横扫13项中文NLP记录！香侬科技提出中文字型的深度学习模型Glyce

2019 年 1 月 30 日 专知

授权转载于PaperWeekly

【导读】香侬科技近期提出 Glyce，首次在深度学习的框架下使用中文字形信息（Glyph），横扫 13 项中文自然语言任务记录，其中包括：(1) 字级别语言模型 (2) 词级别语言模型 (3) 中文分词 (4) 命名实体识别 (5) 词性标注 (6) 句法依存分析 (7) 语义决策标注 (8) 语义相似度 (9) 意图识别 (10) 情感分析 (11) 机器翻译 (12) 文本分类 (13) 篇章分析。

论文链接：https://arxiv.org/abs/1901.10125

http://www.zhuanzhi.ai/paper/1d90c53ceeb88d2121f8e4c729f6949f

论文简介

汉字是象形文字（logographic language），历经几千年的历史演变，是当今世界上依然被使用的最古老的文字。汉字与英文有本质的区别，因为大多数汉字的起源是图形，汉字的字形中蕴藏着丰富的语音信息。即便是不识字的人，有时候也可以大概猜到一个字的大概意思。

相反，英文很难从字形中猜出语义，因为英文是 alphabetic language，所基于的罗马字母反应更多的是文字的读音，而并不是语义。

然而当今中文自然语言处理的方法，大多是基于英文 NLP 的处理流程：以词或者字的 ID 为基准，每一个词或者字有一个对应的向量，并没有考虑汉语字形的信息。

Glyce 提出了基于中文字形的语义表示：把汉字当成一个图片，然后用卷积神经网络学习出语义，这样便可以充分利用汉字中的图形信息，增强了深度学习向量的语意表达能力。Glyce 在总共 13 项、近乎所有中文自然语言处理任务上刷新了历史记录。

▲ 图1：与英文不同，中文是象形文字，字形中蕴藏着丰富的语义信息

论文详解

理论上将中文字符当成图片直接输入至卷积神经网络便可以。但是这样实现的效果并不好。Glyce 试图从三个方面解决这个问题：

运用不同历史时期的中文字符

如今广泛使用的简体中文字符是经过漫长的历史演变而来的。简体中文书写更加方便，但是同时也丢失了大量的原始图形信息。Glyce 提出需要运用不同历史时期的中文字符，从周商时期的金文，汉代的隶书，魏晋时期的篆书，南北朝时期的魏碑，以及繁体、简体中文。这些不同类别的字符在语义上更全面涵盖了语义信息。

▲ 图2：Glyce提出运用不同历史时期的中文字符表示

提出符合中文字形的Tianzige（田字格）-CNN架构

Glyce 提出了一些修改 CNN 内部架构的意见，让模型更适合处理中文字形。主要的改进集中在两个方面，第一是为了防止过拟合，减小 CNN 中所涉及的参数量，比如将 conv 层变成 grouped conv。还有第二个比较有意思的点是最后一层通过 pooling 将图像输入变成 2*2 的 grids。文中提到这个模型非常符合中文的田字格模式，而田字格结构其实非常符合中文文字的书写顺序。

Multi-task Learning（多任务学习）

相比于图像分类任务大多有几百万或者上千万的训练数据，汉字只有上千个。即便算上不同字体，模型只能够见到几万个不同的字符图像样本。这对图像的泛化能力提出了挑战。

为了解决这个问题，Glyce 提出需要用图像分类任务作为辅助模型（auxiliary training objective）。CNN 输出的 glyph 向量将同时被输入到基于字符的分类任务中。实际的训练函数是 task-specific 的损失函数和字形图像识别损失函数的线性加权：

▲ 图3：Glyce字向量与Glyce词向量

Glyce中文字向量

Glyce 将来自不同历史时期的相同字符堆积形成不同的 channel，并且通过 CNN 对这些图像信息进行编码得到了 glyph 向量。得到的 glyph 向量输入到图像分类模型得到字形图像识别的损失函数。然后通过 highway network 或者全连接的方式将 glyph 向量和对应的中文 char-id 向量进行结合得到了最终的 Glyce 中文字向量。

Glyce中文词向量

由于中文的词都可以看成是由中文的字组成，Glyce 通过充分利用组成中文词中的汉字得到更加细粒度的词的语意信息。使用 Glyce 字向量的方式得到词中的对应字的表示。

因为中文词中字的个数的不确定性，Glyce 通过 max pooling 层对所有得到的 Glyce 字向量进行特征的筛选，用来保持了维度的不变性。最终得到的向量通过和 word-id 向量进行拼接得到最终的 Glyce 中文词向量。

实验

使用 Glyce 的编码方式分别在：（1）字级别语言模型（2）词级别语言模型（3）中文分词（4）命名实体识别（5）词性标注（6）句法依存分析（7）语义决策标注（8）语义相似度（9）意图识别（10）情感分析（11）机器翻译（12）文本分类（13）篇章分析，共 13 个中文自然语言处理任务上进行了实验。

实验结果刷新了所有实验任务的记录，充分展示了 Glyce 在中文向量语意表示编码的有效性和鲁棒性，并且展示了 Glyce 的设计优势。

字级别语言模型

字级别语言模型采用了 Chinese Tree-Bank 6.0 （CTB6.0）语料，并且采用 PPL（困惑度）作为最终的评价指标。通过使用 8 种历史字体和图像分类的损失函数，基于字级别的语言模型的 PPL（困惑度）达到了 50.67。

