一种挖掘文本中语义相似词的方法

在自然语言处理工作(NLP)中，会遇到这样的一个应用问题：如何挖掘文本中某一关键词的语义相似词或近义词？解决该问题的办法很多，比如使用近义词词库进行匹配，或检索词语类的知识库(HowNet)，也可用word2vec之类的词向量技术进行cosine相似计算。再高级点，可利用像BERT之类的预训练模型进行预测，但这种方式对中文词不太友好。此外，上述的挖掘方法都存在一个共同的缺陷，都没考虑关键词所在的语义环境。

针对上述场景，今天分享一篇基于上下文语义来挖掘相似词或近义词的paper，论文为《CASE: Context-Aware Semantic Expansion》，论文题目的意思为基于上下文感知的语义扩充，解决的场景如下图。如要挖掘句子中与“氨基酸”(amino acid)相似的语义词，若不考虑语义环境，与之匹配的有维生素(vitamin)、抗氧化剂(antioxidant)、脂肪(fat)等等；但若考虑文本语义，脂肪不能作为氨基酸扩充的语义词，因为青稞草(amino acid)不富含脂肪，这在语料库中也不会有类似的描述。

paper先定义如下学习任务：

其中 C为句子文本，"__"为替代文本中seed term(s)的占位符，T表示潜在与占位符同级的下义词(hyponym)集合，任务的目标即为找到除s外的语义词，即训练目标如下：

表示为，在输入句子文本C与种子词s条件下，求除种子词的其他词最大概率。下图为模型的整体框架。

从模型图可以看出，主要分三个部分：Context Encoder、Seed Encoder、Prediction Layer，下面简单介绍下这三个模块。

文中作者提出四种编码方法，第一种为Neural Bag-of-Words Encoder，该方法是利用N-gram的思路，通过looksup词表的方式，得到句子的所有词向量，然后以纵向相加求平均得到句子向量; 第二，三种分布为RNN-Based Encoders 、 CNN-Based Encoders，通过两种编码网络得到句子向量;第四种为Position-Aware Encoders，具体采用类似CNN+PF的方式，将位置信息也嵌入进行学习。最后，通过Context Encoder得到句子向量V_C。

关于句子中Seed Term的编码，文章同样是采用Neural Bag-of-Words Encoder，因为Seed Term有可能是由多个word组成的，所以得到的向量V_S如下：

模型的第三部分就是预测扩充的词条，Predicting Expansion Terms，具体为想将上述两个编码层得到的两个向量 concatenation方式得到最终向量x，然后输入softmax层进行预测:

在实际中，相似的语义词有可能很多，而softmax正常只是输出概率最大的一个。文中为了缓解该问题，作者采用sampled softmax loss的方式，实现multi-label的方式进行预测，这样可以大大提高预测效率。

此外，文中在Context Encoder部分还尝试了Attention机制，并提出两种结合方式，一种为Seed-Oblivious Attention，该方法是将句子每个词学一个权重，然后再加权计算最终句子向量；另中为Seed-Aware Attention，该方法是将句子每个词相对Seed Term学一个权重，这里文中提出DOT与TRANS-DOT两种计算方法，然后再加权计算最终句子向量。此环节详情若有兴趣可查看原文。

在实验部分，文中使用的是WebIsA数据集，该数据集180万的训练集，400万的下位词。实验的最终结果为：

显示相对之前别人的方法，作者的模型在四个评价指标平均有4%的提升，此外作者也验证了前面提到的四种句子编码方式，方法Neural Bag-of-Words Encoder(NBoW)方式效果最好，如下图所示。

可以看出，多种常规的编码方法效果都没有超过最简单的NBoW方式，这也让我有点惊讶。我想该任务也挺适合上BERT等预训练模型的，因为BERT就是基于上下文进行编码的，不过文中并没有对比在预训练模型下的预测效果。

上图是对应前言列举的句子中amino acid(氨基酸)的语义词学到的结果，其中加粗的为扩充的正确相似语义词，其他为扩充的噪声词。左边一列显示在TRANS-DOT注意力机制下，预测的噪声词fat从top10之列移除了，并且有效词得到提升，说明了该方法的有效性。此外，两列一起验证了是否考虑下位词(Hypernym)的效果，结果来看，使用下位词效果稍微好一点，但影响并不大。

从paper解决的任务来看，觉得还是挺有意思，它可视为挖掘近义词或同义词的更细粒度的任务，它考虑了词的语义环境。从实验结果来看，该任务的预测难度还很大，top10的召回率也只有23%左右的效果，说明离实际应用还是有点距离；从Table5显示的结果来看，若不考虑语义环境，只作为近义词的扩充，其实效果还是很不错的。尽管文中提出的方法很简单，但还是被2020年的AAAI会议接受，所以也启发我们，做学术不用太追求模型，方法，踏踏实实把实验做好，做的更落地些，也是能被人青睐，而这篇就具备这样的特点。

此外，我个人觉得该方向作为学术点还是可以继续优化下去的，在如何深入考虑上下文信息上还是有不少可尝试的方法。如果有兴趣的朋友，可以私下交流，也可以尝试合作~~

更多文章可关注笔者公众号：自然语言处理算法与实践