ACL2019 | 中文到底需不需要分词

AI 科技评论按，本文转载自微信号“香侬科技”，AI 科技评论获授权转载。

近日，香侬科技发表论文Is Word Segmentation Necessary for Deep Learning of Chinese Representations? 探讨中文自然语言处理的最基本问题：中文NLP是否需要分词，得出结论为在深度学习的框架下，“字”的表现几乎总是优于“词”的表现。该论文入选自然语言处理顶级会议ACL19。Yuxian Meng，Xiaoya Li并列为第一作者。

论文链接：

https://arxiv.org/pdf/1905.05526.pdf

概述

长期以来，中文分词（Chinese Word Segmentation, CWS）在NLP的研究中一直受到广泛关注，无论在深度学习兴起之前，还是深度学习兴起以来，对CWS的研究都从未间断。

尽管从形式上看中文的“字”是最小的音义结合体，但是在现代汉语中，“词”才具有表达完整语义的功能，而大部分的“词”都是又多个“字”组合而成。因此，中文分词成为了许多中文NLP任务的第一步。

然而，随着深度学习的发展和计算机算力的提高，对许多中文NLP任务而言，中文分词的必要性似乎在逐渐下降。

那么我们就会问，在基于深度学习神经网络框架下的NLP任务中，到底是“字”好还是“词”好？分词是否还有存在的必要？我们是只需要“字”，还是将“字”与“词”结合使用？其中的道理又是什么呢？在当下，这些问题都缺乏系统性的研究。

本文通过在四个中文NLP任务上的实验和分析，对以上问题得出了初步的结论：

• 在神经网络框架下进行中文NLP任务，“字”级别的表现几乎总是优于“词”级别的表现。
• 对大部分中文NLP任务而言，我们不需要进行额外分词（一些必须进行分词的任务除外）。
• 对部分任务而言，单用“字”可以达到最佳表现，加入“词”反而可能有负作用。
• 原因可以部分归结为“词”级别的数据稀疏问题、OOV（out-of-vocabulary）问题和过拟合问题。

我们希望可以通过我们的研究抛砖引玉，对未来有关中文分词及其必要性、最佳中文表示单元的研究提供借鉴和启发。

“词”级别单元的不足

尽管“词”级别的模型在很多任务上得到广泛应用，但是“词”级别单元有着以下显著不足：

1.首先，词数据稀疏问题不可避免地导致过拟合，而且大量的OOV限制了模型的学习能力。根据Zipf定律，大多数中文词的出现频率都非常小，在数据集中的占比非常有限，这使得模型不能充分习得数据中的语法、语义知识。

比如，在CTB数据集中，在经过Jieba分词后，不同的词有50266个，其中24458个词仅出现一次，但它们仅占整个数据集的4.0%；有38889个词出现不多于四次，但是它们仅占数据集的10.1%。

这说明，词级别的数据是非常稀疏的，而这容易导致过拟合。另一方面，过多的词会增加大量的OOV，这又限制了模型的学习能力。

2.分词方法不统一与分词效果欠佳。实际上，中文分词在语言学上也是一件困难的事情，存在着不同的分词标准。对于NLP上的中文分词而言，不同的数据集也有不同的分词标准。

比如，对同一句话“姚明进入总决赛”，CTB数据集将其分为“姚明进入总决赛”，而PKU数据集将其分为“姚明进入总决赛”，而根据我们的知识，“姚明”显然是不能分开的。

于是，这种错误的分词可能会对下游的任务产生错误的引导，从而影响模型的效果。

3.分词所带来的收益尚未明确。尽管从直觉上看，“词”所携带的语义信息是比“字”更丰富的，但是这只是站在人的角度，那么对于神经网络而言又如何呢。

我们目前还不清楚对计算机而言，词是否就一定有利于提高表现。

基于以上几点，我们将在四个中文NLP任务上探究“词”级别和“字”级别的表现。

实验

本节在四个中文NLP任务（语言建模、机器翻译、文本分类和句子匹配）上分别对“词”级别和“字”级别的模型进行实验。

语言建模（Language Modeling）

我们首先在语言建模上进行实验。我们使用CTB6数据集，按照标准的8-1-1进行数据集划分。

对于词，我们使用Jieba进行分词。模型是基础的LSTM模型，对同一个模型，我们对学习率、dropout和batch size进行了grid search，使得ppl达到最优。

实验结果如下表：

语言建模结果：字级别的模型显著优于词级别的模型

从表中可以看到，在同维度下（512d与2048d），字级别的模型显著优于词级别的模型。而且在维度为2048的时候，ppl呈现巨大差距。

此外，我们还对“字”+“词”的混合模型（hybrid）进行了实验。对于混合模型，我们不仅使用了“词”表示，还对每个词内部的“字”表示，通过CNN得到一个综合的“字”表示，然后把这两者组合起来。表中的“char only”表示我们只使用后者。

可以看到，“char only”的模型优于其他带有“词”表示的模型，而“word+char”的模型都优于单个“词”模型。

这表明了“字”级别的模型已经编码了语言建模任务所需要的语言信息，额外增加“词”表示反而会损害表现。

机器翻译（Machine Translation）

对于MT，我们使用标准的中英互译的设置。我们在LDC语料库中选取了1.25M个句子，在NIST2002上进行验证，在NIST2003/2004/2005/2006/2008上进行测评。