词级别语言模型

词级别的语言模型采用了 Chinese Tree-Bank 6.0 （CTB6.0）语料，并且采用 PPL（困惑度）作为最终的评价指标。经过对照实验，word-ID 向量和 glyce 词向量在词级别的语言模型上效果最好，PPL（困惑度）达到了 175.1。

中文分词

中文分词任务采用了 CTB6，PKU 和 Weibo 的数据集。Glyce 字向量结合之前最优的模型 Lattice-LSTM 在 CTB6 和 Weibo 数据上达到了新的最优的结果。在 PKU 的数据上达到了呵之前最优结果相同的结果。

命名实体识别

命名实体识别采用了 OntoNotes，MSRA 和 resume 的数据集，并且采用 F1 作为最终的评价指标。实验结果表示，Glyce-char 模型刷新了这三个数据集的新纪录。在 OntoNotes，MSRA，Resume 上分别超过了之前最优模型 Lattice-LSTM 0.93，0.71 和 1.21 个点。

词性标注

词性标注采用了 CTB5， CTB6，UD1 的数据集。单个模型使用 Glyce 词向量在 CTB5 和 UD1 数据上分别超过之前的 state-of-the-art 1.54 和 1.36 个百分点。Glyce 单模型效果在 CTB5 和 UD1 上超过之前多模型集合的最优结果。

句法依存分析

句法依存分析采用了 Chinese Penn Treebank 5.1 的数据。Glyce 词向量结合之前最优的 Biaffien 模型把结果在 UAS 和 LAS 数据集上和最优结果比较分别提高了 0.9 和 0.8。

语义决策标注

语义决策标注的实验采用了 CoNLL-2009 的数据，并且采用 F1 作为最终的评价指标。最优模型 k-order pruning 和 Glyce 词向量超过了之前最优模型 0.9 的 F1 值。

语义相似度

语义相似度的实验采用了 BQ Corpus 的数据集，并且采用准确率和 F1 作为最终的评价指标。Glyce 字向量结合 BiMPM 模型在之前最优结果的基础上提高了 0.97 个点，成为了新的 state-of-the-art。

意图识别

意图识别的任务使用了 LCQMC 的数据集进行了实验，并且采用准确率和 F1 作为最终的评价指标。通过训练 BiMPM 结合 Glyce 字向量在 F1 上超过了之前的最优结果 1.4，在 ACC 上超过了之前的最优结果 1.9。

情感分析

情感分析的任务采用了 Dianping，JD Full, JD Binary 三个数据集，并且采用准确率作为最终的评价指标。Glyce 字向量结合 Bi-LSTM 模型分别在这三个数据集上面取得了最优的结果。

中文-英文机器翻译

中文-英文机器翻译任务的训练集来自 LDC 语料，验证集来自 NIST2002 语料。测试集分别是 NIST2003，2004，2005，2006 和 2008，并且采用 BLEU 作为最终的评价指标。Glyce 词向量结合 Seq2Seq+Attention 模型，测试集上 BLEU 值达到了新的最优结果。

文本分类

文本分类的任务采用了 Fudan corpus, IFeng, ChinaNews 三个数据集，并且采用准确率作为评价指标。Glyce 字向量结合 Bi-LSTM 模型在这三个数据集上分别取得了最优的结果。

篇章分析

篇章分析的任务采用了 Chinese Discourse Treebank （CDTB）的数据集，并且采用准确率作为评价指标。采用了之前 SOTA 模型 RvNN 和 Glyce 字向量，刷新了在 CDTB 数据上的准确率的最优结果。

总结

提出的 Glyce 的中文字符级表示模型，通过使用不同历史时期的字符图像，丰富了中文字向量和词向量的语意信息。通过使用 Glyce 对中文字符的建模方式，我们刷新了几乎所有的中文自然语言处理任务的 state-of-the-art。Glyce 的成功为以中文为代表的象形文字提供了新的研究方向。

文章作者

Glyce 作者数量多达九个。Wei Wu（吴炜）与 Yuxian Meng（孟昱先）并列为第一作者。Wei Wu（吴炜）在字符级语言模型任务上设计并实现了第一个 Glyce-char 模型。Yuxian Meng（孟昱先）提出了 Tianzige-CNN 结构，图像分类作为辅助目标函数和衰变 λ。Jiwei Li（李纪为）提出使用不同历史时期的中文字符。Yuxian Meng（孟昱先）负责词级语言模型和意图分类的结果；Wei Wu（吴炜）负责中文分词，命名实体识别和词性标注的结果。Qinghong Han（韩庆宏）负责语义角色标注的结果；Xiaoya Li（李晓雅）负责中文-英文机器翻译的结果；Muyu Li（李慕宇）负责句法依存分析和词性标注的结果；Mei Jie（梅杰）负责篇章分析的结果；Nie Ping（聂平）负责语义相似度的结果；Xiaofei Sun（孙晓飞）负责文本分类和情感分析的结果。Jiwei Li（李纪为）为 Glyce 通讯作者。