AI不會(huì)斷句？中文分詞新模型幫它進(jìn)步

人工智能經(jīng)?！翱床欢敝形木渥?，讓人哭笑不得。在2020年7月舉行的自然語言處理領(lǐng)域（NLP）頂級(jí)學(xué)術(shù)會(huì)議ACL 2020上，來自創(chuàng)新工場大灣區(qū)人工智能研究院的兩篇論文入選。這兩篇論文均聚焦自然語言處理中文分詞領(lǐng)域。

據(jù)研究人員介紹，分詞及詞性標(biāo)注是中文自然語言處理的基本任務(wù)，但當(dāng)前沒有比較好的一體化解決方案，而且中文分詞普遍存在歧義和未登錄詞的難題。

基于此，兩篇論文各自提出了鍵-值記憶神經(jīng)網(wǎng)絡(luò)的中文分詞模型和基于雙通道注意力機(jī)制的分詞及詞性標(biāo)注模型，將外部知識(shí)（信息）融入分詞及詞性標(biāo)注模型，剔除了分詞“噪音”誤導(dǎo)，提升了分詞及詞性標(biāo)注效果。

中文分詞主要面臨歧義和未登錄詞兩大難點(diǎn)

據(jù)介紹，中文分詞的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”。

創(chuàng)新工場大灣區(qū)人工智能研究院執(zhí)行院長宋彥分析，中文語言因其特殊性，在分詞時(shí)面臨著兩個(gè)普遍的主要難點(diǎn)。

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(shí)可能會(huì)出錯(cuò)。例如，“部分居民生活水平”，其正確的切分應(yīng)為“部分/居民/生活/水平”，但存在“分居”“民生”等歧義詞。

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(xùn)練的過程中沒有遇見過的詞。這類問題在跨領(lǐng)域分詞任務(wù)中尤其明顯。宋彥介紹，這些未登錄詞，會(huì)非常影響分詞和詞性標(biāo)注模型和系統(tǒng)的性能。

利用記憶神經(jīng)網(wǎng)絡(luò)提升中文分詞性能

對(duì)此，其中一篇論文提出了基于鍵-值記憶神經(jīng)網(wǎng)絡(luò)的中文分詞模型。

宋彥介紹，該模型利用n元組（即一個(gè)由連續(xù)n個(gè)字組成的序列，比如“居民”是一個(gè)2元組，“生活水平”是一個(gè)4元組）提供的每個(gè)字的構(gòu)詞能力，通過加（降）權(quán)重實(shí)現(xiàn)特定語境下的歧義消解。并通過非監(jiān)督方法構(gòu)建詞表，實(shí)現(xiàn)對(duì)特定領(lǐng)域的未標(biāo)注文本的利用，進(jìn)而提升對(duì)未登錄詞的識(shí)別。

把可能成詞的組合全部找到以后，加入到該分詞模型中。然后通過神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)哪些詞對(duì)于最后完整表達(dá)句意的幫助更大，進(jìn)而分配不同的權(quán)重。例如，在“部分居民生活水平”這句話中，“部分”“居民”“生活”“水平”這些詞會(huì)被突出，而“分居”“民生”會(huì)被降權(quán)處理，從而預(yù)測出正確的結(jié)果。

據(jù)介紹，為了檢驗(yàn)該模型的分詞效果，論文進(jìn)行了嚴(yán)格的標(biāo)準(zhǔn)實(shí)驗(yàn)和跨領(lǐng)域?qū)嶒?yàn)?！拔覀?cè)?個(gè)經(jīng)常使用的標(biāo)準(zhǔn)中文分詞數(shù)據(jù)集（MSR、PKU、AS、CityU、CTB6）上面，都達(dá)到了最好的效果，在這五個(gè)數(shù)據(jù)集上的分?jǐn)?shù)都刷到了歷史新高?！?宋彥說。

雙通道注意力機(jī)制剔除“噪音”誤導(dǎo)

第二篇論文則提出了一種基于雙通道注意力機(jī)制的分詞及詞性標(biāo)注模型。

據(jù)介紹，中文分詞和詞性標(biāo)注是兩個(gè)不同的任務(wù)。詞性標(biāo)注是在已經(jīng)切分好的文本中，給每一個(gè)詞標(biāo)注其所屬的詞類，例如動(dòng)詞、名詞、代詞、形容詞。詞性標(biāo)注對(duì)后續(xù)的句子理解有重要的作用。

“‘他馬上功夫很好這句話，在使用外部的句法知識(shí)的時(shí)候，可能會(huì)存在‘馬上這個(gè)詞被分錯(cuò)的情況。正確的結(jié)果應(yīng)該是‘馬和‘上分開，但是這兒如果被分成一個(gè)詞，就會(huì)被識(shí)別為一個(gè)副詞。” 宋彥舉例說。

研究人員介紹，針對(duì)這一問題，該論文提出的模型將中文分詞和詞性標(biāo)注視作聯(lián)合任務(wù)，可一體化完成。模型分別對(duì)自動(dòng)獲取的上下文特征和句法知識(shí)加權(quán)，預(yù)測每個(gè)字的分詞和詞性標(biāo)簽，不同的上下文特征和句法知識(shí)在各自所屬的注意力通道內(nèi)進(jìn)行比較、加權(quán)，從而識(shí)別特定語境下不同上下文特征和句法知識(shí)的貢獻(xiàn)。

為了測試該模型的性能，論文在一般領(lǐng)域和跨領(lǐng)域分別進(jìn)行了實(shí)驗(yàn)。宋彥介紹，一般領(lǐng)域?qū)嶒?yàn)結(jié)果顯示，該模型在5個(gè)數(shù)據(jù)集（CTB5，CTB6，CTB7，CTB9，Universal Dependencies）的表現(xiàn)（F值）均超過前人的工作。