模型使用标准的seq2seq+attention，同时，我们也列出了Mixed RNN、Bi-Tree-LSTM和PKI模型的结果作为比较。

此外，我们还使用了（Ma et al. 2018）中的BOW方法。词和字的表示维度都设置为512。具体的参数及其他设置详见论文。

实验结果如下：

可以看到，在中->英翻译中，简单的seq2seq+attention模型，“字”级别已经显著超过“词”级别，平均有0.83的BLEU值的提升。

再加上（Ma et al. 2018）的BOW方法，“字”级别的模型也比“词”级别的模型平均高0.63，而且也是其中的最好结果。

在英->翻译中，“字”模型比“词”模型有更大的提升，平均达到3.13。我们认为这是因为：

• 在中->英翻译中，“字”和“词”的区别仅体现在编码端；而在英->中翻译中，在编码端和解码端都有表现。
• 在英->中翻译中，解码端的UNK对于词影响更大。

为此，我们在英->中翻译的解码端使用了BPE方法，在seq2seq+att中得到了41.44，在seq2seq+att+bow中得到了44.35的得分，显著超过“词”级别模型，但依旧比“字”级别模型较低。

句子匹配（Sentence Matching）

对句子匹配任务，我们使用BQ和LCQMC两个数据集。这两个数据集都是给定一对句子，需要我们去判断它们在某些方面的相似性（两分类，相同或不相同）。

BQ是需要去判断语义等价，LCQMC是需要去判断意图等价。这两个数据集都非常适合去检验模型的语义捕捉能力。

我们使用当前在这两个数据集上的SOTA模型：BiMPM，参数设置保持不变，即200维的字及词表示。

实验结果如下：

可以看到，“字”级别的模型在验证集和测试集上都显著优于“词”级别模型。这表明，“字”级别的模型更能捕捉单元之间的语义联系。

文本分类（Text Classification）

对于文本分类，我们使用下面的数据集（Zhang and LeCun 2017）：

• ChinaNews：中文新闻文章，七分类。
• Ifeng：中文新闻文章的第一段，五分类。
• JD_full：京东上的商品点评，五分类。
• JD_binary：京东上的商品点评，二分类，是在JD_full中，将1星和2星归为负类，将4星和5星归为正类，忽略3星。
• Dianping：大众点评的评价，五分类，作为二分类时，将1星、2星和3星归为负类，将4星和5星归为正类。

我们使用BiLSTM模型，结果如下：

可以看到，只有在Chinanews数据集上，“词”级别模型才略高于“字”级别模型，在其他数据集上都是“字”优于“词”。

额外地，我们还在Dianping和JD两个数据集上进行了数据集迁移（Domain Adaptation）实验。

我们首先在Dianping上训练，然后在JD_binary上测试；然后反过来检验。结果如下：

可以看到，在两个方向上都是“字”优于“词”，而且OOV也有显著优势。

分析

在本节中，我们将从数据稀疏、OOV和过拟合三个方面去分析“字”优于“词”的原因。

数据稀疏

由于空间限制，我们不可能把所有出现的字/词都纳入词典，常见的方法是设置一个“频率界限”，低于这个界限的都设置为一个特殊的UNK标记。

下图是不同的频率界限和词典大小、模型表现在“字”级别和“词”级别上的曲线图：

可以看到，当bar=0的时候，两种模型都表现得很差。而对于“字”级别模型，提高bar对表现影响不大，当bar=5时表现最佳；对于“词”级别模型，提高bar可以显著提升表现。

这说明，为了充分学习语言信息，模型必须对词典中的单元有充分的“接触”（或者说足够多的数据量），而对于“词”级别模型而言，这点更加难以满足。

OOV问题

另一方面，“词”模型也有更多的OOV。如果是因为OOV问题导致的“词”模型效果欠佳，那么我们期望可以通过减少OOV来缩小与“字”模型的差距。

但是正如上面所讲的，减少OOV就意味着降低频率界限，这样就会加剧数据稀疏问题。因此我们使用另一种方法：对不同的词频率界限，我们在数据集（包括验证机和测试集）中除去那些包含OOV词的句子。如下图所示：

显然，“字”和“词”的差距随着bar的增加在逐渐缩小，“字”模型表现下降，而“词”模型表现上升。

这说明，对于“字”模型而言，OOV不是一个突出的问题，缩小数据集会导致效果下降；对于“词”模型，OOV的确会严重阻碍模型的表现，减少数据集中的OOV有利于效果提升。这启示我们未来的工作可以考虑如何解决OOV上。

过拟合

数据稀疏问题使得模型参数增多，从而更容易过拟合。我们在BQ上进行实验，发现对于“词”模型，dropout为0.5时效果最佳，而对“字”模型而言，dropout为0.3时效果最佳。

这说明过拟合在“词”模型上更容易发生。另一方面，尽管我们设置了更大的dropout，但“词”模型仍然不及“字”模型，这表明单纯的dropout不能解决过拟合问题。

可视化

我们在BQ数据集中选取句对“利息费用是多少”和“下一个月还款要扣多少利息”并画出其heatmap：

可以看到，对于“词”模型而言，“利息费用”不能和“利息”匹配，而“字”模型可以做到。

小结

在本文中，我们通过四个中文NLP任务实验，验证了在效果上“字”级别模型普遍优于“词”级别模型。通过分析，我们认为“词”级别模型的欠佳表现可以归结为数据稀疏、OOV问题、过拟合与数据集迁移能力缺乏等原因。

我们希望通过本文，可以启发未来更多更细致的关于中文分词、最佳中文表示单元的研究。

。