腾讯AI Lab开源了覆盖性广、准确性高的汉语词汇语料库

编译：chux

出品：ATYUN订阅号

腾讯开源了一个语料库，为超过800万个汉语词汇提供了200维向量表征，即嵌入，这些词汇是在大规模高质量数据上预先训练的。这些向量捕获中文单词和短语的语义含义，可以广泛应用于许多下游中文处理任务（例如，命名实体识别和文本分类）以及进一步的研究中。

数据描述

预训练的嵌入在Tencent_AILab_ChineseEmbedding.txt中。第一行显示嵌入的总数及其尺寸大小，以空格分隔。在下面的每一行中，第一列表示中文单词或短语，后跟一个选项卡及其嵌入。对于每次嵌入，其在不同维度中的值由空格分隔。

强调

与现有的汉语嵌入语料库相比，该语料库的优越性主要在于覆盖率，新鲜度和准确性。

• 覆盖范围。我们的语料库包含大量特定领域的词汇或词汇俚语，如“喀拉喀什河”，“皇帝菜”，“不念僧面念佛面”，“冰火两重天”，“煮酒论”英雄，大多数现有的嵌入语料库都没有涵盖。
• 新鲜度。我们的语料库包含最近出现或流行的新词，如“恋与制作人”，“三生三世十里桃花”，“打电话”，“十动然拒”，“因吹斯汀”等。
• 准确性。我们的嵌入可以更好地反映中文单词或短语的语义，归因于大规模数据和精心设计的训练算法。

训练

为了确保语料库的覆盖范围，新鲜度和准确性，我们从以下几个方面精心设计了数据准备和训练流程：

• 数据收集。我们的训练数据包含从新闻，网页和小说收集的大型文本。来自不同域的文本数据使得能够覆盖各种类型的单词和短语。此外，最近收集的网页和新闻数据使我们能够学习新词的语义表示。
• 词汇建设。为了丰富我们的词汇，我们涉及维基百科和百度百科的短语。我们还在基于语料库的语义类挖掘中应用短语发现方法：分布式与基于模式的方法，这增强了新兴短语的覆盖范围。
• 训练算法。我们的语料库使用Directional Skip-Gram进行训练：明确区分用于单词嵌入的左右上下文，其基于单词共现和单词对的方向，即在上下文窗口中哪个单词在左侧。

简单案例

为了举例说明学习的表示，在下面展示了一些样本单词最相似的单词。这里嵌入之间的余弦距离用于计算两个单词/短语的距离。

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