前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >腾讯AI Lab开源了覆盖性广、准确性高的汉语词汇语料库

腾讯AI Lab开源了覆盖性广、准确性高的汉语词汇语料库

作者头像
AiTechYun
发布2018-11-08 15:37:01
1.4K0
发布2018-11-08 15:37:01
举报
文章被收录于专栏:ATYUN订阅号

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

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2018-10-19,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 ATYUN订阅号 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 数据描述
  • 强调
  • 训练
  • 简单案例
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档