理解语言的核心自然是了解词语在文本中的不同含义。先来说个中文笑话:
上司:“你这是什么意思?”
下属:“没什么意思,意思意思。”
上司:“你这就不够意思了。”
下属:“小意思,小意思。”
上司:“你这人真有意思。”
下属:“其实也没有别的意思。”
上司:“那我就不好意思了。”
下属:“是我不好意思。”
如果让机器来理解这到底是什么意思,想必它会很头痛的吧。
那么用相对简单的英文?也没有那么简单。毕竟一个单词可能包括数十个意思。
举个例子:“He will receive stock in the reorganized company.”这个句子中,我们结合上下词就能知道,“stock”是股票的意思,我们可以从牛津字典中找到更专业的解释。
但同样在牛津字典中,stock 这个词还有超过 10 个不同的含义,比如“(商店里的)库存”或是“(鞭子、钓竿等的)柄”。对于电脑算法而言,如何从博大精深的含义中找寻某个句子中对应的词义?这的确是一个词义消歧难题,也就是 AI-Complete 问题。
19 日 Google 研究院又发出了重量级新闻,他们释出了利用 MASC&SemCor 资料集的大规模有监督词义消歧语词。这些语词会与牛津字典上的例句互相映照,广泛适用于各个社群。与此同时,本次释出也是最大的全句释义语词程式库之一。
有监督词义消歧
人们透过对句子中词语的内容进行理解,因为我们能透过常识判断内文的含义。比如同一个例子,“‘stock’ in a business.”代表的自然是股票的意思,而“‘stock’ in a bodega.”更有可能是库存的意思,即使这里的 bodega 也可能指酒窖生意。我们希望为机器提供足够的背景资讯,并应用于理解字句中词语的含义。
有监督词义消歧(WSD)尝试解决这一问题,也就是让机器学习使用人工记号的资料,并与字典中的词语所代表的典型含义符合。我们希望构建这样的监督模型,能够不考虑复杂语境,并符合句中单词在词典中最可能表达的含义。虽然这一点富有挑战性,但监督模型在大量训练资料支援下表现良好。
透过释出资料集,我们希望社群能够提出更好的算法,让机器对自然语言产生更深刻的理解,支援以下的应用:
- 从文本中自动搭建数据库存,这样一来,机器可以回答问题,并将档案中的知识串联起来。举个例子,机器在经过学习后,明白“hemi engine”指的是一种自动化机械,而“locomotive engine”则与火车有关;也能理解“Kanye West is a star”指的是名人的意思,而“Sirius is a star”则是天文学概念。
- 消除歧义。我们希望让文本在查询中能够呈现不同的含义,避免张冠李戴,与此同时还能返回有相关语义的档案。
人工注释
在人工记号的资料集中,每一个词义注释都由 5 个评估者进行审核。为了确保品质,这些评估者会进行训练(gold annotation),即让语言学家对一些研究样本进行标记。以下是我们的标记页面。
在页面左边呈现的是 general 的常用词义及例句,在右侧的文本中,general 一词会标亮显示。除了符合词义,评估者还能对词语进行判断,可以指出包括“拼字错误”、“上述情况都不符合”、“不确定”等 3 种情况。此外,评估者可以对一些含有隐喻的词语进行记号并评论。
这些人工的词义标注采用 Krippendorff’s alpha(α >= 0.67 则具有一定可信度,α >= 0.80 则表示具有很高的可信度)进行判断,结果显示得分为 0.869。这是一个非常不错的成绩了。
Wordnet Mappings
与此同时,Google 也释出了两个从牛津词典到 Wordnet 的对映。小的资料集中含有 2,200 个单词,而大的资料集则是算法构建的。这两个对映内容能更将 Wordnet 的内容应用于牛津词典的语料库中,也能在使用过程中实行系统的构建。
研究成果已经收录在“Semi-supervised Word Sense Disambiguation with Neural Models”中,主要采用的是 LSTM 语言处理模型及半监督学习算法。
- Semi-supervised Word Sense Disambiguation with Neural Models
(本文由 雷锋网 授权转载,首图来源:Flickr/Valery Kenski CC BY 2.0)
延伸阅读:
- 美国掀机器学习投资热!Uber 宣布成立 AI 实验室
- Google 在 Montreal 设立人工智能实验室,专注深度学习技术
- 苹果雇用 AI 研究者领导 AI 部门,赶上机器学习落后的局面
- iOS 10 版的 Siri 将因为新的机器学习运算而更像真人