入該雙通道注意力模型后，便得到了正確的分詞和詞性標注結果。

△ 分詞及詞性標注實例

為了測試該模型的性能，論文在一般領域和跨領域分別進行了實驗。

一般領域實驗結果顯示，該模型在5個數據集（CTB5，CTB6，CTB7，CTB9，Universal Dependencies）的表現（F值）均超過前人的工作，也大幅度超過了斯坦福大學的 CoreNLP 工具，和伯克利大學的句法分析器。

即使是在與CTB詞性標注規范不同的UD數據集中，該模型依然能吸收不同標注帶來的知識，并使用這種知識，得到更好的效果。

△ CTB5（CTB5是使用最多的中文分詞和詞性標注的數據集）結果

而在跨領域的實驗中，和斯坦福大學的 CoreNLP 工具相比，該模型也有近10個百分點的提升。

△ 跨領域分詞實驗（對話測試集）的結果

創新工場出品

兩篇論文的第一作者，是華盛頓大學博士研究生、創新工場實習生田元賀。

他的老師創新工場大灣區人工智能研究院執行院長、華盛頓大學客座教授宋彥，此前也是騰訊AI Lab專家（首席）研究員。

傳送門

Improving Chinese Word Segmentation with Wordhood Memory Networks作者：Yuanhe Tian, Yan Song, Fei Xia, Tong Zhang, Yonggang Wang論文地址：https://www.aclweb.org/anthology/2020.acl-main.734/GitHub：https://github.com/SVAIGBA/WMSeg

Joint Chinese Word Segmentation and Part-of-speech Tagging via Two-way Attentions of Auto-analyzed Knowledge作者：Yuanhe Tian, Yan Song, Xiang Ao, Fei Xia, Xiaojun Quan, Tong Zhang, Yonggang Wang論文地址：https://www.aclweb.org/anthology/2020.acl-main.735/GitHub：https://github.com/SVAIGBA/TwASP

—完—
@量子位 · 追蹤AI技術和產品新動態
深有感觸的朋友，歡迎贊同、關注、分享三連?'?' ? ?

總結

以上是生活随笔為你收集整理的中文分词_中文分词最佳纪录刷新，两大模型分别解决中文分词及词性标注问题...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。