cw2vec理论及其实现

导读

本文对AAAI 2018(Association for the Advancement of Artificial Intelligence 2018)高分录用的一篇中文词向量论文（cw2vec: Learning Chinese Word Embeddings with Stroke n-gram Information）进行简述与实现，这篇论文出自蚂蚁金服人工智能部。本文将从背景知识、模型简介、c++实现、实验结果、结论等几个方面来进行阐述。

一、背景知识

目前已经存在很多的词向量模型，但是较多的词向量模型都是基于西方语言，像英语，西班牙语，德语等，这些西方语言的内部组成都是拉丁字母，然而，由于中文书写和西方语言完全不同，中文词语包含很少的中文字符，但是中文字符内部包含了很强的语义信息，因此，如何有效利用中文字符内部的语义信息来训练词向量，成为近些年研究的热点。

通过观察中文字符内部组成，发现中文字符包含偏旁部首、字符组件，笔画信息等语义信息特征（如下图），基于偏旁部首和汉字组件特征的中文词向量模型已经有人提出，并取得了较好的效果。

本篇论文采用笔画信息作为特征，由于每个字符包含很多的笔画，类似于一个英文单词包含很多的拉丁字母，在这个基础之上，提出了笔画的n-gram特征。这个思想来源于2016年facebook提出的论文（Enriching Word Vectors with Subword Information），目前facebook这篇论文已经被引用300多次，影响力很大，cw2vec可以称之为中文版本的fasttext。

二、模型简介

1、 词语分割

把中文词语分割为单个字符，为了获取中文字符的笔画信息。

词语：大人 分割为：（1）大 （2）人

2、 笔画特征

获取中文字符的笔画信息，并且把字符的笔画信息合并，得到词语的笔画信息。

大： 一ノ丶

人： ノ丶

大人： 一ノ丶 ノ丶

3、 笔画特征数字化

为了方便，论文提及把笔画信息数字化，用数字代表每一种笔画信息，如下图。

那么“大人”这个词的笔画信息就可以表示为：

大人： 一ノ丶 ノ丶

大人：13434

我从训练语料中获取到13354个汉字，并获取笔画信息，统计笔画种类和上图一致，只有5种笔画信息。

4、 N元笔画特征

提取词语笔画信息的n-gram特征。

3-gram：134、343、434

4-gram：1343、3434

5-gram：13434

……

上述4个步骤，如下图：

5、cw2vec模型

word2vec提出了CBOW和Skip-Gram两个模型（详解），cw2vec在Skip-Gram基础之上进行改进，把词语的n-gram笔画特征信息代替词语进行训练，cw2vec模型如下图。

短语：治理 雾霾 刻不容缓

中心词：雾霾

上下文词：治理，刻不容缓

论文中提及上下文词向量（）为最终cw2vec模型的输出词向量。

三、c++实现

论文目前还没有公开代码，在这里，我提供一个c++版本的cw2vec。这份代码不仅仅实现了模型，还包括word2vec的和两个模型，以及FaceBook提出的。关于这版的CBOW和Skip-Gram的性能，可以看一下word2vec，有简单的性能测试，以下是四个模型。

./word2vec

skipgram ------ train word embedding by use skipgram model

cbow ------ train word embedding by use cbow model

subword ------ train word embedding by use subword(fasttext skipgram) model

substoke ------ train chinses character embedding by use substoke(cw2vec) model

可以根据 -h 参数设置

./word2vec skipgram -h

The Following arguments are mandatory:

-input training file path

-infeature substoke feature file path

-output output file path

......

subword是fasttext skipgram模型，substoke是cw2vec模型。substoke 需要笔画信息的特征文件，这里已经写好了一份脚本从汉典抽取笔画信息（extract_zh_char_stoke），具体使用查看README，类似于：

中 丨フ一丨

国 丨フ一一丨一丶一

庆 丶一ノ一ノ丶

假 ノ丨フ一丨一一フ一フ丶

期 一丨丨一一一ノ丶ノフ一一

......

cw2vec论文提出采用作为最终的词向量，在这份代码中，不仅仅考虑了context word embedding ，而且，根据fasttext提供的思路，把笔画信息的n-gram特征取平均作为最后的词向量，所以，substoke模型会输出两份词向量，vec代表，avg代表笔画信息的。

需要包括的环境：

cmake

make

gcc

更多信息查看cw2vec-github。

四、实验结果

1、训练数据

训练数据采用最新的中文维基百科训练语料（处理过程），利用jieba分词工具对语料进行分词处理，最终得到1.2G的训练数据，根据论文，我们从1.2G的训练语料中获取前20%数据，用这份数据在任务上进行了评测。

2、参数设置

在对比实验中，几个模型的参数设置如下所示：

设置参数如下：

词向量维度：100

窗口大小：5

负采样数目：5

迭代次数：5

最小词频：10

学习率：skipgram(0.025)，cbow(0.05)，substoke(0.025)

n-gram特征：minn=3, maxn=18

3、实验结果

在中文任务上进行了评测，评测文件是和，这两份文件来自于，基于上述两份文件，我已经写好了一份中文词相似度评测脚本（Chinese-Word-Similarity-and-Word-Analogy），方便大家使用，详细信息看README，下面是实验结果。

下图和表中的代表使用的词向量是笔画信息的，代表使用的词向量是。

4、结果分析

从上面的实验结果来看，在word similarity任务上，总体来看，substoke模型要比skipgram，cbow两个模型结果要好。其中在wordsim-240上，substoke的两份词向量都要比word2vec的好，在wordsim-296上，substoke-context表现的相对差一些，但是substoke-average要好很多。

由于时间原因，目前仅在相似度任务上进行了评测，后续可能会在词汇类比，词性标注，命名实体识别，文本分类等多个任务上进行评测。

五、结论

中文字符内部结构包含了丰富的语义信息，这篇论文提出的思路，挖掘了中文字符笔画特征信息，上述实验证明是有效的，推动了中文词向量的工作进展，后续研究者可以在此基础之上进行实验，更加深层次的挖掘中文字符内部信息。

附：github链接

https://github.com/bamtercelboo/cw2vec

References

[1] Cao, Shaosheng, et al. “cw2vec: Learning Chinese Word Embeddings with Stroke n-gram Information.” (2018).

[2] Bojanowski, Piotr, et al. “Enriching word vectors with subword information.” arXiv preprint arXiv:1607.04606 (2016).

[3] Chen, Xinxiong, et al. “Joint Learning of Character and Word Embeddings.” IJCAI 2015.

[4] Sun, Yaming, et al. “Radical-enhanced Chinese character embedding.” ICNIP 2014.

[5] Li, Yanran, et al. “Component-enhanced Chinese character embeddings.” arXiv preprint arXiv:1508.06669 (2015).

[6] Yu, Jinxing, et al. “Joint Embeddings of Chinese Words, Characters, and Fine-grained Subcharacter Components.” EMNLP 2017.

[7] Mikolov, Tomas, et al. “Efficient estimation of word representations in vector space.” arXiv preprint arXiv:1301.3781 (2013).