资源 | 腾讯开源800万中文词的NLP数据集

本文经AI新媒体量子位（公众号ID：qbitai）授权转载，转载请联系出处。

本文约1200字，建议阅读6分钟。

本文为你介绍鹅厂近期正式开源的一个大规模、高质量的中文词向量数据集。

鹅厂开源，+1 again~

又一来自腾讯AI实验室的资源帖。

腾讯AI实验室宣布，正式开源一个大规模、高质量的中文词向量数据集。

该数据集包含800多万中文词汇，相比现有的公开数据，在覆盖率、新鲜度及准确性上大幅提高。

在对话回复质量预测、医疗实体识别等自然语言处理方向的业务应用方面，腾讯内部效果提升显著。

数据集特点

总体来讲，腾讯AI实验室此次公开的中文词向量数据集包含800多万中文词汇，其中每个词对应一个200维的向量。

具体方面，腾讯自称，该数据集着重在3方面进行了提升：

1. 覆盖率（Coverage）：

该词向量数据包含很多现有公开的词向量数据所欠缺的短语，比如“不念僧面念佛面”、“冰火两重天”、“煮酒论英雄”、“皇帝菜”、“喀拉喀什河”等。

以“喀拉喀什河”为例，利用腾讯AI Lab词向量计算出的语义相似词如下：

墨玉河、和田河、玉龙喀什河、白玉河、喀什河、叶尔羌河、克里雅河、玛纳斯河

2. 新鲜度（Freshness）：

该数据包含一些最近一两年出现的新词，如“恋与制作人”、“三生三世十里桃花”、“打call”、“十动然拒”、“供给侧改革”、“因吹斯汀”等。

以“因吹斯汀”为例，利用腾讯AI Lab词向量计算出的语义相似词如下：

一颗赛艇、因吹斯听、城会玩、厉害了word哥、emmmmm、扎心了老铁、神吐槽、可以说是非常爆笑了

3. 准确性（Accuracy）：

由于采用了更大规模的训练数据和更好的训练算法，所生成的词向量能够更好地表达词之间的语义关系，如下列相似词检索结果所示：

在开源前，腾讯内部经历了多次测评，认为该数据集相比于现有的公开数据，在相似度和相关度指标上均达到了更高的分值。

数据集构建经验

那么这样的数据集，腾讯AI实验室是如何构建的呢？

他们围绕3方面分享了构建及优化经验：

1. 语料采集：

训练词向量的语料来自腾讯新闻和天天快报的新闻语料，以及自行抓取的互联网网页和小说语料。

大规模多来源语料的组合，使得所生成的词向量数据能够涵盖多种类型的词汇。

而采用新闻数据和最新网页数据对新词建模，也使得词向量数据的新鲜度大为提升。

2. 词库构建：

除了引入维基百科和百度百科的部分词条之外，还实现了Shi等人于2010年提出的语义扩展算法，可从海量的网页数据中自动发现新词——根据词汇模式和超文本标记模式，在发现新词的同时计算新词之间的语义相似度。

3. 训练算法：

腾讯AI Lab采用自研的Directional Skip-Gram (DSG)算法作为词向量的训练算法。

DSG算法基于广泛采用的词向量训练算法Skip-Gram (SG)，在文本窗口中词对共现关系的基础上，额外考虑了词对的相对位置，以提高词向量语义表示的准确性。

意义

最后，表扬一下鹅厂的开源之举。

目前针对英语环境，工业界和学术界已发布了一些高质量的词向量数据，并得到了广泛的使用和验证。

其中较为知名的有谷歌公司基于word2vec算法、斯坦福大学基于GloVe算法、Facebook基于fastText项目发布的数据等。

然而，目前公开可下载的中文词向量数据还比较少，并且数据的词汇覆盖率有所不足，特别是缺乏很多短语和网络新词。

所以有资源有能力的腾讯，还有心做这样的事情，对业界实属利好。

希望腾讯AI实验室的开源之举，多多益善吧~

传送门

数据下载地址：

https://ai.tencent.com/ailab/nlp/embedding.html

— 完 —